Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTPergerakan suatu anggota tubuh adalah hasil dari usaha kolektif yang dilakukan oleh otak, saraf, dan kegiatan otot. Jika salah satu faktor penentu diatas tidak dapat berfungsi, maka pergerakan tidak dapat dilakukan. Hal itu mungkin menjadi sesuatu yang alamiah bagi mereka yang sejak awal kehilangan fungsi tubuhnya, namun mereka yang kehilangan fungsi tersebut setelah pergerakan menjadi bagian mendasar dari keseharian hidup mereka merupakan hal yang berbeda. Pada skripsi ini akan dibahas penelitian untuk merancang bangun alat akuisisi data sinyal Electromyograph EMG dengan menggunakan elektroda surface Ag-AgCl serta analisis kinerjanya. Sinyal 2-channel surface electromyograph SEMG didapatkan dari bagian ekstremitas atas tubuh yaitu Flexor Carpi Radialis yang kemudian akan difilter dengan serangkaian rancangan biopotential amplifier dan band-pass filter sebelum diproses menggunakan mikrokontroler. Selanjutnya sinyal yang didapat akan digunakan untuk klasifikasi dan spesialisasi pola gerakan tangan. Hasil pengujian menunjukan bahwa rangkaian filter yang dirancang telah menunjukan pola keluaran sinyal EMG dengan jelas. Karena karakteristik sinyal EMG yang berbeda pada setiap orang maka untuk melihat kinerja dari perangkat, pola yang dihasilkan dibandingkan dengan hasil jurnal yang sudah ada. Terlihat bahwa pola yang ditunjukan sudah sangat mirip dengan penelitian yang dilakukan sebelumnya dengan fluktuasi sinyal yang sangat intens ketika kerja selain rileks dilakukan.

---

ABSTRACTLimb movement is the result of a collective effort done by the brain, nerves, and muscle activity. If one of the above determinants does not work, the movement can not be performed. It may be natural for those who have lost their bodily functions from the very beginning, but those who lose their function after the movement becomes a fundamental part of their daily lives are different. In this research Electromyograph signal data acquisition EMG by using AgCl surface electrode will be designed. The 2 channel surface electromyograph SEMG signal is obtained from the upper extremity of the body, the Flexor Carpi Radialis which will then be filtered with a series of filter before being processed using a microcontroller. Furthermore, the signal obtained will be used for classification and specialization of hand movement patterns. The test results show that the designed filter circuit has shown EMG signal output pattern clearly. Due to the characteristics of different EMG signals in each person, to see the performance of the device, the resulting pattern is compared with the results pattern of an existing journal. It is seen that the pattern shown similarity to previous research with very intense signal fluctuations when muscle being contracted. "

"Perkembangan yang cepat di bidang Biosensing telah membuka gerbang kepada peneliti untuk mengeksplorasi penggunaan sinyal biologis. Salah satu dari penggunaan sinyal ini adalah Human-Computer Interface (HCI), yang memungkinkan seseorang untuk berinteraksi dengan komputer tanpa kontak fisik. Agar sebuah perangkat HCI dapat berfungsi dengan efisien, sensor-sensor yang digunakan untuk mengakuisisi sinyal biologis harus nyaman digunakan dan mudah dibawa. Pada Tugas Akhir ini penulis mengajukan sebuah desain modifikasi untuk OpenBCI Cyton biosensing board, yang akan menggantikan modul RFDuino RFD22302 dengan modul Espresif ESP-32. Proses penelitian meliputi modifikasi desain PCB, fabrikasi, pemrograman, sampai pengujian 2 iterasi. Pada pengujian iterasi pertama purwarupa berhasil mengidentifikasi kontraksi/aktivasi otot dengan amplitudo di sekitar 1 milivolt dan juga aktivitas ripple/noise yang berhasil dieliminasi pada iterasi kedua dengan perbaikan posisi perekaman sinyal. Perbandingan pola rekaman dengan Myoware muscle sensor juga menunjukkan kemiripan hasil yang menandakan kemiripan hasil satu sama lain dengan perbendaan yang minimum.

