Buletin Psikologi, Volume 29, Number 1, 2021: (page 92 – 115)

ISSN 0854-7106 (print) | ISSN 2528-5858 (Online)

https://jurnal.ugm.ac.id/buletinpsikologi
DOI: 10.22146/buletinpsikologi.52328

Dasar - Dasar Electroencephalography (EEG) bagi Riset

Psikologi
The Basics of Electroencephalography (EEG) for
Psychological Research
Zulfikri Khakim1, Sri Kusrohmaniah2
Fakultas Psikologi Universitas Gadjah Mada

Submitted 9 December 2019 Accepted 27 December 2019 Published 28 June 2021

Abstract. Electroencephalography (EEG) is a method used to record electrical activity of

the brain on the surface of the scalp. EEG records potential electrical fluctuations arising
as a result of the activity of brain cells. By virtue of research progress and increasingly
sophisticated measurement tools, EEG is increasingly used in the studies of cognitive
functions. This paper aims to describe a theoretical introduction to EEG tools, and its
usage in the study of psychology and social science, particularly pertaining data
analysis and administration of research with experimental design. The discussion
begins by describing the neural basis and measurement assumptions of EEG, followed
by an explanation of the EEG device components and installation standards. The second
part describes signal processing by providing examples of various artifacts that damage
the quality of the EEG data, as well as several commonly used methods for correcting
these artifacts. We conclude with explanation of feature extraction through presentation
of several examples of methods for EEG data processing, which are then associated
with behavior, mental processes or brain activity.
Keywords: electroencephalography; experiment; psychology

Abstrak. Electroencephalography (EEG) merupakan metode untuk merekam aktivitas

elektris otak pada permukaan kulit kepala. EEG merekam fluktuasi potensial elektris
yang muncul sebagai akibat dari aktivitas sel-sel otak. Seiring dengan kemajuan
penelitian dan semakin canggih alat ukur, EEG semakin banyak digunakan dalam
penelitian mengenai fungsi kognitif. Artikel ini bertujuan untuk menjelaskan pengantar
teoretis mengenai alat EEG serta proses dalam analisis data untuk konteks penelitian
dan eksperimen dalam kajian ilmu psikologi maupun ilmu sosial secara umum. Bagian
awal mendeskripsikan mengenai dasar neural dan asumsi pengukuran dalam EEG,
yang diikuti dengan penjelasan mengenai komponen-komponen alat EEG dan standar
pemasangan. Bagian kedua menjelaskan mengenai pemrosesan sinyal yang
memberikan contoh berbagai artefak yang merusak kualitas data EEG, serta beberapa
metode dalam melakukan koreksi artefak yang umum digunakan. Ekstraksi fitur
menjelaskan beberapa contoh metode dalam mengolah data EEG untuk kemudian fitur
tersebut diasosiasikan dengan perilaku, proses mental atau aktivitas otak.
Kata kunci: electroencephalography; eksperimen; psikologi

1Address for correspondence: *[email protected], [email protected] 92

 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Pengantar

Electroencephalography (EEG) merupakan metode untuk merekam aktivitas elektris otak

