Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSkripsi ini akan membahas mengenai analisis daya sinyal electroencephalogram (EEG) pada manusia sebagai subjek yang sedang mengerakkan langan kanan bawah kearah atas dan saat subjek dalam kondisi istirahat (resting) dengan sistem brain computer interface (BCI). Proses perekaman sinyal EEG menggunakan alat yang komersil, EMOTIV EPOC+ dengan 16 channel (2 channel sebagai ground). Data hasil perekaman akan diproses untuk mengekstraksi fitur/ciri khas dari sinyal EEG yang dihasilkan sesuai dengan perlakuan subjek, dengan menggunakan wavelet relative power (WRP), dimana sinyal EEG subjek akan ditransformasikan menggunakan discrete wavelet transform (DWT) dengan tipe motherwavelet daubechies4 (db4), untuk menghitung nilai relative power pada semua rentang frekuensi sinyal EEG (alpha, beta, delta, dan theta). Nilai WRP pada setiap rentang frekuensi tersebut akan unik dan spesifik sesuai dengan gerakan subjek, sehingga akan mencirikan apakah subjek menggerakkan lengan kanan bawah kearah atas atau kondisi resting. Pemrosesan sinyal electroencephalogram (EEG) dilanjutkan dengan menjadikan data WRP tersebut sebagai masukan kesistem klasifikasi. Sistem pengklasifikasian akan menggunakan algoritma support vector machine (SVM), yang akan memberikan kesimpulan pada data sinyal EEG random yang dihasilkan subjek tersebut, apakah termasuk dalam kondisi menggerakkan lengan kanan bawah kearah atas atau dalam keadaan istirahat (resting

---

ABSTRAKThis thesis will discuss about analysis power spectral of electroencephalogram signal (EEG) in humans as subjects that are moving right arms and when the subject is in state of rest using a brain computer interface (BCI) system. EMOTIV EPOC+ as a commercial device will be used to record EEG signal from the subject with 16 channels (2 channel as ground). Data recording results will be processed to extract its features/characteristics of EEG signals that are generated in accordance with the change of movement from the subject, by using wavelet relative power (WRP). These WRP data calculation can be done by transforming data using the discrete wavelet transform (DWT) with motherwavelet daubechies4 (db4), and calculated the value of its relative power on all frequency range (alpha, beta, delta, and theta). WRP values at each frequency range will be unique and spesific in accordance with the movement of the subject, so that WRP will characterize whether the subject move the right arm towards the top or in resting conditions. Using these WRP data information and the impelementation of support vector machine (SVM) algorithm, the system will provide a conclusion on random EEG signals wheater the subject move its arm or in resting condition. The level of accuracy of the system will be tested by looking at the results of the classification of EEG data by as much as 100 trial."

"ABSTRAKPenelitian ini bertujuan untuk merancang sistem Electroencephalogram (EEG) delapan channel berbasis analog front end ADS1299. Perancangan EEG ini menerapkan teknik perekaman single ended dengan sampling rate 250 SPS. ADS1299 dikendalikan oleh Arduino UNO melalui SPI setiap 24 bit per channel, selanjutnya Arduino UNO mengirim data ke komputer dengan cara streaming. Sinyal EEG di-feature extraction oleh komputer dengan cara menerapkan FFT (Fast Fourier Transform) untuk mendapatkan dekomposisi ritme – ritme sinyal EEG. Komposisi sinyal EEG terdiri atas ritme Delta (0.1 – 3 Hz), Theta (4 – 7 Hz), Alpha (8 – 14 Hz), dan Beta (12 – 18 Hz). Sistem ini telah diuji EEG simulator (Netect) dengan berbagai macam frekuensi dan amplitudo, diperoleh kesalahan amplitudo kurang dari 15%. Selajutnya diuji dengan tiga volunteer masing – masing selama 30 menit, dengan kondisi relaksasi. Diperoleh frekuensi yang dominan adalah sinyal Alpha pada volunteer 2 dan volunteer 3, sedangkan pada volunteer 1 tidak mendapatkan informasi dari hasil dekomposisi disebabkan, pengujian pada volunteer 1 tidak berjalan dengan baik karena terkontaminasi noise dari power line sebesar 50 Hz. Hal tersebut dikarenakan sistem menggunakan power supply dari power line. Pada saat perekaman pada volunteer 2 dan volunteer 3 kondisi sistem EEG diubah, yaitu sistem EEG menggunakan power supply dari baterai.