---

The rapid development in the field of Biosensing technology has allowed scientists to explore a multitude of biosignal application. One of this application is the Human-Computer Interface, which allows humans to directly control a machine without direct physical inputs. For a HCI device to be efficiently utilized, the sensors utilized in acquiring human biosignal must be somewhat comfortable to use and mobile. In this Bachelor’s Thesis the author proposed a modification design for OpenBCI Cyton biosensing board, which replaced its outdated RFDuino RFD22302 with the newer, widely used, and well-documented Espressif ESP-32. Research processes include the base PCB modification, its fabrication, programming, and 2 iteration of testing. First has shown that the prototype is capable of detecting EMG signals with the amplitude of around 1 millivolt but also the presence of noise/ripple, which was successfully eliminated in the second iteration with better recording positioning. Further comparison also has shown that the prototype’s recording result was highly similar with the recording result from Myoware muscle sensor with only slight differences."

"Rancangan sistem kontrol lengan robot dengan menggunakan sinyal elektromiogram (EMG) telah dibuat dengan elektroda permukaan sebagai transduser. Sinyal EMG diolah dengan sistem pengolahan sinyal dan diakuisisi dengan menggunakan mikrokontroler H8/3069F . Data pengamatan ditampilkan dalam bentuk Graphical User Interface (GUI) yang dibuat dengan bahasa pemrograman Python dan disimpan dalam database Microsoft Access. Kontrol lengan robot dilakukan berdasarkan gerakan fleksi-ekstensi pergelangan tangan. Sinyal EMG dikarakterisasi berdasarkan root mean square (RMS) sehingga sinyal EMG dapat diklasifikasikan. Gerakan fleksi memiliki RMS antara 0.01 - 0.13 V dan gerakan ekstensi memiliki RMS antara 0.69 - 1.19 V. Sinyal EMG yang telah diklasifikasi ini digunakan sebagai input untuk mengontrol servo motor pada lengan robot.

---

Designing control system of arm robot using electromyiogram (EMG) signal have been made with surface electrode as tranducer. EMG signal is processed by signal conditoning system dan acquired by microcontroller H8/3069F. Recording EMG signal is displayed on Graphical User Interface (GUI) with Python as programming language and stored in Microsoft Access database. Arm robot is controlled by flexion-extension of wrist joint movements. Extract feature EMG signal is determined by root mean square (RMS). RMS for each movements is vary, 0.01 - 0.13 V for flexion and 0.69 - 1.19 V for extension. These classification feature of EMG signal is used to control servo motor of arm robot."

"Pada penelitian ini, suatu sistem tangan bionik dirancang dan dibuat berdasarkan batasan-batasan yang dapat ditemukan dalam tangan manusia yang kemudian akan dikontrol dengan serangkaian algoritmayang ditulis dalam Matlab dan kemudian ditanamkan kedalam kontroler Arduino Uno. Algoritma memberikan perintah agar sistem dapat mengikuti beberapa pola gerakan tangan. Algoritma classification berdasarkan ensemble subspace KNN digunakan untuk menentukan gerakan yang dilakukan dan algoritma forward kinematics digunakan untuk menentukan parameter kontrol tangan bionik. Hasil dari penelitian menunjukan bahwa algoritma kontrol yang di rancang sudah memenuhi spesifikasi yang diinginkan namun masih membutuhkan perangkat keras dengan spesifikasi yang cukup tinggi untuk pengaktuasian.

---

In this research, a bionic hand system is designed and created according to the limitations of the human hand, the model is then controlled using computer algorithms written in Matlab and implanted into Arduino Uno as the controller. The algorithm will command the system to follow a few arm movements patterns. Subspace KNN based ensemble algorithm is used to process the users input and a forward kinematics-based algorithm define control parameters for the bionic arm. The experimental result indicate that the designed algorithm already met the desired specification but still requires hardwares with quite a high specification for actuation."

"Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut.

---

The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event."