pada permukaan kulit kepala. Penggunaan EEG pada manusia pertama kali dilakukan
oleh Hans Berger pada tahun 1924, yang kemudian mulai menuai perhatian pada tahun
1930 (Borck & Hentschel, 2018). EEG menjadi salah satu alat utama dalam mendiagnosis
epilepsi, selain itu juga dapat digunakan untuk mendeteksi kelainan yang berkaitan
dengan fungsi serebral (Binnie & Prior, 1994). Penelitian mengenai otak semakin marak
setelah presiden Amerika George H. W. Bush menjuluki tahun 1990-1999 sebagai ”Decade
of the Brain”, sebagai penanda dalam meningkatkan fokus pada penelitian otak (Bauer &
Dunn, 2013). Seiring dengan kebutuhan atas keakuratan dalam hasil pengukuran
psikologi pada ranah neurosains kognitif serta kemajuan penelitian dan semakin canggih
alat ukur, EEG semakin banyak digunakan dalam penelitian mengenai fungsi kognitif
dalam konteks yang lebih luas, seperti persepsi, fungsi luhur, atensi, hingga emosi.
Pengukuran respons otak terhadap stimulus melalui EEG menjadi salah satu
metode yang paling umum digunakan dalam bidang neurosains kognitif yang
mengasosiasikan antara aktivitas fisiologis dengan pemrosesan informasi, sensori,
perseptual, hingga aktivitas kognitif (Handy, 2005). EEG memberikan peluang untuk
menyelidiki fungsi keperilakuan otak secara non-invasif, serta memungkinkan untuk
melakukan pengukuran terhadap aktivitas otak yang terjadi spontan sebagai respons
terhadap stimulus. Penggunaan alat ukur berbasis fisiologis mampu meningkatkan
akurasi dari asesmen perilaku klasik yang umumnya berupa paper-and-pencil (Kessels,
2019).
Tulisan ini bertujuan untuk memberikan dasar-dasar sebagai pengantar teoretis
mengenai alat EEG serta proses dalam analisis data untuk konteks penelitian psikologi
maupun ilmu sosial, bukan dalam konteks klinis/medis. EEG yang menjadi fokus dalam
pembahasan adalah digital EEG. Sebagian besar isi dari tulisan ini dapat ditemukan di
buku Kappenman & Luck (2010), Luck (2014), dan Nunez & Srinivasan (2006) yang
memberikan dasar teoretis secara mendalam, serta Dickter & Kieffaber (2014) yang
memberikan panduan praktis untuk analisis data EEG dalam konteks penelitian
psikologi. Dasar-dasar mengenai neuron, otak, dan fungsi keperilakuan otak dapat
ditemukan di buku-buku pengantar biopsikologi (Kalat, 2016; Pinel, 2014), maupun
neurosains kognitif atau keperilakuan (Gazzaniga et al., 2009; Senior et al., 2006).

Pembahasan

Dasar-Dasar dan Asumsi Pengukuran

Dasar Neural
Otak manusia terdiri atas setidaknya 86 milyar sel/neuron (Azevedo et al., 2009). Sel-sel
otak tersebut memproses informasi dalam bentuk potensial listrik dan diteruskan ke sel
lain melalui sambungan yang disebut sinapsis. Aktivasi otak merupakan kondisi di mana
sel-sel otak tersebut memproses dan meneruskan potensial listrik (proses yang disebut

93
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

potensial aksi). Ketika satu sel teraktivasi, sel tersebut akan mengaktifkan sel-sel terdekat
sehingga menimbulkan sinkronisasi antar sel, yang kemudian menimbulkan efek berantai
terhadap sel-sel lain (propagasi). Fluktuasi potensial listrik akan muncul sebagai akibat
dari aktivitas sel-sel otak tersebut. Fluktuasi tersebut yang kemudian diukur mengguna-
kan sensor sehingga peneliti dapat mengobservasi aktivitas otak. Electroencephalography
merupakan metode untuk merekam aktivitas potensial elektris otak pada permukaan
kulit kepala. Sel otak pada dasarnya hanya menghasilkan potensial elektris yang sangat
rendah, sehingga metode pengukuran dengan EEG hanya dapat merekam aktivitas
elektris yang dihasilkan oleh kumpulan sel yang tersinkronisasi sekaligus, dan hanya
terbatas pada area korteks (bagian otak besar). Sebagian besar aktivitas elektris yang
dapat direkam oleh EEG bersumber dari neuron piramidal. Sel-sel tersebut cenderung
memiliki orientasi yang sama. Secara teknis EEG tidak merekam potensial aksi antar sel
otak, namun agregasi dari potensial listrik yang dihasilkan dari potensial post-sinaptik
(Luck, 2014).
Aktivitas sel-sel otak menghasilkan osilasi, atau yang kerap di asosiasikan dengan
gelombang otak, dengan frekuensi (jumlah gelombang per detik), amplitudo (kekuatan
gelombang) dan fase yang berbeda-beda. Otak manusia menghasilkan 5 jenis gelombang
utama yang diklasifikasikan berdasarkan frekuensinya: gelombang alpha (8–13 Hertz),
theta (4–8 Hertz), beta (14–26 Hertz), delta (0.5–4.0 Hertz), gamma (di atas 30 Hertz) dan mu
(8–13 Hertz). Frekuensi gelombang alpha dan mu menunjukkan rentang frekuensi yang
sama, perbedaan di antara keduanya adalah lokasi dari osilasi tersebut: gelombang mu
ditemukan pada korteks motorik, sementara gelombang alpha umumnya ditemukan pada
korteks visual (Luck, 2014).
Gelombang yang terekam oleh EEG merupakan hasil dari percampuran beberapa
osilasi yang muncul bersamaan pada frekuensi yang berbeda. Untuk dapat melihat
amplitudo dari tiap gelombang (band power), dilakukan proses kalkulasi matematis
analisis transformasi Fourier, konsep ini akan diperdalam pada bagian ekstraksi fitur.
Bagan 1

