Page 1
TUGAS AKHIR – KI141502
DETEKSI PENYAKIT EPILEPSI BERDASARKAN DATA
EEG MENGGUNAKAN EMPIRICAL MODE
DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY
LOGIC SYSTEM
Putri Nur Fitriyani
NRP 5113100081
Dosen Pembimbing I
Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
Dosen Pembimbing II
Dini Adni Navastara, S.Kom., M.Sc.
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
Page 2
[Halaman ini sengaja dikosongkan]
Page 3
iii
TUGAS AKHIR – KI141502
DETEKSI PENYAKIT EPILEPSI BERDASARKAN
DATA EEG MENGGUNAKAN EMPIRICAL MODE
DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY
LOGIC SYSTEM
Putri Nur Fitriyani
NRP 5113100081
Dosen Pembimbing I
Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
Dosen Pembimbing II
Dini Adni Navastara, S.Kom., M.Sc.
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
Page 4
iv
[Halaman ini sengaja dikosongkan]
Page 5
v
UNDERGRADUATE THESIS – KI141502
EPILEPSY DISEASE DETECTION BASED ON EEG DATA
USING EMPIRICAL MODE DECOMPOSITION DAN
INTERVAL TYPE-2 FUZZY LOGIC SYSTEM
Putri Nur Fitriyani
NRP 5113100081
First Supervisor
Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
Second Supervisor
Dini Adni Navastara, S.Kom., M.Sc.
DEPARTMENT OF INFORMATICS
FACULTY OF INFORMATION TECHNOLOGY
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
Page 6
vi
[Halaman ini sengaja dikosongkan]
Page 7
vii
LEMBAR PENGESAHAN
DETEKSI PENYAKIT EPILEPSI BERDASARKAN
DATA EEG MENGGUNAKAN EMPIRICAL MODE
DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY
LOGIC SYSTEM
TUGAS AKHIR
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Rumpun Mata Kuliah Komputasi Cerdas dan Visi
Jurusan Teknik Informatika
Fakultas Teknologi Informasi
Oleh
PUTRI NUR FITRIYANI
NRP: 5113 100 081
Disetujui oleh Pembimbing Tugas Akhir
Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.
NIP. 194908231976032001
…………………….
(pembimbing 1)
Dini Adni Navastara, S.Kom., M.Sc.
NIP. 198510172015042001
…………………….
(pembimbing 2)
SURABAYA
JUNI, 2017
Page 8
viii
[Halaman ini sengaja dikosongkan]
Page 9
ix
DETEKSI PENYAKIT EPILEPSI BERDASARKAN
DATA EEG MENGGUNAKAN EMPIRICAL MODE
DECOMPOSITION DAN INTERVAL TYPE-2 FUZZY
LOGIC SYSTEM
Nama : Putri Nur Fitriyani
NRP : 5113100081
Jurusan : Teknik Informatika – FTIf ITS
Dosen Pembimbing I : Prof. Ir. Handayani Tjandrasa,
M.Sc., Ph.D.
Dosen Pembimbing II : Dini Adni Navastara, S.Kom.,
M.Sc.
Abstrak
Epilepsi merupakan salah satu kelainan pada otak
manusia yang tidak dapat disembuhkan. Penyakit ini
menimbulkan kejang pada tubuh dan sangat mengganggu
aktivitas. Pada tingkat yang parah, epilepsi dapat
membahayakan nyawa penderitanya. Oleh sebab itu, epilepsi
harus dideteksi secara dini agar penderita segera mendapatkan
penanganan yang tepat sehingga keadaannya tidak memburuk.
Pada Tugas Akhir ini, deteksi epilepsi dilakukan
dengan menggunakan metode Empirical Mode Decomposition
dan Interval Type-2 Fuzzy Logic System. Hasil deteksi
diklasifikasikan ke dalam dua kelas, yaitu normal dan epilepsi.
Data rekaman electroencephalogram (EEG) yang digunakan
berasal dari ''Klinik für Epileptologie, Universität Bonn” yang
diperoleh secara online yang berjumlah 500 data terdiri dari
set A hingga set E.
Page 10
x
Data yang digunakan untuk pengujian pada percobaan
ini sebanyak 200 data yang terdiri dari 100 data EEG untuk
manusia sehat dan 100 data EEG untuk manusia penderita
epilepsi. Berdasarkan hasil uji coba, rata-rata akurasi terbaik
didapatkan sebesar 98.00% dengan menggunakan Intrinsic
Mode Fuction pertama, nilai parameter interval pada IT2FLS
1:10, dan nilai K fold cross validation K= 5.
Kata kunci : Epilepsi, Empirical Mode Decomposition,
Interval Type-2 Fuzzy Logic System, Klasifikasi, EEG
Page 11
xi
EPILEPSY DISEASE DETECTION BASED ON EEG
DATA USING EMPIRICAL MODE DECOMPOSITION
DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM
Student’s Name : Putri Nur Fitriyani
Registration Number : 5113100081
Department : Teknik Informatika – FTIf ITS
Supervisor I : Prof. Ir. Handayani Tjandrasa,
M.Sc., Ph.D.
Supervisor II : Dini Adni Navastara, S.Kom.,
M.Sc.
Abstract
Epilepsy is one of disorders in human brain that is
cannot be healed. This disease causes seizures that bothers
patients’ activities. In the worst condition, it endangers
patients’ life. Therefore , the epilepsy must be detected early
since the beginning so that patients get proper treatments
immediately to avoid worse condition.
In this undergraduate thesis, epilepsy detection was
built by using two methods; Empirical Mode Decomposition
and Interval Type-2 Fuzzy Logic System. The result of detection
was classified into 2 classes. They were normaland epileptic
seizure. While the electroencephalogram (EEG) recorddata
used was takenfrom ''Klinik für Epileptologie, Universität
Bonn” website that amounts to 500 data, which consist of set A
to set E.
The data used for testing in this experiment were 200
data, consist of 100 EEG data from healthy persons and 100
EEG data from epileptic patients. Our experiment uses first
Page 12
xii
IMF, IT2FLS interval of 1:10 and cross validation with K=5.
Based on our experiment, the method above gives an acurracy
of 98%.
Keywords : Epilepsy, Empirical Mode Decomposition,
Interval Type-2 Fuzzy Logic System, Classification, EEG
Page 13
i
KATA PENGANTAR
Alhamdulillahirabbil’alamin, segala puji bagi Allah SWT,
yang telah melimpahkan rahmat dan hidayah-Nya sehingga penulis
dapat menyelesaikan Tugas Akhir yang berjudul “DETEKSI
PENYAKIT EPILEPSI BERDASARKAN DATA EEG
MENGGUNAKAN EMPIRICAL MODE DECOMPOSITION
DAN INTERVAL TYPE-2 FUZZY LOGIC SYSTEM”. Bagi
penulis, pengerjaan Tugas Akhir ini merupakan sebuah
pengalaman yang berharga. Selama pengerjaan Tugas Akhir,
penulis dapat belajar lebih banyak untuk memperdalam dan
meningkatkan apa yang telah didapatkan penulis selama menjalani
perkuliahan di Teknik Informatika ITS dan Tugas Akhir ini adalah
implementasi dari apa yang telah penulis pelajari. Selesainya
Tugas Akhir ini tidak lepas dari bantuan dan dukungan beberapa
pihak. Sehingga pada kesempatan ini penulis mengucapkan syukur
dan terima kasih kepada:
1. Allah SWT dan Nabi Muhammad SAW.
2. Keluarga tercinta yang telah memberikan dukungan, doa,
motivasi, dan perhatian yang luar biasa tanpa henti selama
penulis mengerjakan Tugas Akhir ini.
3. Ibu Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. dan Ibu Dini
Adni Navastara, S.Kom., M.Sc. selaku pembimbing I dan II
yang telah membimbing dan membantu penulis serta
memberikan motivasi dalam menyelesaikan Tugas Akhir ini.
4. Gurat, Fendy dan Saddam yang telah menemani dan
menghibur penulis di saat sedang merasakan kebosanan saat
mengerjakan Tugas Akhir ini.
Page 14
ii
5. Serta semua pihak yang yang telah turut membantu penulis
dalam menyelesaikan Tugas Akhir ini.
Penulis menyadari bahwa Tugas Akhir ini masih memiliki banyak
kekurangan. Sehingga, penulis mengharapkan kritik dan saran
yang membangun dari pembaca untuk perbaikan ke depannya.
Surabaya, April 2017
Page 15
iii
DAFTAR ISI
Abstrak ix
Abstract ........................................................................................ xi
KATA PENGANTAR .................................................................... i
DAFTAR ISI ................................................................................iii
DAFTAR GAMBAR................................................................... vii
DAFTAR TABEL ........................................................................ ix
BAB I PENDAHULUAN ............................................................. 1
1.1. Latar Belakang ............................................................... 1
1.2. Rumusan Permasalahan ................................................. 3
1.3. Batasan Masalah ............................................................ 3
1.4. Tujuan ............................................................................ 3
1.5. Manfaat .......................................................................... 4
1.6. Metodologi .................................................................... 4
BAB II TINJAUAN PUSTAKA ................................................... 7
2.1. Penyakit Epilepsi ........................................................... 7
2.2. Electroencephalography (EEG) ..................................... 8
2.3. Empirical Mode Decomposition .................................. 10
2.4. Interval Type-2 Fuzzy Logic Systems (IT2FLS) ........ 13
2.5. K-Fold Cross Validation .............................................. 18
2.6. Metode Evaluasi Kinerja ............................................. 18
BAB III DESAIN SISTEM ......................................................... 21
3.1. Desain Umum Sistem .................................................. 21
Page 16
iv
3.2. Desain Data ................................................................. 23
3.2.1. Data Masukan ...................................................... 23
3.2.2. Data Keluaran ...................................................... 24
3.3 Ekstraksi Fitur Sinyal Hasil Empirical Mode
Decomposition ......................................................................... 25
3.4 Klasifikasi dengan Interval Type 2 Fuzzy Logic System
26
3.5 Uji Performa ................................................................... 30
BAB IV IMPLEMENTASI SISTEM .......................................... 33
4.1. Lingkungan Implementasi ........................................... 33
4.2. Implementasi Program ................................................. 33
4.2.1. Implementasi Dekomposisi Sinyal dengan
Empirical Mode Decomposition ............................................. 34
4.2.2. Implementasi Klasifikasi Dengan Interval Type-2
Fuzzy Logic System ............................................................... 35
4.2.3. Impelementasi Desain Antar Muka ..................... 40
BAB V UJI COBA DAN EVALUASI........................................ 42
5.1. Lingkungan Uji Coba .................................................. 43
5.2. Data Uji Coba .............................................................. 43
5.3. Preprocessing Data ...................................................... 44
5.4. Skenario Uji Coba ....................................................... 48
5.4.1. Skenario Uji Coba Jumlah Fitur .......................... 48
5.4.2. Skenario Uji Coba Nilai Parameter Interval ........ 49
5.4.3. Skenario Uji Coba Jumlah K-Fold Cross
Validation 54
Page 17
v
5.4.4. Skenario Uji Coba Perbandingan Performa Antara
IT1FLS dengan IT2FLS ......................................................... 55
5.5. Evaluasi Umum Skenario Uji Coba............................. 56
BAB VI PENUTUP .................................................................... 59
6.1. Kesimpulan .................................................................. 59
6.2. Saran ............................................................................ 60
DAFTAR PUSTAKA .................................................................. 61
LAMPIRAN ................................................................................ 63
BIODATA PENULIS .................................................................. 95
Page 18
vi
[Halaman ini sengaja dikosongkan]
Page 19
vii
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi pemasangan elektroda pada teknik 10-20 [4]
....................................................................................................... 9
Gambar 2.2 Contoh Hasil EMD [3] ............................................ 13
Gambar 2.3 Struktur model Type-1 Fuzzy Logic System [4] ...... 14
Gambar 2.4 Ilustrasi membership function IT2FLS [4] .............. 15
Gambar 2.5 Struktur model Interval Type-2 Fuzzy Logic System
[4] ................................................................................................ 16
Gambar 3.1 Diagram alir rancangan perangkat lunak secara
umum ........................................................................................... 22
Gambar 3.2 Contoh data masukan masing-masing data set [3] ... 24
Gambar 3.3 Diagram Alir Proses Dekomposisi Sinyal ............... 26
Gambar 3.4 Ilustrasi Membership Function Untuk Kelas 0 dan
Kelas 1 ......................................................................................... 27
Gambar 3.5 Diagram Alir Proses Klasifikasi IT2FLS ................ 29
Gambar 4.1 Ilustrasi Desain Antar Muka .................................... 41
Gambar 5.1 Ilustrasi pembagian data testing dan training untuk 5-
fold-cross-validation.................................................................... 44
Gambar 5.2 Hasil Dekomposisi Sinyal Manusia Sehat ............... 46
Gambar 5.3 Hasil Dekomposisi Sinyal Manusia Penderita
Epilepsi ........................................................................................ 47
Page 20
viii
[Halaman ini sengaja dikosongkan]
Page 21
ix
DAFTAR TABEL
Tabel 3.1 Kontruksi MF Data Training ....................................... 30
Tabel 3.2 Kontruksi Bagian Premis dari Rule ............................. 31
Tabel 3.3 Kontruksi Bagian Premis dari Rule ............................. 31
Tabel 3.4 Keluaran IT2FLS ......................................................... 31
Kode Sumber 4.1 Kode program membaca dan mendekomposisi
sinyal dengan EMD ..................................................................... 35
Kode Sumber 4.2 Kode sumber untuk konstruksi membership
function ........................................................................................ 37
Kode Sumber 4.3 Kode sumber untuk membagi data menjadi dua
kelas ............................................................................................. 37
Kode Sumber 4. 4 Kode sumber untuk penyusunan IT2FLS rule
bagian 2 ....................................................................................... 39
Kode Sumber 4.5 Kode sumber untuk pemanggilan fungsi
klasifikasi IT2FLS ....................................................................... 39
Tabel 5.1 Hasil Perhitungan Performa Uji Coba Jumlah Fitur .... 49
Tabel 5.2 Perbandingan Nilai Interval ......................................... 50
Tabel 5.3 Hasil Perhitungan Performa Nilai Interval Untuk Lima
Fitur ............................................................................................. 50
Tabel 5.4 Hasil Perhitungan Performa Nilai Interval Untuk Empat
Fitur ............................................................................................. 51
Tabel 5.5 Hasil Perhitungan Performa Nilai Interval Untuk Tiga
Fitur ............................................................................................. 51
Tabel 5.6 Hasil Perhitungan Performa Nilai Interval Untuk Dua
Fitur ............................................................................................. 52
Tabel 5.7 Hasil Perhitungan Performa Nilai Interval Untuk Satu
Fitur ............................................................................................. 53
Tabel 5.8 Rekap Hasil Uji Coba Interval Pada Setiap Jumlah Fitur
..................................................................................................... 53
Page 22
x
Tabel 5.9 Hasil Perhitungan Performa Uji Coba Jumlah K-Fold
Cross Validation .......................................................................... 54
Tabel 5.10 Hasil Perhitungan Performa Uji Coba Perbandingan
Performa Antara IT1FLS dengan IT2FLS ................................... 55
Tabel 5.11 Hasil Perbandingan Akurasi ...................................... 57
Page 23
1
BAB I
PENDAHULUAN
Pada bab ini akan dibahas mengenai latar belakang, rumusan
permasalahan, batasan masalah, tujuan, manfaat, metodologi dan
sistematika penulisan buku laporan Tugas Akhir ini.
1.1. Latar Belakang
Epilepsi merupakan salah satu kelainan yang terjadi pada
otak manusia. Ciri utama yang tampak adalah penderita mengalami
kejang dan kehilangan kesadaran. Kejang ini terjadi minimal dua
kali secara tiba-tiba tanpa sebab baik ringan maupun berat [1].
Penyebab secara pasti dari kelainan ini belum diketahui, namun
sebagian besar dari para penderita memiliki riwayat epilepsi dari
keluarga mereka sehingga bisa disebut dengan penyakit akibat
genetis. Selain itu epilepsi juga bisa disebabkan oleh penyakit lain
yang menyerang otak. Epilepsi bisa terjadi pada manusia di segala
umur. Namun, gejalanya sangat terlihat pada anak-anak dan lansia
di atas 65 tahun.
Epilepsi secara medis tidak dapat disembuhkan. Obat hanya
mampu mengontrol frekuensi terjadinya kejang dan juga tingkat
keparahan dari kejang tersebut. Namun perlu diwaspadai, pada
tingkat yang parah epilepsi bisa mengakibatkan kematian bagi
penderitanya. Selain dari sisi fisik, dampak negatif yang
ditimbulkan dari epilepsi bagi penderitanya yaitu psikis dan
kehidupan sosial. Secara psikis, penderita epilepsi akan merasa
tidak nyaman, gelisah bahkan depresi karena kejang yang terus-
menerus dialaminya. Sementara itu, kerugian yang diterima
penderita dalam kehidupan sosialnya yaitu adanya diskriminasi.
Penderita tidak akan diizinkan mengendarai kendaraan karena
dapat membahayakan diri sendiri maupun orang lain apabila secara
Page 24
2
tiba-tiba terjadi kejang saat berkendara. Lebih jauh lagi, di
beberapa negara, penderita epilepsi dilarang menikah [2]. Untuk
meminimalisir terjadinya hal-hal yang merugikan penderita maka
epilepsi perlu dideteksi sejak dini dan segera diberikan perawatan
yang tepat sehingga penderita bisa hidup layaknya manusia
normal.
Teknologi selalu berkembang setiap saat. Tidak dapat
dipungkiri, saat ini kehidupan manusia serba dimudahkan dengan
adanya teknologi begitu juga dengan dunia kedokteran.
Pengaplikasian yang sangat berguna yaitu adanya teknologi untuk
mendeteksi penyakit atau kelainan pada tubuh manusia. Salah satu
kelainan yang dapat dideteksi dengan teknologi yaitu epilepsi.