---

ABSTRACTThis research aims to design a eight channels electroencephalogram (EEG) system based on ADS1299 analog front end. The design of EEG system is applying single ended mode with a sampling rate of 250 SPS. ADS1299 is controlled by Arduino UNO through SPI every 24 bits per channel. Arduino UNO sends data to a computer by means of streaming. EEG signals are extracted by applying FFT (Fast Fourier Transform) to determine decomposition of signals. The compositions of the EEG signals consist of rhythm Delta (0.1 - 3 Hz), Theta (4-7 Hz), Alpha (8-14 Hz) and beta (12-18 Hz). This system has been tested using EEG simulator (Netect) with various frequency and amplitude, obtained error less than 15%. Following that was tested with three volunteers for 30 minutes, with a state of relaxation. Obtained is the dominant rhythm on second and third volunteer are Alpha, howefer, first volunteer does not get the any information, it is caused by the signals are contaminated by noise from the power line (50 Hz), because the system was getting power supply from power line. When recording EEG signals on the second and third volunteer, the EEG system’s power supply is changed by using battery."

"Pada penelitian ini telah dibangun, sistem deteksi dan identifikasi untuk pengenalan dan klasifikasi komponen-komponen sinyal EEG, terhadap sinyal EEG asimetri yang diperoleh dari perekaman pada kanal simetri. Sinyal EEG diperoleh dari 7 nara coba pada dua kondisi pikiran, yaitu rileks dan berpikir (non-rileks). Terhadap koefisien wavelet dari sinyal asimetri yang diperoleh selanjutnya dilakukan analisis Power Spectral Density (PSD). Sistem Klasifikasi dibangun berdasarkan spektrum daya pada daerah gehmbang dan dengan uji hipotesis serta pengetahuan apriori tentang karakteristik energi komponen gehmbang EEG.Penggunaan transformasi wavelet dapat mengatasi sifat non-stasioner, dan modifikasi sistem klasifikasi dengan uji hipotesis, meningkatkan keberhasilan klasifikasi, sehingga pada kondisi rileks memberikan hasil 85% dan kondisi non-rileks sebesar 64%.Dibandingkan metoda yang lain, transformasi wavelet juga dapat mereduksi data tanpa kehilangan informasi yang berarti, Hal ini ditunjukkan oleh penyimpangan rekonstruksi koefisien wavelet terhadap sinyal asliyang kecil.Sementara pengaruh posisi elektroda terhadap keberhasilan pengamatan, diketahui bahwa posisi sentral memberikan keberhasilan terbaik sedangkan kanal occipital terburuk. Kondisi rileks ditunjukkan, hasil spektrum daya rata-rata seimbang untuk kanal yang simetrik dibanding kondisi non-rileks, Kurangnya keberhasilan yang diperoleh pada kondisi berpikir disebabkan kitrangnya konsistensi pada kondisi tersebut, disamping kondisi rileks belum sepenuhnya hilang.

---

In this research a detection and identification system for pattern recognition and classification of wave components of an asymmetric of two symmetrical EEG signal were developed. The EEG signal was obtained from 7 subjects with two conditions, relax and non-relax. The detection and identification was based on the non-symmetry signal recorded on a symmetric channel test of hypothesis and priori learning of energy characteristic of component of the EEG signal.

In the proposed method, the wavelet approximated coefficient of the non-symmetry EEG signal was analyzed using power spectral density (PSD) method. The wavelet transformation is suitable for non-stationary signal, the results were better for non-relax, that was 64%. Alternatively, in the relax condition, the result was 85%.

The advantage of the wavelet transformation with respect to the other methods is that of can reduce the number of data without loss of information. It was shown by small deflection between reconstruction of wavelet and original signal.