Ilustrasi Gelombang Campuran dari Komponen Gelombang Individual yang Berbeda Frekuensi
dan Amplitudonya di Kolom A, menjadi Gelombang yang Terobservasi di Kolom B.
A B
5 Hz
1 μV

10 Hz
1 μV

0 200 400 600 800

26 Hz
0.5 μV

94
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Kelebihan dan Kelemahan EEG

Terdapat berbagai batasan dalam pengukuran aktivitas otak yang dapat terdeteksi oleh
sensor. Berbagai faktor menjadi penentu bagaimana aktivitas tersebut dapat
termanifestasi sebagai potensial listrik yang dapat direkam, antara lain, bentuk sel,
orientasi ‘pancaran’ potensial listrik, hingga aktivitas sel lain yang berdekatan. Morfologi
permukaan otak yang terdiri atas lipatan-lipatan girus dan sulkus menjadikan tidak
semua pancaran sel piramidal dapat terdeteksi di permukaan kepala. Terdapat beberapa
kondisi umum agar sinyal potensial elektris tersebut dapat terekam (Luck, 2014): (1)
aktivasi sel dalam jumlah banyak secara serentak, (2) tiap-tiap sel memiliki orientasi dan
arah arus yang kurang-lebih sama, (3) potensial post-sinaptik pada sebagian besar sel
muncul dari bagian sel yang sama. Analogi yang populer digunakan untuk menjelaskan
konsep ini: ibaratkan memasang microphone di atas sebuah stadion sepak bola, tidak dapat
menangkap suara satu orang saja, tapi bisa menangkap suara dari ratusan orang yang
bernyanyi/berteriak bersamaan. Oleh sebab-sebab tersebut, merupakan sebuah tantangan
bagi peneliti untuk dapat mengetahui titik aktivasi untuk area yang spesifik. Lemahnya
resolusi spasial dari EEG tersebut menjadikan metode pengukuran ini tidak tepat
digunakan dalam konteks studi untuk mengasosiasikan area otak spesifik terhadap
perilaku. Dalam hal ini, penggunaan brain imaging lainnya akan memberikan kesimpulan
yang lebih akurat, misalnya pengukuran yang berdasarkan hemodynamic (berdasarkan
aliran darah, misalnya fMRI dan PET).
Tantangan yang paling banyak dihadapi dalam studi menggunakan EEG adalah
bagaimana metode untuk mendapatkan data yang ‘bersih’. EEG memiliki rasio signal-to-
noise yang sangat rendah. Hal ini disebabkan oleh kecilnya potensial listrik yang
dihasilkan oleh otak tidak sebanding dengan potensial listrik lainnya yang dihasilkan
oleh sumber non-otak. Misalnya kedipan mata, bagian ini akan diperdalam dalam sub
bab noise dan artefak.
Kelebihan utama dari EEG adalah karena memiliki resolusi temporal yang sangat
baik dibandingkan brain imaging lainnya, EEG dapat merekam data dalam rentang hingga
mili detik (akan dibahas lebih lanjut di bagian amplifier) memungkinkan untuk meneliti
proses simultan yang terjadi segera setelah kemunculan stimulus. Sementara itu resolusi
temporal dari pengukuran hemodynamic membutuhkan waktu setidaknya beberapa ratus
mili detik mengingat lambatnya respons aliran darah (Luck, 2014). Pengukuran
menggunakan EEG relatif lebih murah dan fleksibel ketimbang metode brain imaging
lainnya sehingga memungkinkan aplikasi praktis yang lebih luas dalam konteks brain-
computer interface (BCI).