"ABSTRAKEmosi merupakan suatu keadaan psikologis yang dipicu oleh aktivitas sensorik manusia baik secara sadar maupun tidak sadar. Emosi berperan penting dalam kehidupan manusia seperti dalam pengambilan keputusan, dalam mengekspresikan diri, dan lain sebagainya. Emosi dapat dihasilkan menggunakan rangsangan/stimulus tertentu seperti emosi takut dihasilkan menggunakan hal-hal yang menyeramkan seperti gambar pembunuhan, emosi bahagia dapat dipicu menggunakan stimulus gambar-gambar yang menyenangkan seperti gambar pemandangan, emosi sedih dapat dipicu menggunakan musik-musik sendu, menangis, dan hal-hal menyedihkan lainnya, dan emosi jijik dapat dipicu mengunakan stimulus yang menjijikkan seperti kotoran manusia. Beberapa stimulus yang biasa digunakan dalam penelitian adalah gambar, text, audio, atau video. Pada proses penghasilan emosi, terdapat aktivitas elektrik dalam otak manusia yang dapat direkam menggunakan perangkat bernama Elektroensefalografi EEG , rekaman gelombang otak ini juga dapat dilakukan menggunakan perangkat yang bernama neuroheadset. Penelitian ini membahas tentang pengembangan sistem akuisisi data sinyal otak menggunakan neuroheadset dan menghasilkan database yang digunakan untuk analisis emosi. Dalam penelitian ini digunakan stimulus berupa video yang terdiri dari kumpulan gambar. Setiap gambar dalam video telah melalui proses validasi sesuai dengan kelas emosi yang diinginkan. Kelas emosi yang digunakan dalam penelitian ini yaitu bahagia, jijik, sedih, dan takut. Setiap kelas emosi memiliki empat stimulus video. Proses validasi dilakukan oleh lima orang partisipan dan proses pengambilan data sinyal otak dilakukan terhadap empat orang partisipan. Pengambilan data dilakukan menggunakan perangkat neuroheadset dengan vendor Emotiv tipe Epoc. Hasil rekaman sinyal diproses menggunakan Matlab dan menghasilkan database berukuran 16x14x7680, dimana angka 16 merepresentasikan jumlah stimulus video, 14 merepresentasikan sensor Emotiv Epoc yang digunakan, dan 7680 merupakan data sinyal yang diambil selama 60 detik dengan frekuensi sampling 128 Hertz. Tingkat keberhasilan tertinggi untuk emosi bahagia, jijik, sedih, dan takut secara berurut adalah 75 , 62.5 , 62.5 , dan 75 . Tingkat keberhasilan tertinggi ini dicapai untuk variasi channel frekuensi alpha, sensor yang digunakan yaitu F7, F3, F4, dan F8. Teknik klasifikasi yang digunakan adalah feed-forward backpropagation neural network.

---

ABSTRACTEmotion is a psychological state that triggered by human sensory activity both consciously and unconsciously. Emotions play an important role in human life such as decision making, self expression, and others. Emotions can be generated using certain stimuli such as feared emotions generated using scary things like murder images, happy emotions can be triggered by stimuli of fun images such as sight images, sad emotions can be triggered using melodic music, crying, and other sad things, and disgusted emotions can be triggered using disgusting stimuli like human feces. Some of the stimuli commonly used in research are using images, text, audio, or video. In the process of earning emotions, there is electrical activity in the human brain that can be recorded and processed to obtain brain signals using a device called Electroencephalography EEG , these brainwave records can also be recorded using a device called neuroheadset. This study discusses the development of data acquisition system of brain signals using neuroheadset and generate database used for emotion analysis. In this study used a video stimulus consisting of a collection of images. Each image in the video has gone through the validation process according to the desired emotion class. Four kind of emotion used in research that are happy, disgusted, sad, and scared. Each emotional class has four video stimuli. Five participants carried out the validation process and the process of retrieving the brain signals data performed on four participants. Data retrieval performed using a neuroheadset device with Emotiv vendor with Epoc type. The recording of the signal is processed using Matlab and generates a 16x14x7680 database, where the number 16 represents the number of video stimuli, 14 represents the Epoc Emotion sensor used, and 7680 is the signal data taken for 60 seconds with 128 Hertz sampling frequency. The highest recognition rate for happy, disgusted, sad, and fearful emotions are 75 , 62.5 , 62.5 , and 75 . The highest success rate achieved for alpha frequency channel variation the sensors used are F7, F3, F4, and F8. The classification technique used is feed forward backpropagation neural network."