Sebelumnya, diagnosis dilakukan secara manual yaitu dengan
mengamati rekaman sinyal electroencephalogram (EEG) dari otak
[3]. Cara konvensional seperti ini membutuhkan waktu yang cukup
lama dan kurang efisien. Sehingga dibuatlah pendeteksi otomatis
data EEG yang diolah sedemikian rupa. Beberapa penelitian sudah
pernah dilakukan dengan menggunakan metode-metode yang
berbeda, baik preprocessing maupun klasifikasi, diantaranya
menggunakan algoritma Permutation Entropy dan Support Vector
Machine. Pada penggunaan Permutation Entropy dan Support
Vector Machine menghasilkan rata-rata keakuratan sebesar
84.18% dengan hanya menggunakan 2 kelas saja [4] [5].
Oleh karena itu, pada tugas akhir ini dilakukan
pengembangan sistem deteksi penyakit epilepsi berdasarkan data
EEG menggunakan Empirical Mode Decomposition dan Interval
Type-2 Fuzzy Logic System. Dalam proses pengembangan sistem
ini diperlukan beberapa tahapan proses yaitu preproccesing data,
normalisasi fitur, dan klasifikasi data. Data yang digunakan
sebagai masukan yaitu data rekam EEG otak manusia. Diharapkan
nilai akurasi pendeteksian bisa lebih baik dari penelitian yang
Page 25
3
sudah pernah dilakukan. Hal ini tentu akan membuat deteksi
menjadi lebih tepat sehingga penderita epilepsi bisa mendapatkan
perawatan yang sesuai.
1.2. Rumusan Permasalahan
Rumusan masalah yang akan dibahas dan diteliti dalam
tugas akhir ini adalah:
1. Bagaimana melakukan dekomposisi sinyal menggunakan
Empirical Mode Decomposition?
2. Bagaimana melakukan ekstraksi fitur data sinyal EEG dari
hasil dekomposisi?
3. Bagaimana melakukan klasifikasi fitur-fitur data sinyal
EEG dengan menggunakan Interval Type-2 Fuzzy Logic
System untuk mendeteksi penyakit epilepsi?
4. Bagaimana melakukan uji performa perangkat lunak yang
akan dibangun?
1.3. Batasan Masalah
Tugas akhir ini memiliki beberapa batasan terkait
perancangan sistem yang meliputi:
1. Dataset yang digunakan adalah data rekam sinyal EEG
manusia normal dan epilesi yang diambil dari Klinik fur
Epileptologie Universitat Bonn.
2. Model membership function yang digunakan pada metode
IT2FLS adalah triangular.
3. Pembangunan perangkat lunak menggunakan Matlab
R2014a.
4. Ada dua hasil klasifikasi, yaitu normal dan epilepsi.
1.4. Tujuan
Tujuan dari pembuatan tugas akhir ini adalah untuk
mengembangkan sistem deteksi penyakit epilepsi berdasarkan data
EEG otak manusia menggunakan Empirical Mode Decomposition
dan Interval Type-2 Fuzzy Logic System.
Page 26
4
1.5. Manfaat
Manfaat yang diperoleh dari pembuatan tugas akhir ini
adalah untuk memudahkan ahli kedokteran dalam proses diagnosis
apakah seseorang menderita epilepsi atau tidak. Semakin cepat
diketahui maka semakin cepat pula penanganan dan pengobatan
yang diberikan sehingga penderita bisa hidup selayaknya manusia
normal.
1.6. Metodologi
1. Penyusunan proposal tugas akhir
Proposal tugas akir ini berisi deskripsi pendahuluan dari
Tugas Akhir yang akan dibuat. Pendahuluan ini terdiri atas hal
yang menjadi latar belakang diajukannya usulan Tugas Akhir,
rumusan masalah yang diangkat, batasan masalah untuk Tugas
Akhir, dan manfaat dari hasil pembuatan Tugas Akhir. Selain itu
dijabarkan pula tinjauan pustaka yang digunakan sebagai
referensi pendukung pembuatan Tugas Akhir. Sub bab
metodologi berisi penjelasan mengenai tahapan penyusunan
Tugas Akhir mulai dari penyusunan hingga penyusunan Tugas
Akhir. Terdapat pula sub bab jadwal kegitan yang menjelaskan
jadwal pengerjaan Tugas Akhir.
2. Studi literatur
Tugas Akhir ini akan menggunakan literatur utama berupa
paper yang berasal dari jurnal internasional bereputasi yaitu
sciencedirect dengan judul Application of Empirical Mode
Decomposition and Artificial Neural Network For The
Classification of Normal and Epileptic EEG Signal dan EEG
signal classification for BCI applications by wavelets and
interval type-2 fuzzy logic systems. Selain itu akan digunakan
sejumlah referensi yang diperlukan dalam pembuatan aplikasi,
yaitu mengenai penyakit epilepsi, proses ekstraksi fitur, k-fold
cross validation, confusion matrix, dan normalisai.
Page 27
5
3. Analisis dan desain perangkat lunak
Untuk membangun perangkat lunak pendeteksi epilepsi ini
harus melalui beberapa tahap yaitu mendekomposisi data rekam
sinyal EEG sehingga data bersih dari sinyal lain. Lalu melakukan
ekstraksi fitur dari sinyal yang telah bersih agar data yang berupa
sinyal dapat diklasifikasi. Terakhir adalah melakukan klasifikasi
untuk mendapatkan model yang tepat. Selanjutnya perangkat
lunak bisa digunakan untuk melakukan pendeteksian epilepsi.
4. Implementasi algoritma pada sistem
Perangkat lunak ini akan dibangun dengan menggunakan
bahasa pemrograman dan kakas bantu Matlab R2014a dengan
fungsi yang sudah tersedia di dalamnya.
5. Pengujian dan evaluasi
Pengujian akurasi sistem yang dihasilkan dari tugas akhir ini
menggunakan metode K-fold cross validation. Dataset akan
dibagi menjadi K fold, kemudian pada sistem akan dilakukan
proses training dan testing sebanyak K kali iterasi. Dalam setiap
iterasi ke-i, fold ke-i akan digunakan sebagai testing set,
sedangkan (k-1) fold sisanya akan dipakai sebagai training set.
Proses ini akan dijalankan sampai semua fold terpakai sebagai
testing set, dan hasil akurasi setiap iterasi akan dicatat, serta dicari
rata-ratanya untuk menemukan hasil akurasi rata-rata dari sistem
yang dihasilkan dalam tugas akhir ini.
6. Penyusunan Buku Tugas Akhir
Pada tahap ini dilakukan penyusunan laporan yang
menjelaskan dasar teori dan metode yang digunakan dalam tugas
akhir ini serta hasil dari implementasi aplikasi perangkat lunak
yang telah dibuat. Sistematika penulisan buku tugas akhir secara
garis besar antara lain:
Page 28
6
1. Pendahuluan
a. Latar Belakang
b. Rumusan Masalah
c. Batasan Tugas Akhir
d. Tujuan
e. Metodologi
f. Sistematika Penulisan
2. Tinjauan Pustaka
3. Metodologi
4. Desain dan Implementasi
5. Uji Coba dan Evaluasi
6. Penutup
7. Daftar Pustaka.
Page 29
7
BAB II
TINJAUAN PUSTAKA
Dalam bab ini akan dijelaskan mengenai teori-teori yang
merupakan dasar dari pembangunan sistem. Selain itu terdapat
penjelasan yang menunjang pengerjaan Tugas Akhir ini sehingga
dapat memberikan gambaran secara umum sistem yang akan
dibangun.
2.1. Penyakit Epilepsi
Epilepsi merupakan salah satu penyakit saraf yang paling
umum dan berbahaya. Saat ini, penderita penyakit epilepsi sudah
lebih dari 50 juta orang diseluruh dunia. Pengontrolan kejang biasa
dilakukan dengan obat antiepilepsi yang berguna untuk
menurunkan morbiditas dan resiko kematian akibat penyakit ini.
Salah satu aspek yang paling susah disembuhkan dari peyakit
epilepsi adalah ketidakpastian terjadinya kejang pada seorang
penderita. Menurut penelitian, penurunan kesadaran secara tiba-
tiba dapat mengancam nyawa seseorang, terutama jika terjadi pada
saat orang tersebut sedang mengemudi, berenang, atau sendirian.
Rasa malu karena terjadi kejang yang tidak pasti dapat
menyebabkan hilangnya rasa kesejahteraan sosial dari penderita
[6].
Serangan penyakit epilepsi diyakini dapat kambuh secara
tiba-tiba tanpa adanya gejala yang jelas. Serangan kejang
paroksismal berulang dua kali atau lebih tanpa penyebab yang jelas
dengan interval serangan lebih dari 24 jam, akibat lepas muatan
listrik berlebihan di neuron otak [7]. Sedangkan sindrom epilepsi
adalah epilepsi yang ditandai adanya sekumpulan gejala dan tanda
klinis yang terjadi bersama-sama, meliputi jenis serangan, etiologi,
anatomi, faktor pencetus, umur onset, berat penyakit, dan
kronisitas penyakit [8] [9].
Meskipun epilepsi adalah diagnosis klinis,
elektroensefalografi (EEG) merupakan pemeriksaan yang sangat
Page 30
8
penting untuk konfirmasi diagnosis epilepsi, menentukan
klasifikasi epilepsi, melihat fokus epileptogenik, evaluasi hasil
terapi, dan menentukan prognosis [10] [11]. Pemeriksaan EEG
juga sangat diperlukan untuk menyingkirkan kemungkinan adanya
gangguan yang menyerupai epilepsi seperti sinkope, henti nafas
sejenak (breath holding speell), migrain dan sebagainya, yang
sering membuat epilepsi salah diagnosis/overdiagnosis [12] [13]
[14] [15].
Menurut penilitian hemodinamik yang dilakukan pada
seseorang yang menderita epilepsi menunjukkan terjadinya
peningkatan aliran darah yang signifikan beberapa menit sebelum
terjadi kejang. Berdasarkan hal tersebut, rekaman EEG dari
seseorang penderita dapat digunakan untuk mengidentifikasi
perilaku kejang yang mungkin terjadi [3].
2.2. Electroencephalography (EEG)
Electroencephalography pada dasarnya merupakan sebuah
metode atau teknik perekaman aktivitas otak. Objek yang direkam
adalah hasil aktivitas bioelektrikal neuron-neuron pada lapisan
cortex cerebrum. Hasil rekaman yang didapat melalui metode ini
berupa sinyal gelombang otak, yang berada pada range tegangan 5-
100 mV [4].
Sinyal EEG ditangkap melalui sensor-sensor pada elektroda
yang dapat terpasang baik secara invasif maupun non-invasif.
Pemasangan secara invasif memerlukan adanya implan elektroda-
elektroda pada bagian-bagian otak yang ingin diamati responnya
secara langsung. Metode ini menghasilkan sinyal yang lebih bersih
terhadap noise spasial, karena sinyal yang didapat berasal dari
bagian otak yang terkait secara langsung. Hanya saja pada
praktiknya pemasangan secara sangat jarang dilakukan terkait
dengan besarnya usaha dan biaya yang diperlukan, serta masalah-
masalah terkait jaminan keamanannya [4].
Sedangkan pada metode pemasangan secara non-invasif,
channel-channel elektroda diletakkan di sekeliling tempurung
kepala, sehingga memungkinkan sinyal gelombang otak tetap
Page 31
9
diperoleh. Kelemahan metode ini ada pada sinyal yang dihasilkan,
dimana selalu terdapat inferensi antar hasil perekaman satu channel
dengan channel lainnya. Namun karena kemudahan pengaturan
implementasi, serta keamanannya, metode ini lebih dianjurkan dan
sering dipakai [4].
Salah satu teknik Electroencephalography yang paling
populer sekaligus dijadikan standardisasi secara international
adalah The International 10-20 System. Teknik ini memiliki fungsi
utama untuk mendeskripsikan atau melakukan pemasangan
elektroda-elektroda pada kepala manusia, dalam sebuah penelitian
atau eksperimen yang menyangkut BCI maupun EEG. Tujuan
adanya standardisasi dengan sistem 10-20 ini adalah agar ada
standar yang sama, yang dapat diterapkan pula pada penelitian-
penelitian selanjutnya. Hal ini akan memungkinkan subyek serta
metode yang digunakan dapat diperbandingkan dengan penelitian
serumpun dari waktu ke waktu, terlepas dari perbedaan
karakteristik maupun algoritma translasi yang digunakan. Nilai 10-
20 pada teknik ini merujuk pada fakta dimana pemasangan
elektroda-elektroda dilakukan sedemikian rupa hingga jarak
masing-masingnya adalah sekitar 10-20% dari jarak keseluruhan
elektroda. Gambar 2.1 menunjukkan ilustrasi implementasi teknik
ini [4].
Gambar 2.1 Ilustrasi pemasangan elektroda pada teknik 10-20 [4]
Page 32
10
Dalam Gambar 2.1, setiap huruf melambangkan sebuah
lokasi khusus pemasangan elektroda pada daerah kepala. Huruf F
melambangkan daerah frontal, T melambangkan temporal, C
melambangkan central, P untuk daerah parietal, dan O untuk
occipital. Angka genap seperti 2, 4, 6, dan 8 digunakan pada daerah
sebelah kanan kepala, sedangkan angka ganjil seperti 1, 3, 5, dan 7
untuk daerah sebelah kiri. Konsonan z, yang berarti zero, merujuk
pada elektroda yang terletak di garis tengah. Huruf A yang pada
kedua ujung sistem merujuk pada daerah telinga [4].
Salah satu metode yang dianjurkan untuk membantu
diagnostik epilepsi adalah merekam aktivitas kelistrikan otak
melalui rekaman elektroensepalogram(EEG). Diagnosis terhadap
rekaman EEG sering dilakukan domain waktu dengan melihat
bentuk gelombang, ketajaman gelombang atau kompleksitas
gelombang. Analisis dalam domain frekuensi jarang dilakukan,
oleh karena visualisasi dalam domain frekuensi seringkali tidak
mudah untuk membedakan penderita epilepsi dengan penderita
normal [3].
Pada tugas akhir ini, dataset yang digunakan adalah data
sinyal otak manusia (EEG) yang diunduh dari website milik
''Klinik für Epileptologie, Universität Bonn''. Data ini terdiri dari 5
set rekaman EEG (A-E) yang mana setiap set berisi 100 data sinyal
otak single-channel masing-masing data berdurasi 23,6 detik dan
dengan frekuensi 173.61 Hz serta 4097 nilai [3]. Kelima data set
tersebut diambil dari orang-orang yang berbeda dengan kondisi
yang berbeda pula. Hasil sinyal EEG yang diperoleh kemudian
diproses melalui sistem yang disusun, sehingga dapat
menghasilkan keluaran berupa kelas epilepsi yang dimaksud.
2.3. Empirical Mode Decomposition
Proses yang digunakan pada Empirical Mode
Decomposition (EMD) disebut sifting process. Konsep dasar dari
EMD adalah untuk mengidentifikasi skala waktu yang tepat yang
dapat menunjukkan karakteristik fisik sinyal, dan kemudian
mengubah sinyal ke mode intrinsik dengan fungsi, yang disebut
Page 33
11
sebagai Intrinsic Mode Function (IMF) [3]. Dua persyaratan yang
harus di penuhi dari IMF antara lain:
1. Jumlah nilai ekstrim dan nilai nol harus sama, apabila
terjadi perbedaan maka paling besar bernilai satu [3].
2. Nilai rata-rata dari data berada di antara upper envelope
dan lower envelope [3].
Sebuah sinyal x(t) dapat dinyatakan dalam fungsi IMFs
sebagai berikut :
𝑥(𝑡) = ∑ 𝑖𝑚𝑓𝑚(𝑡) + 𝑟𝑚(𝑡)𝑀𝑚=1 (1)
Dimana 𝑀 merupakan jumlah IMFs, 𝑖𝑚𝑓𝑚(𝑡) sebagai fungsi IMF,
dan 𝑟𝑚(𝑡) merupakan residu akhir dari sebuah sinyal.
Untuk mendeteksi nilai IMFs dari sebuah sinyal 𝑥(𝑡) dapat
dilakukan dengan langkah-langkah sebagai berikut:
1. Inisialisasi 𝑚 = 0 dan 𝑟(𝑡) = 𝑥(𝑡)
2. Mencari nilai lokal terkecil dan lokal terbesar dari sebuah
sinyal 𝑥(𝑡).
3. Menghitung upper envelope 𝑒𝑢(𝑡) dan lower envelope 𝑒𝑙(𝑡)
dengan cara menghubungkan setiap nilai terkecil dan
terbesar dengan interpolasi cubic spline.
4. Menghitung rata-rata 𝑀𝑛(𝑡), menggunakan rumus berikut
ini :
𝑀𝑛(𝑡) = 𝑒𝑙(𝑡)+𝑒𝑢(𝑡)
2 (2)
5. Ekstraksi h(t), menggunakan rumus berikut ini:
ℎ(𝑡) = 𝑥(𝑡) − 𝑀𝑛(𝑡) (3)
Page 34
12
Jika ℎ(𝑡) memenuhi persayaratan IMF maka 𝑚 = 𝑚 + 1,
𝑖𝑚𝑓𝑚(𝑡) = ℎ(𝑡) dan dapat dilanjutkan ke langkah
berikutnya. Namun, jika nilai ℎ(𝑡) maka ulangi langkah 2
sampai 5.
6. Mendefinisikan nilai 𝑟(𝑡) sebagai berikut:
𝑟(𝑡) = 𝑟(𝑡) − 𝑖𝑚𝑓𝑚(𝑡) (4)
Jika 𝑟(𝑡) merupakan fungsi monoton, maka langkah ini sudah
selesai. Namun, jika nilai 𝑥(𝑡) = 𝑟(𝑡) maka ulangi langkah 2
sampai 6.
Dari proses dekomposisi sinyal dengan EMD didapatkan
data sinyal EEG yang berdimensi besar. Hal ini menyebabkan
proses klasifikasi pada data nantinya akan berjalan tidak efektif,
karena waktu pemrosesan akan sangat panjang, terkait dengan
besarnya dimensi, serta hasil akurasi pun akan rendah akibat
adanya percampuran nilai informasi antar fitur. Ektraksi fitur
berfungsi untuk mereduksi dimensi yang besar dan tidak efisien
pada data yang ada, sehingga menghasilkan fitur hasil ektraksi
yang tetap mengandung nilai informasi yang tinggi dari data
mentah, namun dengan jumlah dimensi yang lebih kecil dan efektif
ketika akan diklasifikasi.