Perangkat Keras EEG

Umumnya terdapat 4 proses yang berjalan dalam pengukuran aktivitas otak dengan EEG
(Dickter & Kieffaber, 2014), yaitu: (1) transduksi dari sinyal bioelektris (potensial listrik)
menjadi arus elektris oleh elektroda, (2) transmisi sinyal dari sensor elektroda menuju
amplifier, (3) amplifikasi sinyal EEG oleh amplifier, (4) konversi dari sinyal analog menjadi

95
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

digital. Dalam setiap proses tersebut terdapat risiko rusaknya data atau berkurangnya
kualitas data.

Elektroda
Proses pertama dalam menangkap sinyal bioelektris tersebut dipengaruhi oleh kualitas
dari sensor atau elektroda. Pada umumnya elektroda terbuat dari perak klorida (AgCl),
aluminium, perunggu, perak, maupun emas yang ditempelkan pada permukaan kulit
kepala dengan tambahan gel elektrolit untuk meningkatkan konduktivitas potensial
listrik. Elektroda tersebut merupakan jenis elektroda basah.
Elektroda basah merupakan gold standard dalam teknik perekaman data EEG
(Lopez-Gordo et al., 2014). Elektroda basah memberikan kualitas data terbaik
dibandingkan elektroda jenis lain, namun kelemahannya terletak pada proses
pemasangannya yang lebih sulit dan memakan lebih banyak waktu. Berbeda dengan
elektroda basah, elektroda kering umumnya tidak menggunakan gel elektrolit dalam
aplikasi pada kulit kepala. Kualitas data yang dihasilkan dari elektroda kering umumnya
tidak sebaik dengan hasil data dengan elektroda basah, meskipun demikian elektroda
kering sudah cukup memadai untuk digunakan dalam konteks penelitian (Lopez-Gordo
et al., 2014; Mathewson et al., 2017). Elektroda kering memiliki kelebihan dalam
kemudahan pemasangannya. Selain itu, penggunaan elektroda kering juga mengurangi
risiko munculnya “salt bridge” yang muncul ketika elektroda basah terlalu berdekatan
dan/atau gel elektrolit tersambung antar elektroda. Salt bridge mengakibatkan dua
elektroda secara tidak langsung tersambung sehingga merekam data dengan voltase yang
sama dan seolah menjadi satu elektroda (Dickter & Kieffaber, 2014).
Selain terbagi atas basah dan kering, elektroda juga ada yang bersifat pasif dan
aktif. Pada elektroda aktif, amplifikasi sinyal langsung dilakukan pada elektroda itu
sendiri, sehingga mengurangi noise/artefak dari frekuensi listrik (artefak akan dibahas
lebih lanjut). Elektroda aktif menunjukkan performa lebih baik dalam kondisi impedansi
(perihal impedansi akan dibahas lebih lanjut pada bagian artefak) elektroda yang cukup
tinggi (> 2 kΩ), namun dalam kondisi yang ideal elektroda pasif tetap memproduksi data
yang lebih baik (Laszlo et al., 2014).

Amplifier
Data yang tertangkap oleh elektroda selanjutnya perlu dilakukan amplifikasi mengingat
kecilnya sinyal yang terdeteksi. Proses ini dilakukan dengan perangkat amplifier. Amplifier
merupakan perangkat keras terpenting dalam merekam data EEG. Amplifier memiliki
sampling rate, atau jumlah data yang terekam dalam satu waktu tertentu. Sampling rate
terepresentasi dalam frekuensi Hertz (Hz), jumlah data yang terekam dalam satu detik.
Amplifier dengan sampling rate 250 Hz berarti merekam 1 sampel setiap 4 milidetik, atau
250 sampel setiap detik. Semakin tinggi sampling rate dari amplifier tersebut, semakin
akurat representasi data digital EEG dengan data aslinya yang berbentuk analog/
gelombang. Rendahnya sampling rate akan berisiko oleh aliasing error, yaitu eror yang

96
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

terjadi ketika frekuensi yang terdeteksi berbeda dengan aslinya (Dickter & Kieffaber,
2014).
Pemilihan amplifier idealnya mengikuti tujuan penelitian. Semakin tinggi resolusi
temporal (sampling rate) amplifier semakin baik, namun hal tersebut juga meningkatkan
cost penelitian dari segi rasio antara harga dengan hasil yang didapatkan. Rekomendasi
umum dalam memilih amplifier adalah yang memiliki sampling rate 3-4 kali lebih tinggi
dari frekuensi tertinggi yang ingin direkam untuk menghindari aliasing error (Dickter &
Kieffaber, 2014). Perihal aliasing error, pembaca dapat lebih mendalami hal-hal terkait
Nyquist-Shannon sampling theorem. Dickter & Kieffaber merekomendasikan amplifier
dengan sampling rate 250 Hz untuk penelitian Event-Related Potential (ERP) yang
umumnya tidak lebih dari 20 Hz.