In term of the channel position, occipital channel gives best result for relax condition, while central channel for non-relax. The less success of non-relax conditions because of lack of consistency of the condition, where some of alpha waves were remain."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs. In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6 . EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time. The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6 . Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80 . In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"Digital transformation seiring dengan pesatnya perkembangan teknologi telah mengubah lanskap bisnis dengan memberikan peluang dan tantangan baru. Peningkatan permintaan akan aplikasi digital yang inovatif telah menyebabkan peningkatan beban kerja yang signifikan bagi para developer aplikasi. Namun, beban kerja yang tinggi dapat berpotensi menyebabkan occupational stress yang berdampak negatif pada kesejahteraan dan kinerja individu. Penelitian ini dilakukan untuk mengetahui tingkat occupational stress pada developer dan mengidentifikasi faktor yang berkontribusi terhadap tingkat occupational stress yang dialami. Metode penelitian ini menggunakan pendekatan kombinasi, yaitu penggunaan electroencephalogram (EEG) untuk mengukur aktivitas otak dan Job Stress Scale (JSS) untuk mengumpulkan data subjektif tentang tingkat stres yang dirasakan oleh para developer. Sampel penelitian didapatkan dari salah satu perusahaan pengembang properti di Indonesia. Hasil pengolahan data menunjukkan bahwa gelombang Theta dan Beta Low dapat menggambarkan tingkat stress berdasarkan perbandingan workload. Korelasi antara data RPR gelombang dengan skor dimensi JSS memberikan indikasi bahwa faktor Time Stress dan Anixety Stress memiliki pengaruh yang signifikan pada tingkat stres developer aplikasi. Hasil penelitian ini diharapkan dapat memberikan pemahaman lebih baik tentang tingkat occupational stress yang dialami oleh developer aplikasi dalam era digital. Temuan penelitian ini diharapkan dapat mendorong pengembangan strategi dan intervensi yang dapat mengurangi tingkat occupational stress pada developer aplikasi.

---

Digital transformation has changed the business landscape, presenting new opportunities and challenges with the rapid advancement of technology. The increasing demand for innovative digital applications has led to a significant workload for developers. However, high workloads can potentially result in occupational stress, negatively impacting the well-being and performance of individuals. This study aims to determine the level of occupational stress among developers and identify contributing factors. The research methodology combines the use of electroencephalogram (EEG) to measure brain activity and the Job Stress Scale (JSS) to collect subjective data on perceived stress levels. The study sample was obtained from a property development company in Indonesia. Data analysis revealed that Theta and Beta Low waves can indicate stress levels based on workload comparisons. The correlation between EEG data and JSS dimension scores indicates that Time Stress and Anxiety Stress significantly influence the stress levels of application developers. The findings of this study are expected to provide a better understanding of the occupational stress experienced by application developers in the digital era. It is hoped that these research findings will encourage the development of strategies and interventions to reduce occupational stress levels among application developers."

"Pasar online shop di Indonesia sedang berkembang sangat pesat. Dengan semakin berkembangnya pasar online shop, menyebabkan semakin banyaknya online shop yang masuk dan beroperasi di Indonesia. Untuk mendapatkan pasarnya, maka online shop yang ada melakukan kegiatan pemasaran melalui berbagai macam cara, salah satunya adalah melalui akun Youtube. Penggunaan akun Youtube sebagai media pemasaran menggunakan video sebagai sarana penyampaiannya. Dalam menggunakan video sebagai sarana penyampaian, perlu diketahui karakteristik iklan online shop yang menarik secara kognitif dan emosional. Dalam penelitian ini, dilakukan evaluasi iklan online shop berdasarkan pada respon kognitif dan emosional penonton. Metode yang digunakan dalam penelitian ini adalah Frontal Alpha Asymmetry Analysis FAA dan kuesioner Positive and Negative Affect Scale PANAS . Metode FAA dilakukan dengan menggunakan data electroencephalogram responden selama dilakukan pemutaran video. Berdasarkan penelitian yang telah dilakukan, ada beberapa karakteristik video iklan online shop yang berpengaruh dan maupun tidak berpengaruh terhadap ketertarikan penonton.

---

Indonesia has a very strong growth as an online Shop market. Big market growth at Indonesia makes there are many online shops join and operate at Indonesia. To gain the market, online shop in Indonesia was doing so many marketing activities one of them is through Youtube channel. Using Youtube channel as marketing channel means using video as the content. Before using video as marketing content, developer needs to know characteristics of online shop advertisement which can attract the viewer.