Hasil dekomposisi sinyal dengan EMD yaitu fungsi IMF
yang digunakan untuk ekstraksi fitur dari setiap kelas. Proses
ektraksi fitur dilakukan dengan menghitung standard deviation
dari setiap fungsi IMF. Contoh hasil dekomposisi sinyal EEG otak
manusia dari IMF 1 hingga 4 dan sebuah residu ditunjukkan pada
Gambar 2.2 di bawah ini.
Page 35
13
Gambar 2.2 Contoh Hasil EMD [3]
2.4. Interval Type-2 Fuzzy Logic Systems (IT2FLS)
Klasifikasi merupakan suatu proses mengidentifikasi kelas
pada suatu hasil observasi. Dalam konteks yang dibahas pada tugas
akhir ini, klasifikasi berhubungan dengan identifikasi penyakit
epilepsi pada sebuah trial. Setiap trial terdiri dari sinyal-sinyal
EEG single channel elektroda pada jangka waktu tertentu. Metode
klasifikasi yang dipakai dalam tugas akhir ini adalah Interval Type-
2 Fuzzy Logic System. Pada dasarnya metode ini merupakan
pengembangan dari metode Fuzzy Inference System atau yang juga
disebut sebagai Type-1 Fuzzy Logic System.
Fuzzy merupakan sebuah keadaan atau sifat yang tidak
dapat didiskriminasi secara jelas atau pasti (contoh: agak benar,
agak salah; bandingkan dengan: benar, salah). Fuzzy logic system
merupakan model mekanisme yang mengadopsi prinsip fuzzy ini,
sehingga telah banyak digunakan sebagai classifier karena
Page 36
14
kemampuannya menangani data yang bersifat ambigu, nonlinier,
maupun mengandung banyak noise [4].
Sebuah fuzzy logic system disebut sebagai Type-1 Fuzzy
Logic System (T1FLS) apabila menggunakan type-1 fuzzy set
(T1FS) dalam seluruh implementasinya. T1FLS sebenarnya
merupakan bentuk Fuzzy Inference System (FIS) yang umum
dikenal dan diaplikasikan saat ini. Struktur proses-proses pada
model ini dapat dilihat pada Gambar 2.3 di atas dimana T1FS
digunakan pada bagian fuzzyfier [4].
Gambar 2.3 Struktur model Type-1 Fuzzy Logic System [4]
Pada tahap ini membership function dikonstruksi, dimana
setiap nilai membership degree ini hanya terdiri dari satu dimensi,
yang kemudian disebut sebagai T1FS. Karena seluruh proses
fuzzifikasi menggunakan T1FS, maka proses inferensi oleh
Page 37
15
rulebase pun juga terdiri dari T1FS pada bagian premis dan
konsekuennya. Demikian pula dengan proses defuzzifikasinya,
dimana hasil keluaran dalam bentuk T1FS langsung dikonversi
kembali ke dalam bentuk crisp number atau nilai mentah data [4].
Sebuah fuzzy logic system yang terdiri dari paling sedikit satu
fuzzy set tipe 2 (T2FS), disebut Type-2 fuzzy logic system (T2FLS).
T2FLS banyak dikembangkan karena lebih memiliki kebebasan
dalam desain implementasinya. Perbedaan utama antara T2FLS
dengan T1FLS ada pada penggunaan T2FS pada bagian fuzzy rule
dan pemrosesan keluarannya. Hal ini pula yang menyebabkan
kompleksitas komputasi sebuah sistem bertambah, sehingga
dikembangkan sebuah model lain dari T2FLS, yang disebut
interval type-2 fuzzy logic system (IT2FLS) [4].
Gambar 2.4 Ilustrasi membership function IT2FLS [4]
Gambar 2.5 menunjukkan perbedaan antara T1FLS biasa
dengan T2FLS, secara khusus IT2FLS. Salah satu perbedaannya
adalah IT2FLS lebih menekankan pada penggunaan representasi
interval pada membership function-nya, daripada penggunaan fuzzy
set tipe 2 pada T2FLS. Implementasi IT2FLS pada tugas akhir ini
sendiri mengaplikasikan IT2 fuzzy set pada bagian membership
function dan T1 fuzzy set pada bagian keluaran fuzzy rule. Ilustrasi
representasi membership function dalam bentuk IT2FLS ini dapat
dilihat pada Gambar 2.4, dimana upper membership function-nya
berbentuk trapezoidal, dan lower membership function berbentuk
Page 38
16
triangular. Daerah diarsir berwarna abu-abu menunjukkan daerah
interval atau footprint of uncertainty (FOU) [4].
Gambar 2.5 Struktur model Interval Type-2 Fuzzy Logic System [4]
Jika diasumsikan terdapat rule sebanyak K dan premis
sebanyak p, maka fuzzy rule ke-n dapat digambarkan pada
persamaan 9.
𝐑𝒏: IF 𝑥1 is �̃�1𝑛 and … and 𝑥𝑝 is �̃�𝑝
𝑛, THEN 𝑦 𝑖𝑠 𝑌𝑛 (9)
n = 1, …, K, sedangkan �̃�𝑖𝑛 adalah IT2FS ke-i, yang didefinisikan
dengan lower dan upper bound membership function pada
Page 39
17
persamaan 10 dan 𝑌𝑛 = [ 𝑦𝑛, 𝑦𝑛
] yang merupakan interval
keluaran dalam bentuk T1FS.
�̃�𝑖𝑛(𝑥𝑖) = [𝜇�̃�𝑖
𝑛(𝑥𝑖), 𝜇�̃�𝑖
𝑛(𝑥𝑖) ] (10)
Setelah diperoleh lower dan upper bound membership degree
untuk setiap 𝑥𝑖 pada masukan vektor 𝑥 = (𝑥1, 𝑥2, … , 𝑥𝑝),
dihitung pula hasil inferensi IT2FLS rule dengan melibatkan
interval firing strength fuzzy rule 𝐹𝑛 = [𝑓𝑛, 𝑓̅𝑛], dimana:
𝑓𝑛 = 𝜇�̃�𝑖𝑛(𝑥1) ∗ 𝜇�̃�𝑖
𝑛(𝑥2) ∗ … ∗ 𝜇�̃�𝑖𝑛(𝑥𝑝) (11)
𝑓̅𝑛 = 𝜇�̃�𝑖
𝑛(𝑥1) ∗ 𝜇�̃�𝑖
𝑛(𝑥2) ∗ … ∗ 𝜇�̃�𝑖
𝑛(𝑥𝑝) (12)
Keluaran final dari model IT2FLS ini didapat dari proses
defuzifikasi dengan melakukan perhitungan kombinasi semua
keluaran dari rule sebanyak K berdasarkan persamaan (15), dimana
𝑌𝑙 merupakan batas bawah interval keluaran yang dihitung
berdasarkan persamaan (13) dan 𝑌𝑟 merupakan batas atas interval
keluaran yang dihitung berdasarkan persamaan (14). 𝑌𝑙 dan 𝑌𝑟
diperoleh dari proses type-reducer.
𝑌𝑙 =∑ 𝑓
𝑛𝑦𝑛 + ∑ 𝑓𝑛𝑁
𝑛=𝑘+1 𝑦𝑛𝑘𝑛=1
∑ 𝑓𝑛
+ ∑ 𝑓𝑛𝑁𝑛=𝑘+1 𝑘
𝑛=1
𝑌𝑟 =∑ 𝑓𝑛𝑦
𝑛+ ∑ 𝑓
𝑛𝑦
𝑛𝑁𝑛=𝑘+1
𝑘𝑛=1
∑ 𝑓𝑛 + ∑ 𝑓𝑛
𝑁𝑛=𝑘+1 𝑘
𝑛=1
(13)
(14)
Page 40
18
𝑦 =𝑌𝑙+𝑌𝑟
2 (15)
2.5. K-Fold Cross Validation
K-Fold Cross Validation adalah sebuah metode untuk
menguji suatu perangkat lunak dengan sejumlah dataset. Pada K-
Fold Cross Validation membagi data menjadi K data set yang bebas
[6]. Sejumlah K-1 data digunakan sebagai data latih sedangkan
sisanya menjadi data uji. Pengujian ini diulangi sebanyak K kali
hingga semua set pernah menjadi data uji dan data latih. Nilai
akurasi yang sudah didapat kemudian dihitung rata-ratanya sebagai
nilai akurasi akhir.
2.6. Metode Evaluasi Kinerja
Proses klasifikasi yang dilakukan pada tugas akhir ini akan
menghasilkan keluaran berupa kelas-kelas yang diidentifikasi pada
setiap data yang diuji pada classifier Interval Type-2 Fuzzy Logic
System (IT2FLS) yang diimplementasikan. Evaluasi terhadap
performa atau kinerja IT2FLS ini dilakukan dengan melakukan
penghitungan nilai akurasi yang diperoleh.
Pada penempatan setiap data ke kelas yang diidentifikasi
oleh sistem, akan dihitung jumlah proses identifikasi yang benar,
yaitu ketika suatu data dengan kelas “0” diklasifikasikan sebagai
kelas “0”, dan data kelas “1” diklasifikasi sebagai kelas “1”.
Penghitungan pada bagian ini akan mengikuti persamaan 17.
𝐴𝑐𝑐 =𝑇0+𝑇1
𝑁 (16)
Berdasarkan persamaan 16 di atas, variabel hasil Acc merupakan
hasil akurasi klasifikasi yang didapat, T0 merupakan jumlah hasil
Page 41
19
klasifikasi benar untuk kelas “0”, T1 merupakan hasil klasifikasi
benar untuk kelas “1”, dan N merupakan jumlah data yang diuji
atau diklasifikasikan.
Pada tugas akhir ini, hasil akurasi klasifikasi yang dilakukan
akan dikalkulasi untuk beberapa data testing berbeda. Metode yang
digunakan untuk melakukan evaluasi ini adalah K-fold-cross
validation.
K-fold cros-validation merupakan metode pengujian atau
evaluasi yang digunakan pada tugas akhir ini. Tujuan
diimplementasikannya metode ini adalah untuk memperoleh hasil
akurasi rata-rata, dari klasifikasi terhadap beberapa testing data
berbeda yang terbagi dalam beberapa fold. Proses pengujian
beberapa fold yang berbeda ini akan menghasilkan hasil yang
diharapkan merepresentasikan performa sistem klasifikasi ini
secara keseluruhan.
Pada k-fold cros-validation, pertama-tama keseluruhan
dataset yang ada dibagi menjadi sebanyak k fold. Selanjutnya
terhadap setiap fold dilakukan proses iterasi dimana fold ke-i akan
berperan sebagai data testing, sedangkan k-1 fold sisanya menjadi
data training. Iterasi pengujian dilakukan sebanyak k kali, sampai
semua fold terpakai sebagai training untuk classifier. Pada setiap
iterasi dicatat hasil akurasi yang didapatkan, kemudian dicari rata-
rata akhir akurasi dari kelima percobaan iterasi yang dilakukan [6].
Hasil akurasi akhir ini menunjukkan tingkat kesesuaian
prediksi gerakan motorik yang dilakukan classifier IT2FLS,
berdasarkan input dataset EEG yang ada.
Page 42
20
[Halaman ini sengaja dikosongkan]
Page 43
21
BAB III
DESAIN SISTEM
Pada bab ini akan dijelaskan mengenai rancangan sistem
perangkat lunak yang akan dibuat. Perancangan yang dijelaskan
meliputi data dan proses. Data yang dimaksud adalah data yang
akan diolah dalam perangkat lunak kemudian digunakan sebagai
pembelajaran maupun pengujian sehingga tujuan Tugas Akhir ini
bisa tercapai. Proses yaitu tahap-tahap yang ada dalam sistem
sebagai pengolah data meliputi Empirical Mode Decompotition
dan Interval Type 2 Fuzzy Logic System.
3.1. Desain Umum Sistem
Rancangan perangkat lunak deteksi penyakit epilepsi dengan
menggunakan Empirical Mode Decompotition (EMD) dan Interval
Type 2 Fuzzy Logic System (IT2FLS) dimulai dengan melakukan
preprocessing yaitu dekomposisi sinyal dan ekstraksi fitur. Proses
dekomposisi sinyal dilakukan dengan menggunakan metode EMD.
Setiap data sinyal otak manusia yang menjadi masukan akan
menghasilkan beberapa Intrinsik Mode Function (IMF) yang
bersifat monoton dan satu nilai residu dari sinyal tersebut. Fungsi
IMF yang dihasilkan memiliki nilai amplitudo yang berbeda-beda
yang akan berpengaruh pada proses selanjutnya. Pemilihan
pengambilan fungsi IMF harus diperhatikan sesuai dengan
karakteristik sinyal yang sebenarnya.
Proses ekstraksi fitur dari satu rekaman sinyal otak manusia
yang telah terdekomposisi, dilakukan dengan cara mengambil nilai
standard deviation dari setiap fungsi IMF. Keluaran dari tahap di
atas adalah data set baru yang siap digunakan untuk data masukan
pada tahap selanjutnya yaitu klasifikasi menggunakan IT2FLS.
Data tersebut akan dibagi menjadi dua yaitu, data pembelajaran dan
data pengujian. Dari proses klasifikasi tersebut akan didapatkan
nilai performa sistem yang telah dibuat. Data pembelajaran akan
menghasilkan sebuah model klasifikasi yang
Page 44
22
akan digunakan untuk proses pengujian performa. Pengujian
performa dilakukan dengan menggunakan metode K-Fold Cross
Validation seperti yang telah dijelaskan pada bab sebelumnya
dengan parameter yang berbeda-beda sesuai dengan skenario.
Diagram alir desain umum perangkat lunak ditunjukkan pada
Gambar 3.1 berikut ini.
Gambar 3.1 Diagram alir rancangan perangkat lunak secara umum
Page 45
23
3.2. Desain Data
Pada sub bab ini akan dijelaskan mengenai data yang
digunakan sebagai masukan perangkat lunak. Data tersebut akan
diolah dan dilakukan pengujian sehingga menghasilkan data
keluaran yang diharapkan.
3.2.1. Data Masukan
Data masukan adalah data yang digunakan sebagai masukan
awal dari sistem. Pada percobaan yang dilakukan untuk perangkat
lunak deteksi penyakit epilepsi dengan menggunakan Empirical
Mode Decompotition dan Interval Type 2 Fuzzy Logic System
adalah data sinyal otak manusia (EEG) yang dapat diunduh dari
website milik ''Klinik für Epileptologie, Universität Bonn''. Data
tersebut terdiri dari lima set rekaman EEG yaitu set A, B, C, D, dan
E. Dari setiap set berisi 100 data sinyal otak single-channel yang
masing-masing data berdurasi 23,6 detik dan dengan menggunakan
frekuensi 173.61 Hz serta menghasilkan 4097 nilai. Kelima data
set tersebut diambil dari orang yang berbeda dengan kondisi yang
berbeda pula. Secara kasat mata, keseluruhan data telah diperiksa
ada tidaknya derau pada setiap sinyal yang dihasilkan [3].
Proses perekaman untuk data set A dan set B diambil dari
sukarelawan yang sehat namun dengan kondisi yang berbeda. Data
set A direkam dengan keadaan mata terbuka sedangkan set B
dengan keadaan mata tertutup. Data set C, set D, dan set E
merupakan data sinyal otak dari pasien penderita epilepsi. Sama
halnya dengan data set A dan set B, perekaman dilakukan dalam
kondisi yang berbeda. Data set C diambil dari pasien penderita
epilepsi tidak kejang dengan keadaan mata terbuka sedangkan set
D diambil dari pasien penderita epilepsi tidak kejang dengan
keadaan mata terbuka. Untuk data set E merupakan sinyal otak
pasien yang diambil ketika sedang dalam keadaan kejang.
Page 46
24
Berdasarkan penjelasan di atas dapat disimpulkan bahwa ada 200
data sinyal otak manusia sehat, 200 data sinyal otak manusia
penderita epilepsi tidak kejang, dan 100 data sinyal otak manusia
pederita epilepsi kejang [3]. Contoh sinyal dari masing-masing
data set mulai A hingga E secara berurutan ditunjukkan pada
Gambar 3.2 di bawah ini.
Gambar 3.2 Contoh data masukan masing-masing data set [3]
3.2.2. Data Keluaran
Data masukan akan diproses dengan menggunakan metode
Empirical Mode Decomposition dan Interval Type 2 Fuzzy Logic
System (IT2FLS). Pada metode klasifikasi IT2FLS, data akan
dibagi menjadi dua yaitu data pembelajaran dan pengujian. Hasil
dari proses klasifikasi tersebut adalah nama kelas dan nilai-nilai
performa yaitu nilai accuracy.
Page 47
25
3.3 Ekstraksi Fitur Sinyal Hasil Empirical Mode
Decomposition
Pada tahap ini data masukan yang digunakan adalah data
sinyal EEG mentah yang diperoleh dari website. Data tersebut akan
dilakukan pemrosesan dengan cara didekomposisi menjadi
Intrinsik Mode Function (IMF) dan satu buah residu. Setiap sinyal
EEG dapat terdekomposisi menjadi fungsi IMF dengan jumlah
yang berbeda-beda, namun tetap menghasilkan satu buah residu.
Untuk alur proses dekomposisi sinyal dengan EMD dapat dilihat
pada Gambar 3.3.
Setiap fungsi IMF memiliki nilai amplitudo yang berbeda-
beda. Nilai amplitudo akan berbanding terbalik dengan fungsi IMF,
semakin besar nilai fungsi IMF maka semakin kecil nilai ampiltudo
yang dihasilkan. Berdasarkan studi literatur yang digunakan pada
tugas akhir ini disebutkan bahwa fungsi IMF yang memiliki
karakteristik menyerupai sinyal asli EEG otak manusia yaitu fungsi
IMF satu hingga lima.
Setelah dihasilkan sinyal EEG yang telah terdekomposisi,
maka tahap selanjutnya akan dilakukan proses ekstraksi fitur.
Setiap fungsi IMF hasil dekomposisi akan dihitung nilai standard
deviation. Sehingga pada setiap satu data sinyal EEG akan
menghasilkan lima nilai standard deviation yang dijadikan fitur.