Bagan 2
Ilustrasi Aliasing Error
Data gelombang 8 Hz Sampling 100 Hz

Sampling 10 Hz

Data gelombang 8 Hz (kiri atas) dalam waktu satu

detik, data yang sama apabila di rekam dengan
sampling rate 100 Hz (kanan atas), dan apabila
direkam dengan sampling rate 10 Hz (kanan
bawah) yang mengakibatkan gelombang terdeteksi
sebagai gelombang ± 2 Hz.

Standar Peletakan Elektroda dan Montage

Terdapat beberapa standar dalam posisi peletakan elektroda di kulit kepala, yang paling
umum digunakan yaitu dengan sistem internasional 10/20 (Sinha et al., 2016). Panduan
tersebut menggunakan penanda-penanda di kepala yang telah ditentukan, yaitu nasion
(lekukan di ujung atas hidung, di antara mata), inion (tonjolan di bagian dasar belakang
kepala/tengkorak, ujung leher belakang), dan tragus (di depan daun telinga, ujung tulang
rahang, dapat dirasakan ketika menggerakkan rahang), kemudian elektroda dipasang
pada interval 10% atau 20% dari jarak antar titik-titik tersebut. Setiap elektroda kemudian
diberi label yang mengindikasikan posisinya di kepala, misal “F” untuk Frontal, “Fp”
untuk Frontopolar, dst. Label angka mengindikasikan lateralisasi letak, elektroda dengan
angka ganjil untuk bagian hemisfer kiri, dan angka genap untuk bagian hemisfer kanan.

97
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Jumlah elektroda tidak sama dengan jumlah channel, dapat dikatakan bahwa channel
adalah sumber data. Setiap channel terdiri atas tiga sumber, yaitu: elektroda yang aktif,
ground, dan elektroda referensi (Luck, 2014). Sebagai catatan, istilah ‘elektroda yang aktif’
ini tidak sama dengan ‘elektroda aktif’ yang dijelaskan di bagian jenis elektroda, istilah ini
digunakan oleh Luck (2014) untuk merujuk pada elektroda yang diukur. Potensial listrik
direkam oleh EEG dalam voltase (V). Voltase merupakan perbedaan potensial elektris di
antara dua sumber. Setiap elektroda yang aktif merupakan selisih potensial elektris dari
elektroda aktif itu sendiri dengan ground. Serupa dengan stop kontak listrik yang terdiri
atas dua terminal (dua lubang), ketika dua terminal itu dihubungkan, arus listrik akan
mengalir dari satu terminal menuju ground.
Perbedaan potensial antara elektroda yang aktif dengan ground tersebut masih
belum dapat digunakan sebagai indikator potensial elektris otak. Elektroda yang aktif
tersebut dipasang di kulit kepala sehingga data yang terekam masih mengandung
potensial elektris dari sumber non-otak, misalnya kulit kepala, interferensi listrik di dekat
subjek, dan potensial elektris dari tubuh subjek. Untuk mendapatkan potensial elektris
yang ‘murni’ bersumber dari otak, dilakukan pengukuran potensial elektris non-otak,
yaitu antara tubuh subjek dengan ground, hasil selisih ini yang menjadi elektroda
referensi. Channel dihasilkan dari selisih antara elektroda yang aktif dengan elektroda
referensi. Berikut gambaran yang diilustrasikan oleh Luck (2014), apabila A merujuk pada
elektroda yang aktif, G merujuk pada ground, dan R merujuk pada elektroda referensi,
maka:

Channel = (A – G) – (R – G) = A – R

“There are no monopolar recordings in EEG; all recordings are bipolar”(Nunez & Srinivasan,
2006) sehingga tidak mungkin melakukan pengukuran EEG hanya dengan satu elektroda.
Metode dalam menentukan channel, yaitu menentukan elektroda mana yang menjadi
referensi, menjadi standar yang disebut montage. Terdapat beberapa jenis montage,
ilustrasi sistem peletakan 10/20 dan contoh montage dapat dilihat pada Bagan 3.

