Perbandingan Performansi Denoising Menggunakan Metode Discrete Wavelet Transform Dan Metode Empirical Mode Decomposition Pada Sinyal Eeg

Abstract

Abstrak Penelitian ini merancang sebuah sistem denoising untuk merekonstruksi sinyal EEG (Electroencephalogram). Denoising pada sinyal EEG penting dilakukan karena adanya noise yang tidak diinginkan sehingga dalam analisis sinyal EEG sulit mendapatkan informasi sinyal yang sebenarnya. Pada penelitian ini terdapat dua kasus yaitu sinyal EEG bersih akan diberikan dua noise yang berbeda yaitu Additive White Gaussian Noise (AWGN) dan Ocular Noise yang kemudian pada masing-masing kasus akan di denoising dengan menggunakan dua metode yaitu Emphirical Mode Decomposition (EMD) dan Discrete Wavelet Transforms (DWT). Pengujian dilakukan untuk memperoleh parameter-parameter pengukuran yaitu Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), serta Peak Signal-to-Noise Ratio (PSNR). Berdasarkan hasil pengujian terhadap 5 data sinyal EEG, denoising terbaik untuk AWGN dilakukan oleh metode DWT dengan basis wavelet DB12, threshold method SURE dengan hard threshold dan level dekomposisi 6 dengan nilai MSE 0,000029, SNR 27,97dB serta PSNR 26,20 dB. Pada percobaan Ocular Noise, DWT dengan Basis Wavelet DB12 dan level dekomposisi 1 menunjukkan hasil terbaik pada SNR sebesar 29,99 dB PSNR 23,76 dB, sedangkan untuk hasil MSE terbaik sebesar 0,00060 diberikan oleh metode EMD dengan hard thresholding pada nilai dekomposisi 0,1. Kata kunci: Electroencephalogram (EEG), Emphirical Mode Decomposition (EMD), Denoising, Discrete wavelet Transform (DWT). Abstract This Project designed a denoising system to reconstruct EEG (Electroencephalogram) signals. Denoising the EEG signal is important because there is unwanted noise so that in the EEG signal analysis it is difficult to get the actual signal information. In this study there are two cases, namely the clean EEG signal will be given two different noise, namely Additive White Gaussian Noise (AWGN) and Ocular Noise, which in each case will be denoised using two methods namely Emphirical Mode Decomposition (EMD) and Discre te Wavelet Transforms (DWT). Testing is done to obtain measurement parameters, namely Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), and Peak Signal-to-Noise Ratio (PSNR). Based on the test results of 5 EEG signal data, the best denoising for AWGN is done by the DWT method with DB12 Wavelet Base, Threshold Method SURE with hard threshold and Decomposition Level 6 with MSE values of 0.000029, SNR 27.97 dB and PSNR 26.20 dB. In the Ocular Noise experiment, DWT with DB12 Wavelet Base and decomposition level 1 showed the best results at SNR of 29.99 dB PSNR 23.769 dB, while the best MSE results of 0.00060 were given by EMD method with hard thresholding at decomposition value 0.1. Keywords: Electroencephalogram (EEG), Denoising, Emphirical Mode Decomposition (EMD), Discrete wavelet Transform (DWT).