In this research, writer evaluates online shop advertisement based on cognitive and emotional response of viewer. The methods of this research are Frontal Alpha Asymmetry Analysis FAA and Positive and Negative Affect Scale PANAS questionnaire. Frontal Alpha Asymmetry Analysis using data from electroencephalogram of response of respondent while watching advertising video. Based on result of this research, there are several characteristics of online shop advertising video that affect and did not attract viewers significantly."

"Electroencephalogram merupakan sebuah alat yang digunakan untuk mengukur aktifitas elektrik pada otak yang digunakan untuk mendeteksi dan menganalisis epilepsi, kejang, analisis tidur, dan penyakit otak lainnya. Penelitian ini membahas rancangan sistem akuisisi sinyal electroencephalogram 32 kanal dengan menggunakan 4 modul ADS1299EEGFE-PDK yang dikonfigurasi melalui protokol SPI mode cascade dan dikendalikan oleh LaunchPad MSP432P401R. Sistem ini dikembangkan menggunakan Energia dengan pengambilan sampel sebanyak 220 SPS dan resolusi 24 bit. Sinyal yang didapat ditampilkan dan disimpan dalam format time domain dan frequency domain menggunakan LabVIEW. Sistem ini diuji menggunakan NETECH MiniSIM EEG Simulator 330 dan dibandingkan dengan EEG komersial Neurostyle EEG-D-1 secara real-time menggunakan jumper tipe 100C dan konverter EASYCAP. Penelitian ini merupakan bagian dari penelitian EEG untuk rehabilitasi stroke.

---

An Electroencephalogram EEG is a device to obtain electrical activities of the brain, which is used to detect and analyze epilepsy, seizure, sleep analysis, and other brain defects. This paper presents the design of a 32 channels electroencephalogram signal acquisition system using 4 modules of the ADS1299EEGFE PDK configured with SPI cascade mode and controlled by a LaunchPad MSP432P401R. The system was developed using Energia and sampled to 24 bits up to 220 SPS. The acquired signals were displayed and saved in time domain and frequency domain using LabVIEW. These signals were tested to the NETECH MiniSIM EEG Simulator 330 and compared to a commercial EEG of Neurostyle EEG D 1 in real time using jumper 100C and EASECAP converter. This work is part of EEG research for stroke rehabilitation."

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"Salah satu fungsi dari bermain video games adalah untuk sarana hiburan, namun terdapat juga orang menjadi stress saat memainkan video games karena frustrasi gagal dalam mencapai tujuan dalam video games. Salah satu jenis game yang saat ini popular adalah Multi Player Online Battle Arena MOBA. Games tipe MOBA memiliki tingkat kerumitan dan menantang untuk player, sehingga tipe game ini cocok untuk penelitian ini dimana untuk melihat kejadian apa dalam game yang menyebabkan stress pada pemain. Penelitian ini bertujuan untuk mengevaluasi tingkat stress saat bermain video games melalui pendekatan ergonomi kognitif untuk melihat karakteristik in-game event yang meningkatkan stres. Metode yang digunakan dalam penelitian ini adalah frequency analysis dari average power, asymmetry, dan rasio alpha/beta serta rasio theta/beta. Metode frequency analysis dilakukan dengan menggunakan data electroencephalogram responden selama bermain game DOTA 2. Berdasarkan penelitian yang telah dilakukan, ada beberapa kondisi yang berpengaruh maupun tidak berpengaruh terhadap tingkat stress pemain baik itu yang sudah berpengalaman bermain DOTA 2 maupun yang pertama kali bermain DOTA 2.

---

One of the functions of playing video games is place for entertainment, but there are also people become stress while playing video games because of frustration fail to achieve objective in video games. One of video games genre that nowdays are popular is Multi Player Online Battle Arena MOBA. This MOBA games have high complexity and more challenging for player, so this genre is suitable for this research to see what in game events that makes player rsquo s stress. This research objective is to evaluate stress when playing video games using cognitive ergonomic approach to see what in game characteristic that increase stress.

Methods for this research are frequency analysis from average power, asymmetry, and alpha beta ratio also theta beta ratio. Frequency Analysis is conducted by using electroencephalogram data from respondent while playing DOTA 2. Based on result of this research, there are some conditions that affect and did not affect to player rsquo s stress to both experienced and first time player."