Referential Montage
Referential montage artinya setiap channel (atau sumber data) merupakan selisih antara
setiap elektroda dengan satu elektroda referensi utama. Satu elektroda digunakan sebagai
referensi untuk semua elektroda yang aktif. Lokasi elektroda referensi tidak ditetapkan
dalam sistem 10/20, namun terdapat rekomendasi untuk menggunakan elektroda yang
berada di posisi tengah kepala (Cz dan Pz) sebagai referensi (Sinha et al., 2016). Lokasi
referensi lain yang umum digunakan pula yaitu di bagian telinga (linked ear), mastoid,
maupun ujung hidung, meskipun terdapat argumen yang merekomendasikan untuk
tidak menggunakan referensi tersebut (Nunez & Srinivasan, 2006; Sinha et al., 2016).

Bipolar Montage
Setiap channel dalam bipolar montage merupakan selisih antara satu elektroda dengan satu
elektroda terdekatnya. Label channel dalam bipolar montage merepresentasikan dua
elektroda, misalnya channel Fp1-F3 dihasilkan dari selisih gelombang yang terekam di

98
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

elektroda yang terletak di Fp1 dan F3. Dapat dikatakan bahwa dalam bipolar montage,
semua elektroda merupakan elektroda referensi bagi satu elektroda terdekatnya.

Average Reference Montage

Terdapat beberapa jenis montage lainnya, misalnya Average Common Reference Montage,
dan Laplacian Montage. Average Common Reference Montage menggunakan semua elektroda
sebagai referensi, dengan kata lain, rerata data dari semua elektroda merupakan referensi
untuk setiap elektroda. Montage ini direkomendasikan untuk dilakukan pada EEG yang
memiliki elektroda dengan jumlah banyak, setidaknya 64 sampai 128 atau lebih (Nunez &
Srinivasan, 2006). Laplacian Montage menggunakan rerata dari elektroda yang terdekat
dengan satu elektroda. Terdapat kekurangan dan kelebihan dari setiap penggunaan
montage (Nunez & Srinivasan, 2006). Peneliti perlu memahami karakteristik data dari
sebuah montage yang akan digunakan dan memutuskan apakah hal tersebut sesuai
dengan tujuan penelitian. Hal ini merupakan salah satu kelebihan dalam menggunakan
EEG digital, karena peneliti dapat mengubah montage bahkan setelah data selesai terekam
(proses ini disebut re-reference). Berbeda dengan EEG analog di mana data terekam
langsung ke dalam kertas sehingga penentuan montage harus dilakukan sebelum/saat
pengambilan data.

Bagan 3

(A) Contoh Standar Peletakan Elektroda dengan Sistem 10/20. (B) Referential Montage di mana
Elektroda di Posisi Cz (Tengah Kepala) menjadi Referensi bagi Semua Elektroda. (C) Bipolar
Montage setiap Channel merupakan Perbedaan di antara Dua Elektroda Berdekatan.

Signal Processing dan Feature Extraction

Pemrosesan sinyal dan ekstraksi fitur mungkin bukan istilah yang familiar dalam konteks
skala/tes Psikologi. Kedua istilah tersebut merujuk pada proses menyiapkan dan
membersihkan data hingga pengolahan untuk mendapatkan fitur/ciri/karakteristik
tertentu yang dijadikan dasar dalam pengambilan kesimpulan. Proses ini mungkin
serupa dengan istilah proses skoring dan interpretasi data dalam konteks alat tes
Psikologi.

99
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Preproses Sinyal EEG

Preproses sinyal EEG yang dilakukan umumnya yaitu identifikasi artefak pada data,
koreksi data dari artefak tersebut serta memotong data sesuai dengan kondisi
eksperimen.

