Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Sinyal Electroencephalogram (EEG) merupakan sinyal yang merepresentasikan aktifitas otak manusia. Berbagai metoda telah digunakan untuk menganalisa sinyal EEG. Tulisan ini bertujuan untuk menganalisa hasil deteksi sinyal hits dan lapses EEG dengan menggunakan transfonnasi wavelet diskrit maju level 3 dan jaringan saraf tiruan baclqaropagalion neural network (BPNN). Dimana kondisi lapses adalah kondisi seorang pasien yang pada saat sebelum pemeriksaau. (sehari sebelumnya) melakukan aktifitas yang berat. Sedangkan hits adalah kondisi dimana sehari sebelum pemeriksaan pasien melakukan aktifitas ringan.Tahapan simulasi yang dilakukan adalah pembangan sinyal EEG, selanjutnya sinyal didekomposisi dengan menggunakan transformasi wavelet daubechies 4 level 3 untuk diketahui komponennya lalu komponen-komponen sinyal hasil dekomposisi dilatih dengan menggunakan 3 lapisan BPNN dengan target sebuah sinyal lapses.Simulasi dilakukan dengan 500 kali pelatihan dan 100 kali pelatihan. Pada 500 kali pelatihan (training epoch), dilakukan deteksi terhadap keluaran BPNN yang masukannya adalah sinyal detail 1, detail 2, detail 3, dan aproksimasi transformasi wavelet diskrit maju level 3. Hasil simulasi menunjukkan pendeteksian terbaik didapat dari masukan sinyal detail 2 tmnsformasi wavelet. Dari simulasi didapat bahwa jumlah pelatihan berkaitan dengan keekuratan deteksi, semakin banyak pelatihan maka deteksi akan semakin akurat."

"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."

"Prevalensi stroke di Indonesia berdasarkan diagnosis tenaga kesehatan sebesar 7? dan yang mempunyai riwayat gejala sebesar 12,1?. Pemeriksaan awal menggunakan CT Scan menimbulkan dampak radiasi serta membutuhkan biaya operasional yang tinggi, sedangkan prevalensi stroke berdasarkan diagnosis atau gejala lebih tinggi pada kuintil indeks kepemilikan terbawah (13,1?) dan menengah bawah (12,6?).Penelitian ini mencoba melakukan analisis sinyal EEG secara otomatis berdasarkan data EEG pasien normal dan pasien stroke iskemik akut dengan pemrosesan sinyal digital berupa transformasi Wavelet serta jaringan saraf tiruan jenis feedforward dengan algoritma Extreme Learning Machine (ELM). Jordan mengemukakan bahwa elektroensefalografi dapat membantu mengkonfirmasi atau mendeteksi adanya stroke iskemik akut yang ditunjukkan dengan adanya perlambatan gelombang serta adanya ketidaksimetrisan antara gelombang otak kanan dan kiri.Penelitian ini menggunakan nilai Delta/Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) dan Brain Symmetry Index (BSI) sebagai nilai fitur masukan ELM yang diperoleh dengan transformasi Wavelet (Daubechies 4) serta metode Welch untuk mengidentifikasi stroke iskemik akut. Hasil penelitian ini diperoleh nilai akurasi di atas 85% dengan nilai sensitivitas di atas 86%

---

The prevalences of stroke in Indonesia are 7? based on the health professionals? statement and 12.1? based on patients' symptoms' history. Early examination using CT scan causes radiation effects and spent high operational cost while the prevalence of stroke based on diagnosis or symptoms were higher in the lowest (13.1 ?) and mid lower (12.6 ?) quintile of ownership index.

This study tried to analyze the signals of EEG automatically based on training data sets from normal patients and patients with acute ischemic stroke (AIS) using digital signal processing such as Wavelet transform and feedforward type of neural network with Extreme Learning Machine (ELM) algorithm. It was claimed that electroencephalography could help to confirm or detect acute ischemic stroke which is shown by the presence of the slow wave and the asymmetrical wave of right and left hemisphere.

This study uses Delta Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) and Brain Symmetry Index (BSI)'s value as the ELM input feature score which were obtained by Wavelet (Daubechies 4) transformation and Welch's method to identify acute ischemic stroke. In this study, the average performances of system test accuracy were above 85% with 86% sensitivity."