Seluruh fitur dalam sebuah dataset dijadikan satu ke dalam matriks
penampung. Setiap satu data sinyal EEG yang memiliki lima nilai
fitur akan disimpan dalam matriks penampung sebagai satu baris
baru. Sehingga, jika satu sinyal awal menghasilkan lima fitur dan
satu label kelas, maka akan dihasilkan matriks baru berukuran N x
F, dimana N adalah jumlah trial untuk masing-masing kelas,
sedangkan F adalah jumlah fitur yang dihasilkan dari proses
ekstraksi fitur.
Page 48
26
Gambar 3.3 Diagram Alir Proses Dekomposisi Sinyal
3.4 Klasifikasi dengan Interval Type 2 Fuzzy Logic System
Interval Type-2 Fuzzy Logic System (IT2FLS) merupakan
classifier yang dipilih pada tugas akhir ini karena kemampuannya
dalam menangani ketidakpastian antara batas sebuah kelas dengan
kelas lainnya. Ketidakpastian ini terletak pada data sinyal EEG
untuk manusia normal dengan penderita epilepsi kejang. Data
masukan komponen dari hasil Empirical Mode Decomposition
pada proses ekstraksi fitur akan difuzzifikasi, dengan tujuan
mencari keluaran hasil inferensinya berdasarkan fuzzy rule yang
dihasilkan. Keluaran yang dihasilkan pada tahap klasifikasi ini
adalah dua kelas yaitu manusia sehat atau penderita epilepsi.
Untuk model IT2FLS ini, jumlah rule yang akan dibuat
adalah sejumlah trial yang dijadikan sebagai training data,
Page 49
27
sedangkan jumlah masukan pada bagian premis setiap rule
mengikuti jumlah komponen hasil ekstraksi fitur pada tahap
sebelumnya. Bagian konsekuen dari rule akan berisi nilai “0” atau
“1” tergantung kelas trial-nya, dimana nilai “0” untuk manusia
sehat, dan nilai “1” untuk penderita epilepsi kejang.
Pertama dilakukan proses kontruksi membership function
(mf) untuk setiap rule yang akan mewakili setiap training trial.
Pada IT2FLS ini terdapat dua mf, yaitu lower mf dan upper mf.
Kedua mf ini merupakan karakteristik utama IT2FLS. Bentuk mf
yang akan digunakan adalah trapezoidal. Untuk membership
function untuk kelas 0, lower mf diambil dari nilai komponen
(fitur) dikurangin nilai standard deviation komponen. Sedangkan
upper mf nya diambil dari nilai komponen (fitur) dikurangin lima
kali nilai standard deviation komponen. Ilustrasi membership
fumction bentuk trapezoidal terdapat pada Gambar 3.4.
Gambar 3.4 Ilustrasi Membership Function Untuk Kelas 0 dan Kelas 1
Berdasarkan Gambar 3.3, untuk membership function kelas 0, nilai
P2, P3, P6, P7 diambil dari nilai komponen (fitur) pada setiap data
kelas 0. Nilai P3 (lower mf kelas 0) didapatkan dari nilai komponen
(fitur) dikurangi nilai standard deviation komponen. Nilai P8
(lower mf kelas 0) didapatkan dari nilai komponen (fitur) ditambah
nilai standard deviation komponen. Nilai P1 (upper mf kelas 0)
didapatkan dari nilai komponen (fitur) dikurangi 5 kali nilai
standard deviation komponen. Nilai P4 (upper mf kelas 0)
P1 P5 P2 P6 P7 P3 P8 P4
P9
1
Page 50
28
didapatkan dari nilai komponen (fitur) ditambah 5 kali nilai
standard deviation komponen.
Sedangkan untuk membership function kelas 1, nilai P2, P3,
P6, P7 diambil dari nilai komponen (fitur) pada setiap data kelas 0.
Nilai P3 (lower mf kelas 1) didapatkan dari nilai komponen (fitur)
dikurangi nilai standard deviation komponen. Nilai P8 (lower mf
kelas 1) didapatkan dari nilai komponen (fitur) ditambah nilai
standard deviation komponen. Nilai P1 (upper mf kelas 1)
didapatkan dari nilai komponen (fitur) dikurangi 0,5 kali nilai
standard deviation komponen. Nilai P4 (upper mf kelas 1)
didapatkan dari nilai komponen (fitur) ditambah 0,5 kali nilai
standard deviation komponen.
Setelah proses ini dilakukan, akan terdapat dua matriks
terpisah yaitu matriks membership function untuk kelas 0 (Mf0)
dan membership function untuk kelas 1 (Mf1). Masing-masing
matriks akan berdimensi N x P, dimana N adalah jumlah trial untuk
masing-masing kelas, sedangkan P adalah poin-poin yang
diperlukan untuk mf berbentuk trapezoidal yaitu P1, P2, P3, P4, P5,
P6, P7, P8.
Setelah mf untuk setiap komponen pada setiap trial selesai
dikonstruksi, maka akan disusun rule yang mewakili setiap trial-
nya. Pada setiap rule akan terdapat dua bagian utama, yaitu bagian
premis dan bagian konsekuen. Pada bagian premis akan disusun mf
setiap komponen menggunakan matriks hasil konstruksi mf
sebelumnya. Setiap baris pada matriks premis X, akan terdiri dari
poin-poin P yaitu P1, P2, P3, P4, P5, P6, P7, P8, P9 untuk setiap
komponen K, sehingga total akan terdapat P x K buah kolom.
Panjang baris matriks premis X sendiri akan berjumlah N, yaitu
total trial yang dijadikan sebagai training data.
Bagian konsekuen dari rule IT2FLS akan membentuk
matriks Y, yang terdiri dari N buah baris. N merupakan jumlah total
training trial atau sama dengan jumlah baris pada matriks X. Setiap
baris pada Y akan diberi nilai 0 atau 1 tergantung kelas dari trial
yang berada pada baris yang sama pada matriks premis X. Kedua
matriks ini, X dan Y, bersama dengan matriks data testing akan
Page 51
29
menjadi masukan untuk melakukan klasifikasi dengan IT2FLS.
Hasil klasifikasi yang didapat akan disimpan dalam matriks y.
Matriks y akan terdiri dari N baris sesuai jumlah trial yang menjadi
data testing, dimana masing-masing baris akan berisi nilai dalam
rentang 0 hingga 1. Nilai yang kurang dari 0,5 akan dimasukkan
sebagai kelas 0 sedangkan nilai di atasnya akan dimasukkan
sebagai kelas 1. Garis besar proses-proses pada tahap ini dapat
dilihat pada Gambar 3.5.
Gambar 3.5 Diagram Alir Proses Klasifikasi IT2FLS
Page 52
30
3.5 Proses Testing Klasifikasi IT2FLS
Data training yang digunakan pada proses testing ini yaitu
15.762, 20.123, 18.373, 16.527. Sedangkan, data testing yang
digunakan yaitu 14.132. Dari data training tersebut dilakukan
proses kontruksi membership function (MF) dan kontruksi rule.
Pertama, dilakukan proses kotruksi membership function
dengan menggunakan persamaan (10) kemudian di dapatkan hasil
seperti pada Tabel 3.1. Untuk hasil kontruksi MF pada seluruh data
testing dapat dilihat di lampiran.
Tabel 3.1 Kontruksi MF Data Training
Upper MF Lower MF
P1 P2 P3 P4 P5 P6 P7 P8
-9.53924 15.762 15.762 41.06324 10.70175 15.762 15.762 20.82225
-5.17824 20.123 20.123 45.42424 15.06275 20.123 20.123 25.18325
-6.92824 18.373 18.373 43.67424 13.31275 18.373 18.373 23.43325
-8.77424 16.527 16.527 41.82824 11.46675 16.527 16.527 21.58725
Kedua, dilakukan proses kontruksi bagian premis yang
diambil dari nilai membership function nya dan konsekuensi yang
diambil dari nilai truth label, kemudian disusun menggunakan
persamaan (9), dan didapatkan hasil seperti pada Tabel 3.2 dan
Tabel 3.3. Untuk hasil kontruksi rule dari seluruh data testing dapat
dilihat di lampiran.
Ketiga, proses defuzifikasi dengan melakukan perhitungan
kombinasi data testing ke semua keluaran dari rule sebanyak K
berdasarkan persamaan (15), dimana 𝑌𝑙 merupakan batas bawah
interval keluaran yang dihitung berdasarkan persamaan (13) dan
𝑌𝑟 merupakan batas atas interval keluaran yang dihitung
berdasarkan persamaan (14).
Page 53
31
Tabel 3.2 Kontruksi Bagian Premis dari Rule
P1 P2 P3 P4 P5 P6 P7 P8 P9
-9.53924 15.762 15.762 41.06324 10.70175 15.762 15.762 20.82225 1
-5.17824 20.123 20.123 45.42424 15.06275 20.123 20.123 25.18325 1
-6.92824 18.373 18.373 43.67424 13.31275 18.373 18.373 23.43325 1
-8.77424 16.527 16.527 41.82824 11.46675 16.527 16.527 21.58725 1
Tabel 3.3 Kontruksi Bagian Konsekuensi dari Rule
𝒚𝒏 𝒚
𝒏
0 0
0 0
0 0
0 0
Tabel 3.4 Keluaran IT2FLS
Berdasarkan hasil yang didapatkan pada Tabel 3.4, nilai 𝑦 yang
kurang dari 0,5 akan dimasukkan sebagai kelas 0 sedangkan nilai
𝑦 di atasnya akan dimasukkan sebagai kelas 1.
3.6 Uji Performa
Pengujian tingkat akurasi classifier pada tugas akhir ini
menggunakan k-fold cros-validation, dimana keseluruhan dataset
yang ada dibagi menjadi sebanyak k fold, kemudian untuk setiap
fold dilakukan iterasi dimana fold ke-i menjadi data testing,
sedangkan (k-1) fold sisanya menjadi data training.
𝑌𝑙 𝑌𝑟 𝑦
0.198728 0.30309 0.250909
Page 54
32
Dalam tugas akhir ini jumlah k yang digunakan adalah
sebanyak 5 fold, sehingga jumlah keseluruhan dataset awal akan
dibagi sebanyak lima bagian dahulu sebelum seluruh rangkaian
pemrosesan pada data sinyal dilaksanakan. Selanjutnya terhadap
setiap fold dilakukan proses iterasi dimana fold ke-i akan berperan
sebagai data testing, sedangkan 4 fold sisanya menjadi data
training.
Iterasi pengujian kemudian dilakukan sebanyak k kali,
sampai semua fold terpakai sebagai training untuk classifier. Pada
setiap iterasi dicatat hasil akurasi yang didapatkan, kemudian dicari
rata-rata akhir akurasi dari kelima percobaan iterasi yang
dilakukan. Hasil akurasi akhir ini menunjukkan tingkat kesesuaian
prediksi gerakan motorik yang dilakukan classifier IT2FLS,
berdasarkan masukan dataset EEG yang ada.
Page 55
33
BAB IV
IMPLEMENTASI SISTEM
Bab ini membahas tentang implementasi dari sistem
klasifikasi sinyal EEG dengan Empirical Mode Decomposition dan
Interval Type-2 Fuzzy Logic System. Pembahasan implementasi ini
meliputi deskripsi lingkungan tahap implementasi sistem ini
dilakukan, proses-proses pada tahap implementasi yang
dikerjakan, beserta penjelasan fungsi-fungsinya dalam bentuk kode
program.
4.1. Lingkungan Implementasi
Subbab ini akan menjelaskan mengenai lingkungan
implementasi perangkat lunak yang akan dibangun. Spesifikasi
perangkat keras yang digunakan dalam implementasi perangkat
lunak adalah prosesor berjenis Intel(R) Celeron(R) CPU B820 @
1.70 GHz, dengan kapasitas memori (RAM) sebesar 2.00 GB.
Sistem operasi yang digunakan adalah Microsoft Windows
10 32 Bit, sedangkan perangkat lunak yang digunakan dalam
proses implementasi adalah MATLAB R2014a.
4.2. Implementasi Program
Sub bab implementasi ini menjelaskan tentang
pembangunan perangkat lunak secara detail termasuk
menampilkan kode program bila diperlukan mulai preprocessing
hingga uji performa. Sebelumnya perlu diketahui bahwa dalam
Tugas Akhir ini, data set yang digunakan yaitu set A dan set E
rekaman sinyal otak manusia dengan tujuan agar pemrosesan lebih
sederhana.
Page 56
34
4.2.1. Implementasi Dekomposisi Sinyal dengan Empirical
Mode Decomposition
Empirical Mode Decomposition (EMD) adalah proses
dekomposisi sinyal yang akan digunakan untuk mencari fitur dari
setiap data sinyal EEG. Pada tugas akhir ini metode EMD
menggunakan sebuah program open source berbasis Matlab yang
diperoleh dari mathwork yang dapat di unduh dari alamat URL
https://www.mathworks.com/matlabcentral/fileexchange/21409-
empirical-mode-decomposition. Keluaran dari proses dekomposisi setiap data sinyal EEG
berupa fungsi IMF dan sebuah sinyal residu. Hasil dekomposisi
setiap sinyal akan tersimpan pada sebuah struct yang berukuran 1
x P, P merupakan jumlah Intrinsik Mode Fuction (IMF) dan satu
sinyal residu. Pada setiap P berisi matriks berukurun 1 x T, T
merupakan jumlah data poin untuk setiap trial yaitu 4097 nilai. Proses ekstraksi fitur pada setiap fungsi IMF dilakukan
dengan cara menghitung nilai standard deviation. Keluaran proses
ekstraksi fitur disimpan dalam sebuah matriks baru yang berukuran
N x F, N merupakan jumlah trial yaitu sebanyak 200 dan F
merupakan jumlah fitur yang dihasilkan dari 5 IMF x 1 nilai fitur.
Kode program 4.1 di bawah ini adalah kode program
ekstraksialldata.m untuk mendekomposisi sinyal dan ekstraksi
fitur.
Berdasarkan kode program di bawah, pada baris tiga
digunakan untuk memanggil fungsi EMD. Keluaran hasil
dekomposisi sinyal disimpan dalam variabel hasilEMD. Kemudian
dilakukan perulangan sebanyak lima kali untuk mehitung standard
deviation pada setiap fungsi IMF yang akan menjadi fitur dari
setiap sinyal. Setalah itu, hasil ekstraksi fitur akan disimpan dalam
sebuah file. Penyimpanan secara terpisah ini bertujuan untuk
memudahkan untuk proses selanjutnya, yaitu proses klasifikasi.
Page 57
35
1 for i = 3 : 202
2 % Load data ....
3 hasilEMD = emd(signal(:,i)); 4
5 dim = ndims(hasilEMD);
6 M = cat(dim+1, hasilEMD{:});
7
8 dev = std(M);
9
10 for j = 1 : 5
11 ekstraksifitur(z,k)=dev(j);
12 end
13 end
Kode Sumber 4.1 Kode program membaca dan mendekomposisi
sinyal dengan EMD
4.2.2. Implementasi Klasifikasi Dengan Interval Type-2 Fuzzy
Logic System
Setelah didapatkan nilai-nilai komponen setiap trial hasil
ekstraksi fitur, Interval Type-2 Fuzzy Logic System (IT2FLS) akan
diterapkan untuk melakukan klasifikasi. Jumlah rule pada IT2FLS
sebanyak jumlah trial yang dijadikan sebagai training data dan
dibagi menjadi dua bagian yaitu premis dan konsekuen. Untuk
membuat bagian premis rule ini diperlukan terlebih dahulu
representasi membership function (mf) setiap komponennya.
Sesuai sifat dari IT2FLS, setiap mf akan terdiri dari dua jenis mf
yaitu lower mf dan upper mf, dengan bentuk yang digunakan
adalah triangular. Kode sumber pada Gambar 4.2 berisi fungsi
membership_function.m yang digunakan untuk konstruksi mf
setiap komponen pada setiap rule.
Pada kode program Gambar 4.2, masing-masing mf untuk
setiap kelas akan membentuk matriks sendiri, dimana lower mf dan
upper mf untuk kelas “0” adalah matriks Mf0, lower mf dan upper
mf untuk kelas “1” adalah matriks Mf1. Setiap baris matriks mf
akan terdiri dari poin-poin pada bentuk triangular yang digunakan
Page 58
36
sebagai mf. Nilai puncak segitiga setiap mf diperoleh nilai setiap
komponen pada setiap trial. Untuk lower mf, poin kaki-kaki
segitiga akan didapat dari standard deviation masing-masing
komponen pada masing-masing kelas, sedangkan untuk upper mf
kelas “0” kaki-kaki segitiganya adalah 4,5 kali lebih lebar dari
kaki-kaki lower mf kelas “0” dan untuk upper mf kelas “1” kaki-
kaki segitiganya adalah 0,5 kali lebih lebar dari kaki-kaki lower mf
kelas “0”. Sehingga antara lebar upper mf kelas “0” dan upper mf
kelas “1” memiliki perbandingan nilai 1:10 dari nilai standard
deviation masing-masing komponen pada setiap kelas. Untuk hasil
pembentukan membership function setiap data terdapat di
lampiran.
Berdasarkan kode program 4.2 diatas, terdapat fungsi
separate_data yang digunakan untuk membagi data menjadi dua
kelas. Fungsi tersebut diimplementasikan pada sebuah kode
program separate_data.m seperti pada Gambar 4.3. Setelah mf
untuk setiap komponen masing-masing trial selesai dibuat, maka
bagian premis dan konsekuen rule akan disusun melalui fungsi
generate_rule.m pada Gambar 4.4.
1 function [Mf0,Mf1]=membership_function(data,label,traintrial) 2 [data0,data1] = separate_data(data,label,traintrial); 3 … 4 % cari standard deviation untuk setiap komponen 5 ... 6 % konstruksi model mf untuk kelas “0” 7 for i=1:row0
8 for j=1:col0-1
9 Mf0 = vertcat(Mf0,[data0(i,j)-4.5*stddata(j,1) data0(i,j)
data0(i,j) data0(i,j)+4.5*stddata(j,1) data0(i,j)-
stddata(j,1) data0(i,j) data0(i,j)
data0(i,j)+stddata(j,1)]);
10 end
11 end
12
13 % konstruksi model mf untuk kelas “1”
Page 59
37
14 for i=1:row1
15 for j=1:col1-1
16 Mf1 = vertcat(Mf1,[data1(i,j)-0.5*stddata(j,2) data1(i,j)
data1(i,j) data1(i,j)+0.5*stddata(j,2) data1(i,j)-
stddata(j,2) data1(i,j) data1(i,j)
data1(i,j)+stddata(j,2)]);
17 end
18 end
Kode Sumber 4.2 Kode sumber untuk konstruksi membership
function
1 function [data0,data1] = separate_data(data,label,traintrial)
2 .....
