tugas akhir ki141502 deteksi penyakit...

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

[Halaman ini sengaja dikosongkan]

iii

TUGAS AKHIR – KI141502

DETEKSI PENYAKIT EPILEPSI BERDASARKAN

DATA EEG MENGGUNAKAN EMPIRICAL MODE


LOGIC SYSTEM

Putri Nur Fitriyani

NRP 5113100081

Dosen Pembimbing I


Dosen Pembimbing II


JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI


SURABAYA

2017

iv


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


Second Supervisor


DEPARTMENT OF INFORMATICS

FACULTY OF INFORMATION TECHNOLOGY


SURABAYA

2017

vi


vii

LEMBAR PENGESAHAN




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


NIP. 194908231976032001

…………………….

(pembimbing 1)


NIP. 198510172015042001

…………………….

(pembimbing 2)

SURABAYA

JUNI, 2017

viii


ix




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.

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

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

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

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.

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

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

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

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

vi


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

viii


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

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

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

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

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.

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.

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:

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.

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

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

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]

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

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)

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.

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

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

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

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

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)

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

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.

20


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

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

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.

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.

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.

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,

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

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


didapatkan dari nilai komponen (fitur) dikurangi 0,5 kali nilai


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

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

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).

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

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.

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.

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.

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

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”

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

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

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

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.

41

Gambar 4.1 Ilustrasi Desain Antar Muka

42


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.

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

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.

46

Gambar 5.2 Hasil Dekomposisi Sinyal Manusia Sehat

47

Gambar 5.3 Hasil Dekomposisi Sinyal Manusia Penderita Epilepsi

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

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.


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%.

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

51

Tabel 5.4 Hasil Perhitungan Performa Nilai Interval Untuk Empat Fitur

Perbandingan

Interval


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


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

52


perfoma nilai interval untuk empat fitur pada Tabel 5.4 di atas, dari

sembilan jenis nilai interval dengan menggunakan empat fitur yang






perfoma nilai interval untuk tiga fitur pada Tabel 5.5 di atas, dari

sembilan jenis nilai interval dengan menggunakan tiga fitur yang





Tabel 5.6 Hasil Perhitungan Performa Nilai Interval Untuk Dua Fitur

Perbandingan

Interval


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


perfoma nilai interval untuk dua fitur pada Tabel 5.6, dari sembilan

jenis nilai interval dengan menggunakan dua fitur yang di uji

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


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


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


perfoma nilai interval untuk satu fitur pada tabel 5.7, dari sembilan

jenis nilai interval dengan menggunakan satu fitur yang di uji

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

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.


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

56


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.

57

Tabel 5.11 Hasil Perbandingan Akurasi

Skenario

Uji Coba


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

58


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%

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.

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.

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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

94


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].

mailto:[email protected]

96


tugas akhir ki141502 deteksi penyakit...

Documents