"Sistem kendali merupakan hal penting di dalam perancangan sebuah alat bantu berjalan untuk pasien pasca stroke yang mengalami hemiparetik pada kakinya. Sistem kendali yang baik harus mampu mengetahui keinginan bergerak atau berjalan dari manusia dan menerjemahkan keinginan tersebut menjadi sebuah gerakan yang alami melalui alat bantu berjalan yang umumnya digerakkan oleh sebuah perangkat DC motor. Sudah banyak penelitian yang telah dilakukan untuk melakukan deteksi terhadap keinginan manusia untuk bergerak atau berjalan melalui berbagai macam sensor yang dipasang pada otot-otot yang terkait. Fokus dalam penelitian ini adalah melakukan deteksi gaya berjalan melalui sinyal elektromiografi yang diperoleh dengan menggunakan sensor-sensor EMG yang dipasangkan pada permukaan 12 otot yang sangat berkaitan dengan gerakan atau gaya berjalan pada manusia. Adapun 12 otot ini terdiri dari 2 otot bahu yaitu Deltoid Anterior (DA) dan Deltoid Posterior (DP), dan 10 otot kaki yang terdiri dari Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), dan Peroneus Longus (PL). Sinyal elektromiografi dari 12 otot tersebut direkam dari 2 pasien sehat yang tidak mengalami gangguan berjalan, terdiri dari 1 orang pria dan 1 orang wanita. Sinyal tersebut kemudian diproses melalui aplikasi Matlab untuk dilakukan proses klasifikasi dengan menggunakan teknik Artificial Neural Network (ANN). Di samping itu, metode machine learning juga dilakukan yaitu dengan teknik Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), yang bertujuan untuk mendapatkan perbandingan berbagai teknik tersebut agar didapatkan hasil dengan tingkat akurasi terbaik di dalam melakukan deteksi gaya berjalan yang dibedakan menjadi 3 yaitu: berjalan normal, naik tangga dan turun tangga. Hasil terbaik yang diperoleh dari penelitian ini dengan menggunakan algoritma ANN yang mampu menghasilkan prediksi sempurna dengan tingkat akurasi 100%, kemudian tingkat akurasi terbaik yang diperoleh dengan metode machine learning masing-masing untuk algoritma SVM adalah sebesar 99.2%, algoritma KNN sebesar 98.8% dan algoritma LDA sebesar 97.2% yang semuanaya diperoleh dari dataset kombinasi sinyal EMG otot bahu dan kaki. Hasil ini sangatlah penting di dalam penelitian yang akan dilakukan di kemudian hari dalam merancang sebuah sistem kendali yang mampu mengenali keinginan bergerak atau berjalan manusia baik saat berjalan normal maupun ketika hendak naik atau turun tangga sehingga alat bantu berjalan yang dihasilkan dapat digunakan dengan nyaman dan aman oleh pemakainya.

---

Control strategy is a fundamental role and very important part to create a walking assistive device for patients after stroke with a hemiparetic leg. A good control strategy must have the ability to predict the human motion or walking intention and naturally deliver force by the walking assistive device thereafter. This force is usually generated by the electric actuator using direct-drive motor. Recently, many studies have addressed and put more interest in predicting the human motion intention through various sensors which put on the surface of related skeletal muscles. This study focuses on gait event detection using electromyography signals from 12 muscles comprise of 2 shoulder muscles those are Deltoid Anterior (DA) and Deltoid Posterior (DP) and 10 lower limb muscles those are Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), and Peroneus Longus (PL). The EMG signals are recorded unilaterally using surface EMG sensor from 2 healthy subjects without walking disorder, consist of 1 male and 1 female. The signals are processed on Matlab platform subsequently for classification process using Artificial Neural Network (ANN) technique. Besides, the machine learning methods are also used in this research i.e. Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) and K-Nearest Neighbor (KNN). The purpose of using several methods is to output the comparison with highest accuracy result in predicting the gait events which are divided into 3 types: normal walking, stair ascent, and stair descent. The best outcome along this research is generated from ANN algorithm which could steadily predict without any error with accuracy rate 100%. Furthermore, the best results from machine learning method are 99.2% using SVM algorithm, 98.8% using KNN algorithm and 97.2% using LDA algorithm. All those performances are resulted from datasets with combination between EMG signals from shoulder and lower limb muscles. This achievement becomes a significant factor for the future studies to design a control strategy with good human-robot interaction that can recognize the human motion intention in each different gait event to contrive comfort and safety walking assistive device for the wearer. "

"Pemahaman akan sifat material dalam dalam proses perancangan dan fabrikasi sangat penting sehingga untuk itu diperlukan perancangan dan penelitian dan pengembangan alat bantu agar proses belajar mahasiswa S1 Teknik Mesin dalam mata kuliah Material Teknik dapat lebih baik. Proses belajar akan lebih kuat menanamkan pengertian dan pemahaman dengan melakukan pengamatan langsung sifat mekanik bahan dengan menggunakan alat uji tarik portabel yang dilengkapi dengan data akuisisi sebagai salah satu pelengkap peraga demostrasi uji tarik untuk sebuah spesimen material pada mata kuliah material teknik.