3
4 for i=1:traintrial
5 if(label(1,i)==0)
6 if(isempty(data0))
7 data0(i,:)=horzcat(data(i, :), 0);
8 else
9 data0=vertcat(data0, horzcat(data(i,:), 0));
10 end
11
12 else
13 if(isempty(data1))
14 data1(1,:)=horzcat(data(i, :), 1);
15 else
16 data1=vertcat(data1, horzcat(data(i, :), 1));
17 end
18 end
19 end
20 end
Kode Sumber 4.3 Kode sumber untuk membagi data menjadi dua kelas
Page 60
38
1 function [X,Y]=rule(Mf0,Mf1,label,feature)
2 ....
3 X=[]
4 for z=1:col0
5 temp=[];
6 i=feature*(z-1)+1;
7 for j=1:feature
8 if(j==1)
9 temp=[Mf0(i+(j-1),1) Mf0(i+(j-1),2) Mf0(i+(j-1),3)
Mf0(i+(j-1),4) Mf0(i+(j-1),5) Mf0(i+(j-1),6)
Mf0(i+(j-1),7) Mf0(i+(j-1),8) 1];
10 else
11 temp=horzcat(temp,[Mf0(i+(j-1),1) Mf0(i+(j-1),2)
Mf0(i+(j-1),3) Mf0(i+(j-1),4) Mf0(i+(j-1),5)
Mf0(i+(j-1),6) Mf0(i+(j-1),7) Mf0(i+(j-1),8) 1]);
12 end
13 end
14 X(z,:)=temp;
15 z=z+1;
16 end
17
18 z=1;
19 for z=1:col1
20 temp=[];
21 i=feature*(z-1)+1;
22 if(j==1)
23 temp=[Mf1(i+(j-1),1) Mf1(i+(j-1),2) Mf1(i+(j-1),3)
Mf1(i+(j-1),4) Mf1(i+(j-1),5) Mf1(i+(j-1),6)
Mf1(i+(j-1),7) Mf1(i+(j-1),8) 1];
24 else
25 temp=horzcat(temp,[Mf1(i+(j-1),1) Mf1(i+(j-1),2)
Mf1(i+(j-1),3) Mf1(i+(j-1),4) Mf1(i+(j-1),5)
Mf1(i+(j-1),6) Mf1(i+(j-1),7) Mf1(i+(j-1),8) 1]);
26 end
27 end
28 X(z+col0,:)=temp;
29 z=z+1;
30 end
Page 61
39
31
32 Y=[];
33 for i=1:(row0+row1)/feature
34 if(label(i)==0)
35 Y(i,:)=[0 0];
36 else
37 Y(i,:)=[1 1];
38 end
39 end
40 end
Kode Sumber 4. 4 Kode sumber untuk penyusunan IT2FLS rule
bagian 2
Bagian premis rule akan membentuk matriks X, sedangkan
bagian konsekuennya pada matriks Y. Setiap baris pada matriks X
premis sebuah rule, dan terdiri dari poin-poin pada upper mf dan
lower mf rule tersebut secara berurutan. Untuk hasil pembentukan
premis rule dan bagian konsekuensi setiap data terdapat di
lampiran.
Jumlah baris pada X total akan sejumlah N trial yang
dijadikan sebagai training data. Sedangkan matriks konsekuen Y
akan memiliki baris yang berkorespondensi satu-satu dengan
matriks X, dimana setiap baris akan terdiri dari angka 0 atau 1.
Angka 0 diberikan apabila trial pada rule tersebut merupakan kelas
“0”, demikian pula angka 1 untuk kelas trial “1”.
Pengklasifikasian terhadap matriks data akan dilakukan
seperti pada kode sumber Gambar 4.5. Masukan x pada fungsi di
atas merupakan matriks data sinyal dengan N baris jumlah testing
trial yang akan diklasifikasi.
1 [y{fold}, yl, yr]=IT2FLS(x{fold},X{fold},Y{fold})
Kode Sumber 4.5 Kode sumber untuk pemanggilan fungsi klasifikasi
IT2FLS
Page 62
40
4.2.3. Impelementasi Desain Antar Muka
Tampilan desain antarmuka pada tugas akhir ini berupa
data sinyal EEG otak manusia normal dan manusia penderita
epilepsi. Visualisasi tampilan antarmuka aplikasi ditunjukkan pada
Gambar 4.1.
Untuk menggunakannya, pengguna menekan tombol [Load
Data Masukan]. Setelah itu, ditampilakan plotting sinyal EEG otak
manusia untuk manusia normal dan plotting sinyal EEG otak
manusia untuk penderita epilepsi. Pengguna menekan tombol
[Dekomposisi Sinyal dan Ekstraksi Fitur] untuk melakukan proses
dekomposisi sinyal dengan Empirical Mode Decomposition
(EMD) dan melakukan ekstraksi fitur nilai standard deviation dari
setiap fungsi IMF yang dihasilkan oleh EMD. Setelah itu,
ditampilkan plotting sinyal fungsi IMF yang dihasilkan. Langkah
terakhir, pengguna menekan tombol [Klasifikasi] untuk melakukan
proses klasifikasi dengan Interval Type 2 Fuzzy Logic System.
Setelah itu, ditampilkan tabel yang berisi nilai performa dari setiap
iterasi.
Page 63
41
Gambar 4.1 Ilustrasi Desain Antar Muka
Page 64
42
[Halaman ini sengaja dikosongkan]
Page 65
43
BAB V
UJI COBA DAN EVALUASI
Bab ini membahas tentang skenario uji coba dan evaluasi
yang dilakukan pada klasifikasi sinyal EEG dengan metode utama
Empirical Mode Decomposition (EMD) dan klasifikasi yang
menggunakan metode Interval Type-2 Fuzzy Logic System
(IT2FLS). Hasil uji coba pada tahap ini akan dievaluasi dengan
tujuan dapat memperoleh jawaban dari rumusan masalah yang
telah dirumuskan di awal.
5.1. Lingkungan Uji Coba
Lingkungan uji coba dan evaluasi merupakan komputer
tempat uji coba perangkat lunak. Spesifikasi perangkat keras yang
digunakan dalam implementasi perangkat lunak adalah prosesor
berjenis Intel(R) Celeron(R) CPU B820 @ 1.70 GHz, dengan
kapasitas memori (RAM) sebesar 2.00 GB.
Sistem operasi yang digunakan adalah Microsoft Windows
10 32 Bit, sedangkan perangkat lunak yang digunakan dalam
proses implementasi adalah MATLAB R2014a.
5.2. Data Uji Coba
Data yang digunakan untuk uji coba klasifikasi sinyal EEG
dengan metode utama Empirical Mode Decomposition (EMD), dan
klasifikasi yang menggunakan metode Interval Type-2 Fuzzy Logic
System (IT2FLS) ini diunduh dari website milik ''Klinik für
Epileptologie, Universität Bonn'' rekaman set A dan set E. Data
awal yang didapat berupa matriks sinyal dengan dimensi N x T. N
merupakan jumlah trial yaitu sebanyak 200, dengan rincian 100
trial set A merupakan kelas 0 sedangkan 100 trial set E merupakan
kelas 1. Kelas 0 pada dataset ini merepresentasikan sinyal EEG
otak manusia sehat, sedangkan kelas 1 merepresentasikan sinyal
EEG otak manusia penderita epilepsi. T merupakan jumlah data
poin untuk setiap trial yang direkam pada dataset A dan E ini.
Page 66
44
Untuk setiap trial, terdapat 4097 data poin, dan sinyal otak single
channel.
Metode yang digunakan untuk skenario uji coba ini adalah k-
fold cross validation, dengan k yang dipilih sejumlah lima buah.
Untuk kepentingan ini, trial di masing-masing kelas akan dibagi ke
dalam 5 fold, seperti pada Gambar 5.1 di bawah ini.
Gambar 5.1 Ilustrasi pembagian data testing dan training untuk 5-fold-
cross-validation
Data set A sebanyak 100 trial pada kelas “0” akan dibagi
lima sama besar dan set E sebanyak 100 trial kelas “1” juga akan
dibagi menjadi lima. Kelima bagian tersebut merepresentasikan
penggunaan 5-fold cross validation, dimana pada setiap iterasi
sebuah fold dari kelas “0” dan sebuah fold dari kelas “1” akan
digabungkan menjadi testing data, sedangkan 4 fold sisa dari kedua
kelas akan digabung menjadi training data. Pada Gambar 5.1,
testing fold dilambangkan berwarna hijau, sedangkan untuk
trainingfold dilambangkan berwarna biru.
5.3. Preprocessing Data
Pada sub bab ini akan dibahas mengenai hasil Empirical
Mode Decomposition pada matriks data sinyal. Proses dekomposisi
sinyal akan diaplikasikan terlebih dahulu pada data training dan
data testing. Setelah setiap sinyal terdekomposisi menjadi beberapa
Page 67
45
Intrinsik Mode Fuction (IMF) yang memiliki jumlah berbeda-beda
dan satu sinyal residu. Pada percobaan ini hanya akan diambil lima
fungsi IMF yang digunakan untuk proses ekstraksi fitur. Hasil
dekomposisi setiap sinyal akan tersimpan pada sebuah struct yang
berukuran 1 x P, P merupakan jumlah fungsi IMF. Pada setiap P
berisi matriks berukuran 1 x 4097. Pada prinsipnya, sinyal yang terbentuk dari hasil
dekomposisi akan memiliki nilai amplitudo yang berbeda pada
setiap IMF. IMF pertama memiliki nilai amplitudo yang lebih
tinggi dibandingkan dengan IMF kedua, demikian seterusnya
hingga IMF terakhir.
Oleh karena itu dari matriks hasil dekomposisi sinyal
yang berukuran P x T, dimana P merupakan jumlah fungsi
IMF dan T merupakan jumlah data poin untuk setiap trial
yang direkam pada dataset A dan E, dapat dipilih jumlah IMF
(P) yang ingin digunakan untuk proses ekstraksi fitur pada
tahap selanjutnya. Proses ekstraksi fitur pada setiap fungsi IMF dilakukan
dengan cara menghitung nilai standard deviation. Matriks hasil
ekstraksi fitur akan berukuran 200 x 6, 1 kolom terakhir berisi label
kelas. Pada Gambar 5.2 merupakan fungsi IMF untuk sinyal EEG
manusia sehat dan Gambar 5.3 merupakan fungsi IMF untuk
sinyal EEG manusia penderita epilepsi.
Berdasarkan Gambar 5.2 dan 5.3 di bawah ini, setiap fungsi
IMF memiliki nilai amplitudo sinyal yang berbeda-beda. Hal
tersebut disebabkan karena setiap sinyal dilakukan pengecekan
pada setiap iterasi untuk mendapatkan sinyal yang bersifat
monoton. Terlihat bahwa pada fungsi IMF satu memiliki amplitudo
yang menyerupai sinyal asli EEG otak manusia. Setiap sinyal EEG
yang didekomposisi dengan EMD akan menghasilkan fungsi IMF
dalam jumlah yang berbeda. Sehingga perlu diperhatikan dalam
pengunaan fungsi IMF pada proses berikutnya agar dapat
memberikan keluaran sesuai dengan yang diinginkan.
Page 68
46
Gambar 5.2 Hasil Dekomposisi Sinyal Manusia Sehat
Page 69
47
Gambar 5.3 Hasil Dekomposisi Sinyal Manusia Penderita Epilepsi
Page 70
48
5.4. Skenario Uji Coba
Sebelum melakukan uji coba, perlu ditentukan skenario yang
akan digunakan dalam uji coba. Melalui skenario ini, perangkat
lunak diuji apakah sudah berjalan dengan benar dan memiliki
performa yang baik sesuai dengan kondisi yang ditentukan. Pada
percobaan ini terdapat 4 macam skenario uji coba, yaitu :
1. Perhitungan performa dengan mengubah jumlah fitur yang
digunakan pada proses klasifikasi IT2FLS.
2. Perhitungan performa dengan mengubah nilai parameter
interval pada setiap jumlah fitur.
3. Perhitungan performa dengan mengubah nilai K-Fold Cross
Validation yang digunakan pada proses klasifikasi IT2FLS.
4. Perbandingan performa antara metode klasifikasi IT1FLS
dan IT2FLS.
5.4.1. Skenario Uji Coba Jumlah Fitur
Skenario uji coba satu adalah perhitungan accuracy
dengan mecoba berbagai jumlah IMF pada proses ekstraksi fitur
yaitu satu IMF hingga lima IMF. Setiap jumlah IMF menghasilkan
jumlah fitur yang berbeda-beda, satu IMF menghasilkan satu fitur
dari IMF pertama, dua IMF menghasilkan dua fitur dari IMF
pertama dan IMF kedua, begitu seterusnya.
Selanjutnya setiap IMF diuji dengan menggunakan
IT2FLS 5-Fold Cross Validation. Berdasarkan hasil tersebut
dilakukan perhitungan performa dengan menggunakan rumus pada
Persamaan 17. Hasil rata-rata perhitungan performa tiap jumlah
IMF yang digunakan untuk proses ekstraksi fitur dapat di lihat pada
Tabel 5.1.
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma pada Tabel 5.1, dari lima jenis IMF yang di uji cobakan,
yang terbaik adalah ekstraksi fitur satu IMF dengan rata-rata
accuracy 95,5%. Selain itu, dari segi waktu komputasi yang
Page 71
49
dibutuhkan lebih cepat yaitu 4 detik sedangkan untuk dua IMF 6
detik, tiga IMF 9 detik, empat IMF 12 detik dan lima IMF 16 detik. Tabel 5.1 Hasil Perhitungan Performa Uji Coba Jumlah Fitur
IMF Iterasi 5-Fold Rata-
Rata
(%) 1 (%) 2 (%) 3 (%) 4 (%) 5 (%)
5 70 87,5 85 82,5 82,5 81,2
4 80 92,5 87,5 87,5 87,5 87
3 75 92,5 90 87,5 95 88
2 87,5 92,5 97,5 92,5 82,5 90,5
1 97,5 92,5 97,5 95 95 95,5
5.4.2. Skenario Uji Coba Nilai Parameter Interval
Skenario uji coba dua adalah perhitungan accuracy dengani
mencoba berbagai nilai parameter interval pada proses klasifikasi
IT2FLS. Pemberian nilai interval dilakukan dengan mengacu pada
nilai interval dari kaki-kaki upper mf kelas “1” yang memiliki nilai
cenderung konstan yaitu 0,5 lebih besar dari kaki-kaki lower mf
nya. Nilai interval yang digunakan pada percobaan ini dapat dilihat
pada Tabel 5.2 di bawah ini. Pada setiap nilai interval tersebut
dilakukan perhitungan performa dengan menggunakan Persamaan
17. Berikut ini adalah hasil rata-rata perhitungan performa tiap
jenis nilai interval pada tiap jumlah fitur yang digunakan.
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma nilai interval untuk lima fitur pada Tabel 5.3 di atas, dari
sembilan jenis nilai interval dengan menggunakan lima fitur yang
di uji cobakan, yang terbaik adalah nilai interval 1:5 dengan rata-
rata accuracy 83,5%. Setelah ditemukan hasil accuracy yang
maksimal pemberian nilai interval lebih besar dari 2,5 akan
menghasilkan nilai accuracy yang sama yaitu 83,5%.
Page 72
50
Tabel 5.2 Perbandingan Nilai Interval
Perbandingan
Interval
upper mf
kelas 1
Interval
upper mf
kelas 0
1:2 0,5 1
1:3 0,5 1,5
1:4 0,5 2
1:5 0,5 2,5
1:6 0,5 3
1:7 0,5 3,5
1:8 0,5 4
1:9 0,5 4,5
1:10 0,5 5
Tabel 5.3 Hasil Perhitungan Performa Nilai Interval Untuk Lima Fitur
Perbandingan
Interval
Iterasi 5-Fold Rata-
rata
(%) 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:2 60 82,5 80 72,5 82,5 72,5
1:3 70 87,5 85 82,5 82,5 81,2
1:4 72,5 87,5 85 82,5 82,5 82
1:5 75 90 85 85 82,5 83,5
1:6 75 90 85 85 82,5 83,5
1:7 75 90 85 85 82,5 83,5
1:8 75 90 85 85 82,5 83,5
1:9 75 90 85 85 82,5 83,5
1:10 75 90 85 85 82,5 83,5
Page 73
51
Tabel 5.4 Hasil Perhitungan Performa Nilai Interval Untuk Empat Fitur
Perbandingan
Interval
Iterasi 5-Fold Rata-
rata 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:2 72,5 90 87,5 75 87,5 82,5
1:3 80 92,5 87,5 87,5 87,5 87
1:4 82,5 95 87,5 87,5 87,5 88
1:5 82,5 95 87,5 87,5 87,5 88
1:6 82,5 95 87,5 87,5 87,5 88
1:7 82,5 97,5 87,5 87,5 87,5 88,5
1:8 82,5 97,5 87,5 87,5 87,5 88,5
1:9 82,5 97,5 87,5 87,5 87,5 88,5
1:10 82,5 97,5 87,5 87,5 87,5 88,5
Tabel 5.5 Hasil Perhitungan Performa Nilai Interval Untuk Tiga Fitur
Perbandingan
Interval
Iterasi 5-Fold Rata-
rata
(%) 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:2 50 62,5 57,5 57,5 60 57,5
1:3 72,5 92,5 87,5 87,5 92,5 86,5
1:4 75 92,5 90 87,5 95 88
1:5 85 92,5 95 90 95 91,5
1:6 87,5 92,5 95 90 95 92
1:7 87,5 95 95 90 95 92,5
1:8 87,5 95 95 90 95 92,5
1:9 87,5 95 95 90 95 92,5
1:10 87,5 95 95 90 95 92,5
Page 74
52
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma nilai interval untuk empat fitur pada Tabel 5.4 di atas, dari
sembilan jenis nilai interval dengan menggunakan empat fitur yang
di uji cobakan, yang terbaik adalah nilai interval 1:7 dengan rata-
rata accuracy 88,5%. Setelah ditemukan hasil accuracy yang
maksimal pemberian nilai interval lebih besar dari 3,5 akan
menghasilkan nilai accuracy yang sama yaitu 88,5%.