"Dekomposisi Spektral adalah metode yang menghasilkan ekspresi dari sebuah tras seismik pada domain waktu-frekuensi yang digunakan untuk menunjukkan broadband dari data seismik menjadi komponen frekuensinya. Analisis dari komponen spektra individu frekuensi ini dapat menunjukkan informasi geologi yang dibutuhkan lebih baik apabila dibandingkan dengan analisis data broadband secara konvensional. Selain itu dapat juga digunakan untuk mengestimasi lapisan tipis batubara yang memiliki temporal thickness lebih kecil dari ¼ λ. Ketebalan lapisan tipis batubara diwujudkan sebagai uraian dari rekaman spektrumnya. Metode yang digunakan dalam pengolahan data dekomposisi spektral ini adalah metode Continuous Wavelet Transform (CWT) yang menghasilkan domain waktu-frekuensi yang dapat menghasilkan resolusi gambaran seismik yang lebih baik dalam domain waktu-frekuensi.Pada penelitian ini data yang digunakan adalah 17 lintasan data seismik 2D dan 2 data sumur yang memiliki data checkshot. Hasil akhir yang diperoleh adalah peta estimasi penyebaran lateral lapisan tipis batubara dari lapangan ?B? pada Cekungan Sumatra Selatan dengan menggunakan Dekomposisi Spektral dengan metode CWT. Pada hasil akhir diperoleh lapisan batubara yang potensial di bagian tengah dan selatan daerah penilitian.

---

Spectral Decomposition is one of methods that decompose seismic trace in to time-frequency domain to demonstrate the seismic broadband data become its time-frequency. Time-frequency analysis and its component showing geologic features better than another conventional broadband data analysis. Spectral Decomposition is also used for estimating of coal seam that has temporal thickness less than ¼ λ. The thickness coal seam is manifested as its spectrum. The spectral decomposition algorithm that is used is Continuous Wavelet Transform (CWT) in time-frequency domain that yielding better seismic resolution in time-frekuensi domain.

This study used 17 lines of 2D seismic data and 2 well data that each has a checkshot data. This work produced map of lateral distribution of coal seam at the field "B" in South Sumatra Basin. The result show that the most potential coal seam is from the centre and north from study area."

"Dalam teknologi telekomunikasi, pemrosesan sinyal menyandang peran vital. Penerapan teknik tersebut telah merambah ke berbagai bidang seperti halnya bidang pengolahan suara dan ucapan, bidang pengolahan citra, kompresi data, dan estimasi spektral waktu frekuensi.Radar (Radio Detection and Ranging) adalah suatu metode penggunaan gelombang radio untuk mendeteksi kehadiran objek sasaran dan menentukan posisinya (lokasi/jaraknya) serta kecepatannya. Secara umum sinyal echo radar terdiri dari clutter c(t) yang merupakan hamburan dari benda-benda lain, noise n(t) atau derau yang lebih didominasi oleh penerima sendiri (kecuali pada frekuensi rendah), dan sinyal yang mungkin jika ada sasaran.Melalui bentuk pemodelan pembangkitan sinyal echo radar dengan bantuan program berbasiskan Matlab Simulink dan Matlab versi 4.2, maka dapat dianalisa sejauh mana penerapan dari untuk kerja transformasi Wavelet dan membandingkannya dengan transformasi Fourier dalam mengidentifikasi sinyal echo radar . Pemrosesan sinyal ditujukan untuk mengetahui kandungan frekuensi Doppler, dengan kata lain untuk tujuan mengetahui besar kecepatan radial benda terhadap radar. Dalam setiap deteksi diasumsikan selalu ada sasaran yang sudah berhasil dideteksi, sehingga yang harus dilaksanakan adalah mengetahui besar kecepatan radialnya.

---

Signal processing plays an important role in communication technology. Application of the technique has broadly expanded to various fields such as sound and utterance processing, image processing, data compression and frequency time spectral estimation.Radar (Radio Detection and Ranging) is one method of using radio wave to detect the targeted objects, their positions (in terms of location and distance) and speeds. Signally radar echo signal consists of clutter c(t), scattering from other objects, noise n(t) or roaring sound, dominantly controlled by the internal receiver (except for low frequency), and possible signal, when the target exist.In form of radar echo signal erection modeling supported with the program-based Matlab Simulink and Matlab Version 4.2, we may analyze application of Wavelet transforms displays as far as possible and compare to the Fourier transforms to identify radar echo signal. Signal processing is aimed at knowing the Doppler frequency ingredients. In other words, it is purposed to see the objects radial speed against the radar. It is assumed that there are always targeted objects already successfully detected. In this care, it is our task to determine the radial speed."