---

Understanding of material properties in mechanical design and manufacturing are very important, therefore, design research and development of learning tool to fullfil learning process objective of Student at Mechanical Engineering in Engineering Material subject become better. Learning process will be better by implementing understanding and know-how by doing direct observation of mechanical material properties through portable tensile strength test bed with data acquisition as a tool for demonstrate tensile strength of a test piece in engineering material subject."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"Sistem instrumentasi akuisisi data yang telah dibuat berhasil diuji untuk mengakuisisi sinyal EEG (Electroencephalogram) berbasis mikrokontroler 32-bit ATSAM3X8E ARM Cortex-M3. Instrumen ini terdiri dari elektroda 16-channeldalam bentuk EEG head-caps yang terhubung dengan ADC (Analog to Digital Converter) ADS1299Texas Instrument. ADC ini memilikiresolusi sebesar 24-bit sehingga dapat presisi mengakuisisi sinyal analog sinyal EEG dalam orde microvolt (μV). Sistem front-end ADS1299 dirancang dalam format double-layer PCB (Print Circuit Board) dengan konfigurasi daisy-chain, sehingga dapat secara simultan mengakuisisi data sebanyak 16-channel. Protokol SPI (Serial Peripheral Interface) untuk proses aktivasi ADS1299 berhasil diuji dengan SPI Analyzer Hantek 4032L logic analyzer dengan sampling rate sebesar 400 MSa/s. Sistem akuisisi data dapat menampilkanhasil akuisisi secara real-time dalam bentuk grafik, brain-mapping 16-channel, serta hasil pengolahan sinyal (signal processing) dengan metode FFT (Fast Fourier Transform). Aplikasi firmware software GUI (Graphical User Interface) yang dikembangkan berbasis OpenBCI (Brain Computer Interface) dengan Java Processing dan dapat melakukan proses penyimpanan data dalam format *.txt. Sistem akuisisi data EEG telah divalidasi dengan EEG Simulator NETECH 330.Proses pengujian dilakukan pada frekuensi 2 Hz dan 5 Hz, dengan variasi amplitudo sebesar 10 μV, 30 μV, 50 μV, dan 100μV pada channel-1 hingga channel-16. Pada pengujian di frekuensi 2 Hz menghasilkan deviasi error maksimum sebesar 8.66% ± 2% dan deviasi minimum sebesar12.11% ± 2%, serta pada pengujian di frekuensi 5 Hz menghasilkan deviasi error maksimum sebesar 7.18% ± 2% dan deviasi minimum sebesar 0.03±2 %.

---

The data acquisition instrumentation system has been successfully tested to acquire of EEG (electroencephalogram) signals with 32-bit microcontrollers based on the ARM Cortex-M3 ATSAM3X8E. The instrument consists of a 16-channel electrodes in the form of EEG head-caps connected to ADC (Analog to Digital Converter) ADS1299 Texas Instruments. The ADC device has a 24-bit resolution so that it can precision to acquire the analog of EEG signals in order microvolt (μV). The ADS1299 front-end system has been developed in the format of a double-layer PCB (Print Circuit Board) with a daisy-chain configuration, and also can simultaneously acquire as much data as 16-channel. The SPI (Serial Peripheral Interface) protocol for activation process the ADS1299 has been successfully tested SPI Analyzer based Hantek 4032L logic analyzer with 400 MSa/s sampling rate. The data acquisition system can display the results in realtime format in the form of graphs, brain-mapping of 16-channels, as well as the results of signal processing FFT (Fast Fourier Transform) based. The firmware application software of GUI (Graphical User Interface) have been developed based on OpenBCI (Brain Computer Interface) with Java Processing and can saved of data results in *.txt format. The EEG data acquisition system has been validated with EEG Simulator NETECH 330. The systemhas beentested at a frequency of 2 Hz and 5 Hz with amplitude variations of 10 μV, 30 μV, 50 μV, and 100 μV on channel-1 to channel-16. The final results of validation process at a frequency of 2 Hz was produced a deviation error maximum of 8.66% ± 2% and minimum deviation 12.11% ± 2%, as well as at frequency of 5 Hz was produced a deviation error to a maximum of 7.18% ± 2% and minimum deviation of 0.03 ± 2 %."