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma nilai interval untuk tiga fitur pada Tabel 5.5 di atas, dari
sembilan jenis nilai interval dengan menggunakan tiga fitur yang
di uji cobakan, yang terbaik adalah nilai interval 1:7 dengan rata-
rata accuracy 92,5%. Setelah ditemukan hasil accuracy yang
maksimal pemberian nilai interval lebih besar dari 3,5 akan
menghasilkan nilai accuracy yang sama yaitu 92,5%.
Tabel 5.6 Hasil Perhitungan Performa Nilai Interval Untuk Dua Fitur
Perbandingan
Interval
Iterasi 5-Fold Rata-
rata
(%) 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:2 57,5 62,5 57,5 62,5 47,5 57,5
1:3 85 87,5 97,5 90 72,5 86,5
1:4 87,5 92,5 97,5 92,5 82,5 90,5
1:5 87,5 92,5 97,5 97,5 85 92
1:6 92,5 92,5 97,5 97,5 90 94
1:7 92,5 92,5 97,5 100 92,5 95
1:8 92,5 92,5 100 100 95 96
1:9 92,5 92,5 100 100 95 96
1:10 92,5 92,5 100 100 97,5 96,5
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma nilai interval untuk dua fitur pada Tabel 5.6, dari sembilan
jenis nilai interval dengan menggunakan dua fitur yang di uji
Page 75
53
cobakan, yang terbaik adalah nilai interval 1:10 dengan rata-rata
accuracy 96,5%.
Tabel 5.7 Hasil Perhitungan Performa Nilai Interval Untuk Satu Fitur
Perbandingan
Interval
Iterasi 5-Fold Rata-
rata
(%) 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:2 72,5 70 90 77,5 57,5 73,5
1:3 90 87,5 97,5 92,5 92,5 92
1:4 97,5 92,5 97,5 95 95 95,5
1:5 97,5 92,5 97,5 97,5 95 96
1:6 97,5 92,5 97,5 97,5 95 96
1:7 97,5 92,5 97,5 100 97,5 97
1:8 97,5 92,5 100 100 97,5 97,5
1:9 97,5 92,5 100 100 97,5 97,5
1:10 97,5 92,5 100 100 100 98
Tabel 5.8 Rekap Hasil Uji Coba Interval Pada Setiap Jumlah Fitur
Interval Fitur
Iterasi 5-Fold Rata-
rata
(%) 1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1:5 5 75 90 85 85 82,5 83,5
1:7 4 82,5 97,5 87,5 87,5 87,5 88,5
1:7 3 87,5 95 95 90 95 92,5
1:10 2 92,5 92,5 100 100 97,5 96,5
1:10 1 97,5 92,5 100 100 100 98
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma nilai interval untuk satu fitur pada tabel 5.7, dari sembilan
jenis nilai interval dengan menggunakan satu fitur yang di uji
Page 76
54
cobakan, yang terbaik adalah nilai interval 1:10 dengan rata-rata
accuracy 98%.
Dari rekap hasil uji coba nilai interval pada setiap jumlah
fitur pada Tabel 5.8, nilai rata-rata accuracy terbaik yaitu 98% dari
nilai parameter interval 1:10 atau 0,5 untuk upper mf kelas “1” dan
5 untuk upper mf kelas “0” dengan menggunakan satu nilai fitur.
5.4.3. Skenario Uji Coba Jumlah K-Fold Cross Validation
Skenario uji coba tiga adalah perhitungan accuracy dengan
mecoba berbagai jumlah K-Fold Cross Validation yang digunakan
untuk proses pengujian klasifikasi IT2FLS. Nilai K yang di uji
cobakan antara lain 2, 5, dan 10. Pemilihan nilai K tersebut
mengacu pada jumlah data yang dijadikan sebagai data masukan
dari setiap kelas berjumlah 100 data.
Tabel 5.9 Hasil Perhitungan Performa Uji Coba Jumlah K-Fold Cross
Validation
Iterasi K-Fold Nilai K
4 5 10
1 (%) 98 97,5 100
2 (%) 92 92,5 95
3 (%) 88 100 90
4 (%) 98 100 95
5 (%) - 100 100
6 (%) - - 100
7 (%) - - 100
8 (%) - - 100
9 (%) - - 100
10 (%) - - 100
Rata-Rata (%) 94 98 97,5
Page 77
55
Selanjutnya setiap nilai K diuji dengan menggunakan
klasifikasi IT2FLS. Berdasarkan hasil tersebut dilakukan
perhitungan performa dengan menggunakan rumus pada
Persamaan 17. Hasil rata-rata perhitungan performa tiap jumlah K-
Fold Cross Validation yang digunakan untuk proses klasifikasi
dapat dilihat pada Tabel 5.9.
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma pada Tabel 5.8 di atas, dari tiga jenis nilai K yang di uji
cobakan, yang terbaik adalah nilai K = 5 dengan rata-rata accuracy
98%. Dari segi waktu komputasi semakin banyak nilai K maka
semakin lama juga waktu yang dibutuhkan untuk melakukan
proses klasifikasi.
5.4.4. Skenario Uji Coba Perbandingan Performa Antara
IT1FLS dengan IT2FLS
Skenario uji coba empat adalah perhitungan accuracy
dengan menggunakan metode IT1FLS. Hasil yang didapatkan dari
IT1FLS akan dibandingan dengan hasil IT2FLS berdasarkan segi
performa dan waktu komputasi. Kedua Pengujian menggunakan
metode K-Fold Cross Validation dengan nilai K=5. Perhitungan
performa dilakukan dengan menggunakan rumus pada Persamaan
17. Hasil rata-rata perhitungan performa kedua metode dapat di
lihat pada Tabel 5.10.
Tabel 5.10 Hasil Perhitungan Performa Uji Coba Perbandingan Performa
Antara IT1FLS dengan IT2FLS
Metode Iterasi 5-Fold Rata-
Rata
(%) 1 (%) 2 (%) 3 (%) 4 (%) 5 (%)
IT1FLS 97,5 95 97,5 100 100 98
IT2FLS 97,5 92,5 100 100 100 98
Page 78
56
Secara umum hasil yang ditunjukkan oleh perhitungan
perfoma pada Tabel 5.10 di atas, nilai accuracy yang didapatkan
dari kedua metode sama yaitu 98%. Dari segi waktu komputasi
IT2FLS membutuhkan waktu lebih lama yaitu 4 detik, sedangkan
IT1FLS membutuhkan waktu 2 detik. Hal tersebut disebabkan
karena pada IT2FLS proses kontruksi membership function
dilakukan sebanyak dua kali yaitu lower mf dan upper mf pada
setiap data. Namun, IT1FLS dinilai kurang robust karena memiliki
keterbatasan dalam mendeteksi nilai ketidapastian dari sebuah
data. Hal ini disebabkan karena pada IT1FLS nilai membership
function yang dikontruksi hanya satu dimensi. Pada percobaan ini,
data yang digunakan memiliki perbedaan persebaran data yang
sangat mencolok antara data rekaman EEG otak manusia sehat dan
penderita epilepsi.
5.5. Evaluasi Umum Skenario Uji Coba
Berdasarkan keempat uji coba skenario di atas, diketahui
bahwa jumlah IMF dan nilai K yang terbaik yaitu satu IMF dan 5-
Fold Cross Validation yang menghasilkan satu fitur dan
menggunakan nilai interval 1:10 dengan akurasi sebesar 98%.
Skenario pertama, dengan kombinasi jumlah IMF untuk
ekstraksi fitur, jumlah IMF yang terbaik yaitu satu IMF dengan
akurasi 95,5%. Skenario kedua, dengan kombinasi nilai parameter
interval pada IT2FLS, nilai interval terbaik adalah 1:10 atau 0,5
untuk upper mf kelas “1” dan 5 untuk upper mf kelas “0” dengan
menggunakan satu fitur menghasilkan akurasi 98%. Skenario
ketiga, dengan kombinasi nilai K-Fold Cross Validtion pada
klasifikasi IT2FLS, nilai K terbaik adalah 5 menghasilkan akurasi
98%. Keempat skenario berjalan dengan rata-rata waktu komputasi
yang sama yaitu 4 detik.Hasil perbandingan akurasi keempatnya
ditunjukkan pada Tabel 5.11 berikut ini.
Page 79
57
Tabel 5.11 Hasil Perbandingan Akurasi
Skenario
Uji Coba
Iterasi 5-Fold Rata-
Rata
(%)
1
(%)
2
(%)
3
(%)
4
(%)
5
(%)
1 97,5 92,5 97,5 95 95 95,5
2 97,5 92,5 100 100 100 98
3 97,5 92,5 100 100 100 98
4 97,5 92,5 100 100 100 98
Page 80
58
[Halaman ini sengaja dikosongkan]
Page 81
59
BAB VI
PENUTUP
Bab VI ini membahas tentang kesimpulan yang didasari oleh
hasil uji coba pada bab sebelumnya. Kesimpulan tersebut nantinya
menjawab rumusan masalah yang telah ada pada pendahuluan.
Selain itu, juga terdapat saran sebagai acuan untuk pengembangan
klasifikasi sinyal EEG dengan Empirical Mode Decomposition dan
Interval Type-2 Fuzzy Logic System lebih lanjut di masa depan.
6.1. Kesimpulan
Dari hasil uji coba yang telah dilakukan, dapat diambil
kesimpulan sebagai berikut:
1. Implementasi metode Empirical Mode Decomposition dan
Interval Type-2 Fuzzy Logic System mampu mendeteksi
penyakit epilepsi secara efektif dengan akurasi 98%.
2. Pemilihan satu Intrinsic Mode Fuction (IMF) terbukti paling
efektif untuk proses ekstraksi fitur dan klasifikasi selanjutnya,
dengan hasil akurasi tertinggi sebesar 97,5%, dan rata-rata
akurasi terbaik sebesar 95,5%. Hal ini disebabkan fungsi IMF
pertama memiliki nilai amplitudo yang menyerupai nilai
amplitudo sinyal asli EEG otak manusia.
3. Pemilihan nilai parameter interval 1:10 atau 0,5 untuk upper
mf kelas “1” dan 5 untuk upper mf kelas “0” terbukti paling
efektif untuk proses klasifikasi IT2FLS, dengan hasil akurasi
tertinggi sebesar 100%, dan rata-rata akurasi terbaik sebesar
98%. Hal ini disebabkan karena pemilihan nilai parameter
interval yang tepat sehingga tidak terjadi overlapping fitur
antara kelas “0” dan kelas “1”.
4. Pemilihan nilai K = 5 terbukti paling efektif untuk proses
klasifikasi IT2FLS, dengan hasil akurasi tertinggi sebesar
100%, dan rata-rata akurasi terbaik sebesar 98%
Page 82
60
6.2. Saran
Saran yang dapat diberikan untuk pengembangan lebih
lanjut dari tugas akhir ini antara lain:
1. Pemilihan bentuk membership function (mf) yang berbeda
seperti Gaussian mf dapat diaplikasikan pada proses
klasifikasi dengan Interval Type-2 Fuzzy Logic System.
2. Pemberian nilai parameter interval sebaiknya dapat di
generate oleh sistem.
3. Penggunaan nilai fitur berdasarkan band frekuensi seperti
alpha, beta, dan gamma.
Page 83
61
DAFTAR PUSTAKA
[1] W. H. Organization, "Epilepsy Seizure," p.
http://www.who.int/mediacentre/factsheets/fs999/en,
Oktober 2012.
[2] Social Consequences and Economic Aspect, "Epilepsy
Seizure,"
http://www.allcountries.org/health/epilepsy_social_conseq
uences_and_economic_aspect.html.
[3] H. B. M.C. Amara Korba, "Application of Empirical
Mode Decomposition and Artificial Neural Network For
The Classification of Normal and Eplieptic EEG Signal,"
2015.
[4] A. Thanh Nguyen, "EEG signal classification for BCI
applications by wavelets and interval type-2 fuzzy logic
systems. Expert Systems with Applications," p. 4370–
4380, 2015.
[5] S. M. James D. Geyer, "Seizure Prediction: Methods.
Epilepsy & Behavior," pp. S94-S101, 2011.
[6] S. lanco, "Applying time–frequency analysis to seizure
EEG activity: a method to help to identify the source of
epileptic seizures," IEEE Engineering in Medicine and
Biology Magazine, 1997.
[7] T. E. Major P, "laboratory, diagnosis, and management,"
Seizure in children, vol. 28:40514, 2007.
[8] L.Fosgren., "Epidemiology of epilepsy : a global
problem," Program and abstract of the 17th World
Congress of Neurology, vol. 187(Suppl.I):S212, 2001.
[9] E. Christensen J, " Epilepsy and risk of suicide :a
population based case control study," pp. 6:693-8, 2007.
Page 84
62
[10] MS. Mohammed, "Assessment of the utility of paediatric
electroencephalography," Seizure, pp. 11:99-103, 2002.
[11] Doescher JS, "Magnetic resonance imaging (MRI) and
electroencephalography(EEG) findings in a cohort of
normal children with newly diagnosed seizure.," Vols. 21:
490-5, 2006.
[12] Kurukawa T, "Clinical featurs of epilepsy with pervasive
developmental disorders," Brain Dev, pp. 32:764-8, 2010.
[13] H.Jaseja, "Sygnificance of the EEG in the decision to
initiate antiepileptic treatment in patients withs epilepsy: a
perspective on recent evidence.," Epilepsy&Behavior, pp.
16:245-6, 2009.
[14] H.Doose, "Genetic EEG traits in the pathogenesis of the
epilepsies, a review article.," J.Epilepsy, Vols. 10:97-110,
1997.
[15] R. J. Noachtar S, "The role of EEG in epilepsy: A critical
review," Epilepsy Behav, pp. 13:22-33., 2009.
[16] J. M. Mendel, "Interval Type-2 Fuzzy Logic Systems
Made Simple," IEEE Transactions on Fuzzy Systems, vol.
vol. 14, no. no. 6, pp. 808-821, 2006.
[17] J. M. Mendel, "Interval Type-2 Fuzzy Logic Systems:
Theory and Design," IEEE Transactions on Fuzzy
Systems, vol. 8, no. 5, pp. 535-550, 2000.
[18] J. M. Mendel, "Fuzzy Logic Systems for Engineering: A
Tutorial," in Proceedings of The IEEE, 1995.
[19] W. Dongrui, "A Brief Tutorial on Interval Type-2 Fuzzy
Sets and Systems," 2014.
Page 85
63
LAMPIRAN
A. Hasil Kontruksi Membership Function
A.1. Upper mf Kelas 0
Trial P1 P2 P3 P4
1 -7.00911 15.762 15.762 38.53311
2 -2.64811 20.123 20.123 42.89411
3 -4.39811 18.373 18.373 41.14411
4 -6.24411 16.527 16.527 39.29811
5 -8.63911 14.132 14.132 36.90311
6 -4.24311 18.528 18.528 41.29911
7 -1.65911 21.112 21.112 43.88311
8 -10.3641 12.407 12.407 35.17811
9 -15.2519 7.5192 7.5192 30.29031
10 -13.1176 9.6535 9.6535 32.42461
11 -14.7398 8.0313 8.0313 30.80241
12 -14.054 8.7171 8.7171 31.48821
13 -15.763 7.0081 7.0081 29.77921
14 -12.8972 9.8739 9.8739 32.64501
15 -16.0403 6.7308 6.7308 29.50191
16 -9.47611 13.295 13.295 36.06611
17 -15.6884 7.0827 7.0827 29.85381
18 -3.48111 19.29 19.29 42.06111
19 -15.0234 7.7477 7.7477 30.51881
20 -13.7599 9.0112 9.0112 31.78231
21 -15.5742 7.1969 7.1969 29.96801
22 -14.8139 7.9572 7.9572 30.72831
23 -4.47311 18.298 18.298 41.06911
Page 86
64
24 -9.26211 13.509 13.509 36.28011
25 -3.69011 19.081 19.081 41.85211
26 -3.03111 19.74 19.74 42.51111
27 2.460887 25.232 25.232 48.00311
28 -14.3109 8.4602 8.4602 31.23131
29 -3.77611 18.995 18.995 41.76611
30 2.736887 25.508 25.508 48.27911
31 -14.0512 8.7199 8.7199 31.49101
32 -13.871 8.9001 8.9001 31.67121
33 -2.17411 20.597 20.597 43.36811
34 -11.2651 11.506 11.506 34.27711
35 -5.32211 17.449 17.449 40.22011
36 -7.66511 15.106 15.106 37.87711
37 -1.74811 21.023 21.023 43.79411
38 -14.1349 8.6362 8.6362 31.40731
39 -8.67711 14.094 14.094 36.86511
40 -10.3401 12.431 12.431 35.20211
41 -9.03411 13.737 13.737 36.50811
42 -13.3874 9.3837 9.3837 32.15481
43 -12.9853 9.7858 9.7858 32.55691
44 -4.87411 17.897 17.897 40.66811
45 -6.55011 16.221 16.221 38.99211
46 -10.3211 12.45 12.45 35.22111
47 -12.2381 10.533 10.533 33.30411
48 -2.59611 20.175 20.175 42.94611
49 -10.4671 12.304 12.304 35.07511
50 -5.96611 16.805 16.805 39.57611
51 -9.55411 13.217 13.217 35.98811
52 1.320887 24.092 24.092 46.86311
Page 87
65
53 -10.3521 12.419 12.419 35.19011
54 -5.37311 17.398 17.398 40.16911
55 -1.61711 21.154 21.154 43.92511
56 -5.65711 17.114 17.114 39.88511
57 -7.02511 15.746 15.746 38.51711
58 -11.6091 11.162 11.162 33.93311
59 -11.9601 10.811 10.811 33.58211
60 -11.7671 11.004 11.004 33.77511
61 -15.9702 6.8009 6.8009 29.57201
62 -6.82111 15.95 15.95 38.72111
63 -13.3152 9.4559 9.4559 32.22701
64 -7.17311 15.598 15.598 38.36911
65 -2.78411 19.987 19.987 42.75811
66 -13.5503 9.2208 9.2208 31.99191
67 -6.76611 16.005 16.005 38.77611
68 -7.27911 15.492 15.492 38.26311
69 0.227887 22.999 22.999 45.77011
70 -11.6761 11.095 11.095 33.86611
71 -5.92311 16.848 16.848 39.61911
72 -0.41611 22.355 22.355 45.12611
73 -14.278 8.4931 8.4931 31.26421
74 -11.3631 11.408 11.408 34.17911
75 -5.25511 17.516 17.516 40.28711
76 -11.8281 10.943 10.943 33.71411
77 -3.54411 19.227 19.227 41.99811
78 -1.11911 21.652 21.652 44.42311
79 -7.68111 15.09 15.09 37.86111
80 -15.5385 7.2326 7.2326 30.00371
Page 88
66
A.2. Lower mf Kelas 0
Trial P5 P6 P7 P8
1 10.70175 15.762 15.762 20.82225
2 15.06275 20.123 20.123 25.18325
3 13.31275 18.373 18.373 23.43325
4 11.46675 16.527 16.527 21.58725
5 9.071753 14.132 14.132 19.19225
6 13.46775 18.528 18.528 23.58825
7 16.05175 21.112 21.112 26.17225
8 7.346753 12.407 12.407 17.46725
9 2.458953 7.5192 7.5192 12.57945
10 4.593253 9.6535 9.6535 14.71375
11 2.971053 8.0313 8.0313 13.09155
12 3.656853 8.7171 8.7171 13.77735
13 1.947853 7.0081 7.0081 12.06835
14 4.813653 9.8739 9.8739 14.93415
15 1.670553 6.7308 6.7308 11.79105
16 8.234753 13.295 13.295 18.35525
17 2.022453 7.0827 7.0827 12.14295
18 14.22975 19.29 19.29 24.35025
19 2.687453 7.7477 7.7477 12.80795
20 3.950953 9.0112 9.0112 14.07145
21 2.136653 7.1969 7.1969 12.25715
22 2.896953 7.9572 7.9572 13.01745
23 13.23775 18.298 18.298 23.35825
24 8.448753 13.509 13.509 18.56925
25 14.02075 19.081 19.081 24.14125
26 14.67975 19.74 19.74 24.80025
Page 89
67
27 20.17175 25.232 25.232 30.29225
28 3.399953 8.4602 8.4602 13.52045
29 13.93475 18.995 18.995 24.05525
30 20.44775 25.508 25.508 30.56825
31 3.659653 8.7199 8.7199 13.78015
32 3.839853 8.9001 8.9001 13.96035
33 15.53675 20.597 20.597 25.65725
34 6.445753 11.506 11.506 16.56625
35 12.38875 17.449 17.449 22.50925
36 10.04575 15.106 15.106 20.16625
37 15.96275 21.023 21.023 26.08325
38 3.575953 8.6362 8.6362 13.69645
39 9.033753 14.094 14.094 19.15425
40 7.370753 12.431 12.431 17.49125
41 8.676753 13.737 13.737 18.79725
42 4.323453 9.3837 9.3837 14.44395
43 4.725553 9.7858 9.7858 14.84605
44 12.83675 17.897 17.897 22.95725
45 11.16075 16.221 16.221 21.28125
46 7.389753 12.45 12.45 17.51025
47 5.472753 10.533 10.533 15.59325
48 15.11475 20.175 20.175 25.23525
49 7.243753 12.304 12.304 17.36425
50 11.74475 16.805 16.805 21.86525
51 8.156753 13.217 13.217 18.27725
52 19.03175 24.092 24.092 29.15225
53 7.358753 12.419 12.419 17.47925
54 12.33775 17.398 17.398 22.45825
55 16.09375 21.154 21.154 26.21425
Page 90
68
56 12.05375 17.114 17.114 22.17425
57 10.68575 15.746 15.746 20.80625
58 6.101753 11.162 11.162 16.22225
59 5.750753 10.811 10.811 15.87125
60 5.943753 11.004 11.004 16.06425
61 1.740653 6.8009 6.8009 11.86115
62 10.88975 15.95 15.95 21.01025
63 4.395653 9.4559 9.4559 14.51615
64 10.53775 15.598 15.598 20.65825
65 14.92675 19.987 19.987 25.04725
66 4.160553 9.2208 9.2208 14.28105
67 10.94475 16.005 16.005 21.06525
68 10.43175 15.492 15.492 20.55225
69 17.93875 22.999 22.999 28.05925
70 6.034753 11.095 11.095 16.15525
71 11.78775 16.848 16.848 21.90825
72 17.29475 22.355 22.355 27.41525
73 3.432853 8.4931 8.4931 13.55335
74 6.347753 11.408 11.408 16.46825
75 12.45575 17.516 17.516 22.57625
76 5.882753 10.943 10.943 16.00325
77 14.16675 19.227 19.227 24.28725
78 16.59175 21.652 21.652 26.71225
79 10.02975 15.09 15.09 20.15025
80 2.172353 7.2326 7.2326 12.29285
Page 91
69
A.3. Upper mf Kelas 1
Trial P1 P2 P3 P4
1 280.9343 350.93 350.93 420.9257
2 258.4943 328.49 328.49 398.4857
3 213.5843 283.58 283.58 353.5757
4 4.589271 74.585 74.585 144.5807
5 67.16427 137.16 137.16 207.1557
6 -24.2037 45.792 45.792 115.7877
7 210.7943 280.79 280.79 350.7857
8 285.4843 355.48 355.48 425.4757
9 76.10427 146.1 146.1 216.0957
10 436.0443 506.04 506.04 576.0357
11 204.7943 274.79 274.79 344.7857
12 281.0643 351.06 351.06 421.0557
13 292.8543 362.85 362.85 432.8457
14 -21.9247 48.071 48.071 118.0667
15 10.25427 80.25 80.25 150.2457
16 -48.4767 21.519 21.519 91.51473
17 284.9643 354.96 354.96 424.9557
18 -27.5477 42.448 42.448 112.4437
19 136.6943 206.69 206.69 276.6857
20 16.35427 86.35 86.35 156.3457
21 -37.7747 32.221 32.221 102.2167
22 61.48427 131.48 131.48 201.4757
23 71.76427 141.76 141.76 211.7557
24 84.52427 154.52 154.52 224.5157
25 125.5543 195.55 195.55 265.5457
26 111.0743 181.07 181.07 251.0657
Page 92
70
27 309.7543 379.75 379.75 449.7457
28 111.1243 181.12 181.12 251.1157
29 6.654271 76.65 76.65 146.6457
30 314.8743 384.87 384.87 454.8657
31 21.14927 91.145 91.145 161.1407
32 -54.8337 15.162 15.162 85.15773
33 68.36427 138.36 138.36 208.3557
34 152.6343 222.63 222.63 292.6257
35 350.4243 420.42 420.42 490.4157
36 57.73427 127.73 127.73 197.7257
37 424.0043 494 494 563.9957
38 -5.68373 64.312 64.312 134.3077
39 -32.8807 37.115 37.115 107.1107
40 -20.2997 49.696 49.696 119.6917
41 194.3743 264.37 264.37 334.3657
42 83.91427 153.91 153.91 223.9057
43 -45.1677 24.828 24.828 94.82373
44 132.4143 202.41 202.41 272.4057
45 -13.5377 56.458 56.458 126.4537
46 55.50427 125.5 125.5 195.4957
47 461.9043 531.9 531.9 601.8957
48 14.06927 84.065 84.065 154.0607
49 369.9643 439.96 439.96 509.9557
50 93.98427 163.98 163.98 233.9757
51 -30.0977 39.898 39.898 109.8937
52 108.5343 178.53 178.53 248.5257
53 -20.7247 49.271 49.271 119.2667
54 105.3343 175.33 175.33 245.3257
55 -27.4497 42.546 42.546 112.5417
Page 93
71
56 -21.7367 48.259 48.259 118.2547
57 72.93427 142.93 142.93 212.9257
58 51.10427 121.1 121.1 191.0957
59 228.0443 298.04 298.04 368.0357
60 126.4243 196.42 196.42 266.4157
61 96.90427 166.9 166.9 236.8957
62 75.04427 145.04 145.04 215.0357
63 -4.23373 65.762 65.762 135.7577
64 -15.1207 54.875 54.875 124.8707
65 47.41427 117.41 117.41 187.4057
66 63.36427 133.36 133.36 203.3557
67 207.3043 277.3 277.3 347.2957
68 434.4243 504.42 504.42 574.4157
69 23.01727 93.013 93.013 163.0087
70 36.95427 106.95 106.95 176.9457
71 -36.4357 33.56 33.56 103.5557
72 31.65427 101.65 101.65 171.6457
73 57.78427 127.78 127.78 197.7757
74 -31.9447 38.051 38.051 108.0467
75 50.28427 120.28 120.28 190.2757
76 335.8943 405.89 405.89 475.8857
77 -13.3437 56.652 56.652 126.6477
78 -12.1587 57.837 57.837 127.8327
79 307.0743 377.07 377.07 447.0657
80 384.5743 454.57 454.57 524.5657
Page 94
72
A.4. Lower mf Kelas 1
Trial P5 P6 P7 P8
1 210.9385 350.93 350.93 490.9215
2 188.4985 328.49 328.49 468.4815
3 143.5885 283.58 283.58 423.5715
4 -65.4065 74.585 74.585 214.5765
5 -2.83146 137.16 137.16 277.1515
6 -94.1995 45.792 45.792 185.7835
7 140.7985 280.79 280.79 420.7815
8 215.4885 355.48 355.48 495.4715
9 6.108542 146.1 146.1 286.0915
10 366.0485 506.04 506.04 646.0315
11 134.7985 274.79 274.79 414.7815
12 211.0685 351.06 351.06 491.0515
13 222.8585 362.85 362.85 502.8415
14 -91.9205 48.071 48.071 188.0625
15 -59.7415 80.25 80.25 220.2415
16 -118.472 21.519 21.519 161.5105
17 214.9685 354.96 354.96 494.9515
18 -97.5435 42.448 42.448 182.4395
19 66.69854 206.69 206.69 346.6815
20 -53.6415 86.35 86.35 226.3415
21 -107.77 32.221 32.221 172.2125
22 -8.51146 131.48 131.48 271.4715
23 1.768542 141.76 141.76 281.7515
24 14.52854 154.52 154.52 294.5115
25 55.55854 195.55 195.55 335.5415
26 41.07854 181.07 181.07 321.0615
Page 95
73
27 239.7585 379.75 379.75 519.7415
28 41.12854 181.12 181.12 321.1115
29 -63.3415 76.65 76.65 216.6415
30 244.8785 384.87 384.87 524.8615
31 -48.8465 91.145 91.145 231.1365
32 -124.829 15.162 15.162 155.1535
33 -1.63146 138.36 138.36 278.3515
34 82.63854 222.63 222.63 362.6215
35 280.4285 420.42 420.42 560.4115
36 -12.2615 127.73 127.73 267.7215
37 354.0085 494 494 633.9915
38 -75.6795 64.312 64.312 204.3035
39 -102.876 37.115 37.115 177.1065
40 -90.2955 49.696 49.696 189.6875
41 124.3785 264.37 264.37 404.3615
42 13.91854 153.91 153.91 293.9015
43 -115.163 24.828 24.828 164.8195
44 62.41854 202.41 202.41 342.4015
45 -83.5335 56.458 56.458 196.4495
46 -14.4915 125.5 125.5 265.4915
47 391.9085 531.9 531.9 671.8915
48 -55.9265 84.065 84.065 224.0565
49 299.9685 439.96 439.96 579.9515
50 23.98854 163.98 163.98 303.9715
51 -100.093 39.898 39.898 179.8895
52 38.53854 178.53 178.53 318.5215
53 -90.7205 49.271 49.271 189.2625
54 35.33854 175.33 175.33 315.3215
55 -97.4455 42.546 42.546 182.5375
Page 96
74
56 -91.7325 48.259 48.259 188.2505
57 2.938542 142.93 142.93 282.9215
58 -18.8915 121.1 121.1 261.0915
59 158.0485 298.04 298.04 438.0315
60 56.42854 196.42 196.42 336.4115
61 26.90854 166.9 166.9 306.8915
62 5.048542 145.04 145.04 285.0315
63 -74.2295 65.762 65.762 205.7535
64 -85.1165 54.875 54.875 194.8665
65 -22.5815 117.41 117.41 257.4015
66 -6.63146 133.36 133.36 273.3515
67 137.3085 277.3 277.3 417.2915
68 364.4285 504.42 504.42 644.4115
69 -46.9785 93.013 93.013 233.0045
70 -33.0415 106.95 106.95 246.9415
71 -106.431 33.56 33.56 173.5515
72 -38.3415 101.65 101.65 241.6415
73 -12.2115 127.78 127.78 267.7715
74 -101.94 38.051 38.051 178.0425
75 -19.7115 120.28 120.28 260.2715
76 265.8985 405.89 405.89 545.8815
77 -83.3395 56.652 56.652 196.6435
78 -82.1545 57.837 57.837 197.8285
79 237.0785 377.07 377.07 517.0615
80 314.5785 454.57 454.57 594.5615
Page 97
75
B. Hasil Kontruksi Premis Pada Rule
B.1. Premis Rule Kelas 0
Trial P1 P2 P3 P4 P5 P6 P7 P8 P9
1 -14.2 7.2 7.197 28.6 2.442 7.197 7.197 11.95 1
2 -13.4 7.96 7.957 29.36 3.202 7.957 7.957 12.71 1
3 -3.1 18.3 18.3 39.7 13.54 18.3 18.3 23.05 1
4 -7.89 13.5 13.51 34.91 8.754 13.51 13.51 18.26 1
5 -2.32 19.1 19.08 40.48 14.33 19.08 19.08 23.84 1
6 -1.66 19.7 19.74 41.14 14.98 19.74 19.74 24.5 1
7 3.834 25.2 25.23 46.63 20.48 25.23 25.23 29.99 1
8 -12.9 8.46 8.46 29.86 3.705 8.46 8.46 13.22 1
9 -2.4 19 19 40.39 14.24 19 19 23.75 1
10 4.11 25.5 25.51 46.91 20.75 25.51 25.51 30.26 1
11 -12.7 8.72 8.72 30.12 3.965 8.72 8.72 13.48 1
12 -12.5 8.9 8.9 30.3 4.145 8.9 8.9 13.66 1
13 -0.8 20.6 20.6 42 15.84 20.6 20.6 25.35 1
14 -9.89 11.5 11.51 32.9 6.751 11.51 11.51 16.26 1
15 -3.95 17.4 17.45 38.85 12.69 17.45 17.45 22.2 1
16 -6.29 15.1 15.11 36.5 10.35 15.11 15.11 19.86 1
17 -0.38 21 21.02 42.42 16.27 21.02 21.02 25.78 1
18 -12.8 8.64 8.636 30.03 3.881 8.636 8.636 13.39 1
19 -7.3 14.1 14.09 35.49 9.339 14.09 14.09 18.85 1
20 -8.97 12.4 12.43 33.83 7.676 12.43 12.43 17.19 1
21 -7.66 13.7 13.74 35.14 8.982 13.74 13.74 18.49 1
22 -12 9.38 9.384 30.78 4.629 9.384 9.384 14.14 1
23 -11.6 9.79 9.786 31.18 5.031 9.786 9.786 14.54 1
24 -3.5 17.9 17.9 39.3 13.14 17.9 17.9 22.65 1
25 -5.18 16.2 16.22 37.62 11.47 16.22 16.22 20.98 1
Page 98
76
26 -8.95 12.5 12.45 33.85 7.695 12.45 12.45 17.21 1
27 -10.9 10.5 10.53 31.93 5.778 10.53 10.53 15.29 1
28 -1.22 20.2 20.18 41.57 15.42 20.18 20.18 24.93 1
29 -9.09 12.3 12.3 33.7 7.549 12.3 12.3 17.06 1
30 -4.59 16.8 16.81 38.2 12.05 16.81 16.81 21.56 1
31 -8.18 13.2 13.22 34.62 8.462 13.22 13.22 17.97 1
32 2.694 24.1 24.09 45.49 19.34 24.09 24.09 28.85 1
33 -8.98 12.4 12.42 33.82 7.664 12.42 12.42 17.17 1
34 -4 17.4 17.4 38.8 12.64 17.4 17.4 22.15 1
35 -0.24 21.2 21.15 42.55 16.4 21.15 21.15 25.91 1
36 -4.28 17.1 17.11 38.51 12.36 17.11 17.11 21.87 1
37 -5.65 15.7 15.75 37.14 10.99 15.75 15.75 20.5 1
38 -10.2 11.2 11.16 32.56 6.407 11.16 11.16 15.92 1
39 -10.6 10.8 10.81 32.21 6.056 10.81 10.81 15.57 1
40 -10.4 11 11 32.4 6.249 11 11 15.76 1
41 -14.6 6.8 6.801 28.2 2.046 6.801 6.801 11.56 1
42 -5.45 16 15.95 37.35 11.19 15.95 15.95 20.71 1
43 -11.9 9.46 9.456 30.85 4.701 9.456 9.456 14.21 1
44 -5.8 15.6 15.6 37 10.84 15.6 15.6 20.35 1
45 -1.41 20 19.99 41.39 15.23 19.99 19.99 24.74 1
46 -12.2 9.22 9.221 30.62 4.466 9.221 9.221 13.98 1
47 -5.39 16 16.01 37.4 11.25 16.01 16.01 20.76 1
48 -5.91 15.5 15.49 36.89 10.74 15.49 15.49 20.25 1
49 1.601 23 23 44.4 18.24 23 23 27.75 1
50 -10.3 11.1 11.1 32.49 6.34 11.1 11.1 15.85 1
51 -4.55 16.8 16.85 38.25 12.09 16.85 16.85 21.6 1
52 0.957 22.4 22.36 43.75 17.6 22.36 22.36 27.11 1
53 -12.9 8.49 8.493 29.89 3.738 8.493 8.493 13.25 1
54 -9.99 11.4 11.41 32.81 6.653 11.41 11.41 16.16 1
Page 99
77
55 -3.88 17.5 17.52 38.91 12.76 17.52 17.52 22.27 1
56 -10.5 10.9 10.94 32.34 6.188 10.94 10.94 15.7 1
57 -2.17 19.2 19.23 40.63 14.47 19.23 19.23 23.98 1
58 0.254 21.7 21.65 43.05 16.9 21.65 21.65 26.41 1
59 -6.31 15.1 15.09 36.49 10.33 15.09 15.09 19.85 1
60 -14.2 7.23 7.233 28.63 2.477 7.233 7.233 11.99 1
61 -9.32 12.1 12.08 33.48 7.323 12.08 12.08 16.83 1
62 -1.79 19.6 19.61 41.01 14.86 19.61 19.61 24.37 1
63 -10.8 10.6 10.62 32.02 5.865 10.62 10.62 15.38 1
64 -6.47 14.9 14.93 36.33 10.18 14.93 14.93 19.69 1
65 -9.33 12.1 12.07 33.47 7.314 12.07 12.07 16.82 1
66 -5.06 16.3 16.34 37.74 11.58 16.34 16.34 21.09 1
67 -9.3 12.1 12.09 33.49 7.339 12.09 12.09 16.85 1
68 -11.1 10.3 10.34 31.74 5.582 10.34 10.34 15.09 1
69 -8.99 12.4 12.41 33.81 7.652 12.41 12.41 17.16 1
70 -2.7 18.7 18.69 40.09 13.94 18.69 18.69 23.45 1
71 -10.1 11.3 11.29 32.69 6.538 11.29 11.29 16.05 1
72 -5.27 16.1 16.13 37.53 11.37 16.13 16.13 20.88 1
73 -1.68 19.7 19.72 41.12 14.96 19.72 19.72 24.47 1
74 -5.14 16.3 16.26 37.66 11.51 16.26 16.26 21.02 1
75 -0.69 20.7 20.71 42.11 15.96 20.71 20.71 25.47 1
76 2.391 23.8 23.79 45.19 19.03 23.79 23.79 28.54 1
77 -6.66 14.7 14.74 36.13 9.98 14.74 14.74 19.49 1
78 -5.26 16.1 16.14 37.54 11.39 16.14 16.14 20.9 1
79 1.278 22.7 22.68 44.07 17.92 22.68 22.68 27.43 1
80 -7.5 13.9 13.9 35.3 9.148 13.9 13.9 18.66 1
Page 100
78
B.2. Premis Rule Kelas 1
Trial P1 P2 P3 P4 P5 P6 P7 P8 P9
1 -34.5 32.22 32.22 98.93 -101 32.22 32.22 165.6 1
2 64.77 131.5 131.5 198.2 -1.94 131.5 131.5 264.9 1
3 75.05 141.8 141.8 208.5 8.336 141.8 141.8 275.2 1
4 87.81 154.5 154.5 221.2 21.1 154.5 154.5 287.9 1
5 128.8 195.6 195.6 262.3 62.13 195.6 195.6 329 1
6 114.4 181.1 181.1 247.8 47.65 181.1 181.1 314.5 1
7 313 379.8 379.8 446.5 246.3 379.8 379.8 513.2 1
8 114.4 181.1 181.1 247.8 47.7 181.1 181.1 314.5 1
9 9.938 76.65 76.65 143.4 -56.8 76.65 76.65 210.1 1
10 318.2 384.9 384.9 451.6 251.4 384.9 384.9 518.3 1
11 24.43 91.15 91.15 157.9 -42.3 91.15 91.15 224.6 1
12 -51.5 15.16 15.16 81.87 -118 15.16 15.16 148.6 1
13 71.65 138.4 138.4 205.1 4.936 138.4 138.4 271.8 1
14 155.9 222.6 222.6 289.3 89.21 222.6 222.6 356.1 1
15 353.7 420.4 420.4 487.1 287 420.4 420.4 553.8 1
16 61.02 127.7 127.7 194.4 -5.69 127.7 127.7 261.2 1
17 427.3 494 494 560.7 360.6 494 494 627.4 1
18 -2.4 64.31 64.31 131 -69.1 64.31 64.31 197.7 1
19 -29.6 37.12 37.12 103.8 -96.3 37.12 37.12 170.5 1
20 -17 49.7 49.7 116.4 -83.7 49.7 49.7 183.1 1
21 197.7 264.4 264.4 331.1 130.9 264.4 264.4 397.8 1
22 87.2 153.9 153.9 220.6 20.49 153.9 153.9 287.3 1
23 -41.9 24.83 24.83 91.54 -109 24.83 24.83 158.3 1
24 135.7 202.4 202.4 269.1 68.99 202.4 202.4 335.8 1
25 -10.3 56.46 56.46 123.2 -77 56.46 56.46 189.9 1
26 58.79 125.5 125.5 192.2 -7.92 125.5 125.5 258.9 1
Page 101
79
27 465.2 531.9 531.9 598.6 398.5 531.9 531.9 665.3 1
28 17.35 84.07 84.07 150.8 -49.4 84.07 84.07 217.5 1
29 373.2 440 440 506.7 306.5 440 440 573.4 1
30 97.27 164 164 230.7 30.56 164 164 297.4 1
31 -26.8 39.9 39.9 106.6 -93.5 39.9 39.9 173.3 1
32 111.8 178.5 178.5 245.2 45.11 178.5 178.5 312 1
33 -17.4 49.27 49.27 116 -84.2 49.27 49.27 182.7 1
34 108.6 175.3 175.3 242 41.91 175.3 175.3 308.8 1
35 -24.2 42.55 42.55 109.3 -90.9 42.55 42.55 176 1
36 -18.5 48.26 48.26 115 -85.2 48.26 48.26 181.7 1
37 76.22 142.9 142.9 209.6 9.506 142.9 142.9 276.4 1
38 54.39 121.1 121.1 187.8 -12.3 121.1 121.1 254.5 1
39 231.3 298 298 364.8 164.6 298 298 431.5 1
40 129.7 196.4 196.4 263.1 63 196.4 196.4 329.8 1
41 100.2 166.9 166.9 233.6 33.48 166.9 166.9 300.3 1
42 78.33 145 145 211.8 11.62 145 145 278.5 1
43 -0.95 65.76 65.76 132.5 -67.7 65.76 65.76 199.2 1
44 -11.8 54.88 54.88 121.6 -78.5 54.88 54.88 188.3 1
45 50.7 117.4 117.4 184.1 -16 117.4 117.4 250.8 1
46 66.65 133.4 133.4 200.1 -0.06 133.4 133.4 266.8 1
47 210.6 277.3 277.3 344 143.9 277.3 277.3 410.7 1
48 437.7 504.4 504.4 571.1 371 504.4 504.4 637.8 1
49 26.3 93.01 93.01 159.7 -40.4 93.01 93.01 226.4 1
50 40.24 107 107 173.7 -26.5 107 107 240.4 1
51 -33.2 33.56 33.56 100.3 -99.9 33.56 33.56 167 1
52 34.94 101.7 101.7 168.4 -31.8 101.7 101.7 235.1 1
53 61.07 127.8 127.8 194.5 -5.64 127.8 127.8 261.2 1
54 -28.7 38.05 38.05 104.8 -95.4 38.05 38.05 171.5 1
55 53.57 120.3 120.3 187 -13.1 120.3 120.3 253.7 1
Page 102
80
56 339.2 405.9 405.9 472.6 272.5 405.9 405.9 539.3 1
57 -10.1 56.65 56.65 123.4 -76.8 56.65 56.65 190.1 1
58 -8.87 57.84 57.84 124.5 -75.6 57.84 57.84 191.3 1
59 310.4 377.1 377.1 443.8 243.6 377.1 377.1 510.5 1
60 387.9 454.6 454.6 521.3 321.1 454.6 454.6 588 1
61 55.68 122.4 122.4 189.1 -11 122.4 122.4 255.8 1
62 158 224.8 224.8 291.5 91.34 224.8 224.8 358.2 1
63 -0.83 65.88 65.88 132.6 -67.5 65.88 65.88 199.3 1
64 -34.9 31.82 31.82 98.53 -102 31.82 31.82 165.2 1
65 255.9 322.6 322.6 389.3 189.2 322.6 322.6 456 1
66 80.13 146.8 146.8 213.6 13.42 146.8 146.8 280.3 1
67 124.5 191.2 191.2 257.9 57.79 191.2 191.2 324.6 1
68 34.87 101.6 101.6 168.3 -31.8 101.6 101.6 235 1
69 -8.78 57.93 57.93 124.6 -75.5 57.93 57.93 191.4 1
70 23.29 90 90 156.7 -43.4 90 90 223.4 1
71 143.8 210.6 210.6 277.3 77.13 210.6 210.6 344 1
72 75.17 141.9 141.9 208.6 8.456 141.9 141.9 275.3 1
73 142.4 209.2 209.2 275.9 75.73 209.2 209.2 342.6 1
74 94.47 161.2 161.2 227.9 27.76 161.2 161.2 294.6 1
75 33.24 99.95 99.95 166.7 -33.5 99.95 99.95 233.4 1
76 -16.1 50.59 50.59 117.3 -82.8 50.59 50.59 184 1
77 487.4 554.1 554.1 620.9 420.7 554.1 554.1 687.6 1
78 99.67 166.4 166.4 233.1 32.96 166.4 166.4 299.8 1
79 267 333.7 333.7 400.4 200.3 333.7 333.7 467.2 1
80 29.9 96.61 96.61 163.3 -36.8 96.61 96.61 230 1
Page 103
81
C. Hasil Kontruksi Konsekuensi Pada Rule
C.1. Konsekuensi Rule Kelas 0 dan Kelas 1
Trial Kelas 0 Kelas 1
𝒚𝒍 �̅�𝒍 𝒚𝒍 �̅�𝒍
1 0 0 1 1
2 0 0 1 1
3 0 0 1 1
4 0 0 1 1
5 0 0 1 1
6 0 0 1 1
7 0 0 1 1
8 0 0 1 1
9 0 0 1 1
10 0 0 1 1
11 0 0 1 1
12 0 0 1 1
13 0 0 1 1
14 0 0 1 1
15 0 0 1 1
16 0 0 1 1
17 0 0 1 1
18 0 0 1 1
19 0 0 1 1
20 0 0 1 1
21 0 0 1 1
22 0 0 1 1
23 0 0 1 1
Page 104
82
24 0 0 1 1
25 0 0 1 1
26 0 0 1 1
27 0 0 1 1
28 0 0 1 1
29 0 0 1 1
30 0 0 1 1
31 0 0 1 1
32 0 0 1 1
33 0 0 1 1
34 0 0 1 1
35 0 0 1 1
36 0 0 1 1
37 0 0 1 1
38 0 0 1 1
39 0 0 1 1
40 0 0 1 1
41 0 0 1 1
42 0 0 1 1
43 0 0 1 1
44 0 0 1 1
45 0 0 1 1
46 0 0 1 1
47 0 0 1 1
48 0 0 1 1
49 0 0 1 1
50 0 0 1 1
51 0 0 1 1
52 0 0 1 1
Page 105
83
53 0 0 1 1
54 0 0 1 1
55 0 0 1 1
56 0 0 1 1
57 0 0 1 1
58 0 0 1 1
59 0 0 1 1
60 0 0 1 1
61 0 0 1 1
62 0 0 1 1
63 0 0 1 1
64 0 0 1 1
65 0 0 1 1
66 0 0 1 1
67 0 0 1 1
68 0 0 1 1
69 0 0 1 1
70 0 0 1 1
71 0 0 1 1
72 0 0 1 1
73 0 0 1 1
74 0 0 1 1
75 0 0 1 1
76 0 0 1 1
77 0 0 1 1
78 0 0 1 1
79 0 0 1 1
80 0 0 1 1
Page 106
84
D. Hasil Klasifikasi IT2FLS
D.1. Hasil Klasifikasi pada Iterasi Pertama
Trial Output Hasil
Klasifikasi
Truth
Label
1 0,256981 0 0
2 0,319974 0 0
3 0,286646 0 0
4 0,262098 0 0
5 0,250909 0 0
6 0,288876 0 0
7 0,348915 0 0
8 0,240928 0 0
9 0,309371 0 0
10 0,250729 0 0
11 0,287667 0 0
12 0,266438 0 0
13 0,332319 0 0
14 0,248346 0 0
15 0,348473 0 0
16 0,246773 0 0
17 0,328418 0 0
18 0,300828 0 0
19 0,299587 0 0
20 0,260692 0 0
21 1 1 1
22 1 1 1
23 1 1 1
24 1 1 1
Page 107
85
25 1 1 1
26 0,989886 1 1
27 1 1 1
28 1 1 1
29 1 1 1
30 1 1 1
31 1 1 1
32 1 1 1
33 1 1 1
34 0,998252 1 1
35 1 1 1
36 0,361386 0 1
37 1 1 1
38 0,958049 1 1
39 1 1 1
40 1 1 1
Page 108
86
86
D.2. Hasil Klasifikasi pada Iterasi Kedua
Trial Output Hasil
Klasifikasi
Truth
Label
1 0,290918 0 0
2 0,269178 0 0
3 0,29237 0 0
4 0,24666 0 0
5 0,306894 0 0
6 0,321957 0 0
7 0,56701 1 0
8 0,257246 0 0
9 0,305166 0 0
10 0,58205 1 0
11 0,252085 0 0
12 0,248945 0 0
13 0,349633 0 0
14 0,236836 0 0
15 0,276153 0 0
16 0,254074 0 0
17 0,363355 0 0
18 0,25378 0 0
19 0,250257 0 0
20 0,239824 0 0
21 0,767811 1 1
22 1 1 1
23 1 1 1
24 1 1 1
25 1 1 1
26 1 1 1
Page 109
87
27 1 1 1
28 1 1 1
29 1 1 1
30 1 1 1
31 1 1 1
32 0,254312 0 1
33 1 1 1
34 1 1 1
35 1 1 1
36 1 1 1
37 1 1 1
38 1 1 1
39 0,877814 1 1
40 1 1 1
Page 110
88
D.3. Hasil Klasifikasi pada Iterasi Ketiga
Trial Output Hasil
Klasifikasi
Truth
Label
1 0,254693 0 0
2 0,234744 0 0
3 0,235237 0 0
4 0,272627 0 0
5 0,2563 0 0
6 0,246502 0 0
7 0,236785 0 0
8 0,30633 0 0
9 0,245658 0 0
10 0,261261 0 0
11 0,252214 0 0
12 0,461 0 0
13 0,246244 0 0
14 0,266539 0 0
15 0,334219 0 0
16 0,264346 0 0
17 0,254619 0 0
18 0,238136 0 0
19 0,237427 0 0
20 0,237812 0 0
21 1 1 1
22 1 1 1
23 0,501091 1 1
24 1 1 1
25 1 1 1
26 1 1 1
Page 111
89
27 1 1 1
28 1 1 1
29 1 1 1
30 1 1 1
31 0,890208 1 1
32 1 1 1
33 0,997693 1 1
34 1 1 1
35 0,939442 1 1
36 0,995231 1 1
37 1 1 1
38 1 1 1
39 1 1 1
40 1 1 1
Page 112
90
D.4. Hasil Klasifikasi pada Iterasi Keempat
Trial Output Hasil
Klasifikasi
Truth
Label
1 0,296494 0 0
2 0,264763 0 0
3 0,238197 0 0
4 0,263518 0 0
5 0,31943 0 0
6 0,240646 0 0
7 0,264946 0 0
8 0,263185 0 0
9 0,436393 0 0
10 0,234814 0 0
11 0,271185 0 0
12 0,406088 0 0
13 0,25019 0 0
14 0,235594 0 0
15 0,279825 0 0
16 0,234694 0 0
17 0,303303 0 0
18 0,377116 0 0
19 0,260777 0 0
20 0,280504 0 0
21 1 1 1
22 1 1 1
23 1 1 1
24 1 1 1
25 1 1 1
26 1 1 1
Page 113
91
27 1 1 1
28 1 1 1
29 1 1 1
30 1 1 1
31 0,77645 1 1
32 1 1 1
33 1 1 1
34 0,87192 1 1
35 1 1 1
36 1 1 1
37 1 1 1
38 1 1 1
39 1 1 1
40 1 1 1
Page 114
92
D.5. Hasil Klasifikasi pada Iterasi Kelima
Trial Output Hasil
Klasifikasi
Truth
Label
1 0,269292 0 0
2 0,331165 0 0
3 0,257957 0 0
4 0,289629 0 0
5 0,269232 0 0
6 0,29186 0 0
7 0,2694 0 0
8 0,256917 0 0
9 0,271152 0 0
10 0,315219 0 0
11 0,261501 0 0
12 0,291127 0 0
13 0,333397 0 0
14 0,291572 0 0
15 0,361607 0 0
16 0,489651 0 0
17 0,289669 0 0
18 0,291183 0 0
19 0,437852 0 0
20 0,283911 0 0
21 1 1 1
22 1 1 1
23 1 1 1
24 0,745493 1 1
25 1 1 1
26 1 1 1
Page 115
93
27 1 1 1
28 1 1 1
29 1 1 1
30 1 1 1
31 1 1 1
32 1 1 1
33 1 1 1
34 1 1 1
35 1 1 1
36 0,999836 1 1
37 1 1 1
38 1 1 1
39 1 1 1
40 1 1 1
Page 116
94
[Halaman ini sengaja dikosongkan]
Page 117
95
BIODATA PENULIS
Putri Nur Fitriyani, lahir di Sukoharjo, pada
tanggal 26 Februari 1996. Penulis menempuh
pendidikan mulai dari MIM Muhamadiyah
Sonorejo (2001 – 2007), SMPN 5 Sukoharjo
(2007 – 2010) dan SMA Negeri 1 Sukoharjo
(2010-2013). Saat ini penulis sedang
menempuh pendidikan perguruan tinggi di
Institut Teknologi Sepuluh Nopember Surabaya
di jurusan Teknik Informatika Fakultas Teknologi Informasi
angkatan tahun 2013.
Penulis memiliki bidang minat Komputasi Cerdas Visi
(KCV) dengan fokus studi pada bidang artificial intelegent.
Komunikasi dengan penulis dengan senang hati dilayani dan dapat
melalui email langsung ke: [email protected] .
Page 118
96
[Halaman ini sengaja dikosongkan]