Noise/Artefak
Noise/artefak merupakan fluktuasi potensial listrik yang terdeteksi oleh elektroda namun
bukan dihasilkan oleh otak (Luck, 2014). Artefak dapat muncul dari sumber biologis
maupun sumber teknis. Beberapa artefak yang bersumber dari biologis yang kerap
muncul adalah Electrooculographic (EOG) yaitu potensial listrik yang dihasilkan dari
pergerakan bola mata dan kedipan, artefak ini umumnya terekam di elektroda bagian
Frontal dan Frontopolar. Peneliti dapat memasang elektroda di bagian dekat mata untuk
merekam aktivitas tersebut dan digunakan sebagai re-referensi untuk elektroda bagian
Frontal tersebut. Contoh dapat dilihat pada Bagan 4, perhatikan pada channel Fp1 terdapat
fluktuasi ekstrem yang muncul oleh kedipan mata. Electromyogram (EMG) dihasilkan
dari pergerakan otot, misalnya pergerakan tangan, kaki, pergerakan kepala, otot wajah,
berbicara, maupun menelan. Peneliti perlu memperhatikan tugas maupun kondisi dalam
eksperimen yang memungkinkan subjek melakukan banyak pergerakan, misalnya posisi
stimulus dan aparatus respons, hingga posisi duduk, dan seterusnya. Electrocardiogram
(ECG) yang muncul dari aktivitas jantung. Artefak ini dapat merusak kualitas data dari
elektroda yang posisinya dekat dengan pembuluh darah.
Selain dari sumber biologis, berikut beberapa contoh artefak yang muncul dari
sumber teknis. Suara (Kamel & Malik, 2015), getaran dari gelombang suara yang
merambat melalui udara dapat merusak kualitas data dengan secara langsung
menggetarkan elektroda. Frekuensi listrik, setiap peralatan yang menggunakan listrik
memancarkan interferensi elektromagnetik yang dapat terdeteksi oleh EEG pada
frekuensi 50 atau 60 Hertz tergantung dari sistem kelistrikan yang digunakan. Indonesia
misalnya, menggunakan frekuensi 50 Hz. Sumber artefak jenis ini yang kerap tidak
terhindarkan berasal dari monitor dan lampu ruangan. Perhatikan pada Bagan 4, artefak
pada channel Fp1 menunjukkan frekuensi 50 Hz yang lebih tinggi daripada channel O1,
karena channel Fp1 berada di sisi depan wajah sehingga terpapar langsung oleh layar
monitor. Artefak ini bisa dimitigasi dengan memberikan pelindung (shielding) pada
sumber artefak tersebut, maupun dengan mengaplikasikan filter pada tahap preproses
data. Eror kuantifikasi (Dickter & Kieffaber, 2014), artefak ini dihasilkan dari
keterbatasan kecepatan perangkat keras yang digunakan saat merekam EEG, misalnya
resolusi dari modul Analog-to-Digital Converter (ADC) yang terdapat pada amplifier.
Semakin tinggi resolusi dari ADC tersebut semakin baik karena dapat lebih akurat dalam
mengonversi data gelombang dan menyimpan dalam bentuk data digital. Perhatikan
kembali bagian aliasing error pada Bagan 2. Impedansi elektroda (Kappenman & Luck,
2010) yang bersumber dari kualitas dari elektroda, gel elektrolit, dan kualitas kontak
dengan kulit kepala. Semakin tinggi impedansi elektroda semakin kecil amplitudo
gelombang EEG yang terekam. Umumnya impedansi dari elektroda dijaga pada batas di

100
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

atas 100 Ω (Sinha et al., 2016) dan di bawah 5 kΩ (Dickter & Kieffaber, 2014), meskipun
impedansi hingga 10 kΩ masih dianggap layak untuk peralatan EEG modern (Sinha et al.,
2016). Kelembapan dan suhu ruangan dapat memengaruhi kualitas kontak elektroda
dengan kulit, misalnya suhu yang relatif tinggi menyebabkan ekskresi keringat pada kulit
dan meningkatkan impedansi pada elektroda tersebut. Selain itu, kulit kepala yang
berdebu/kotor juga berpengaruh terhadap kualitas kontak tersebut.
Meminimalkan kemunculan artefak seyogyanya dilakukan sebelum proses peng-
ambilan data, “There is no substitute for clean data” (Luck, 2014). Oleh sebab tersebut
peneliti hendaknya memahami sumber-sumber eksternal maupun internal subjek yang
berpotensi menjadi artefak dan mengambil langkah untuk menanggulangi potensi-
potensi tersebut. Artefak dapat muncul secara acak, maupun secara sistematis, dalam
kondisi tertentu dapat muncul sebagai akibat dari perlakuan dalam eksperimen. Stimulus
di layar yang muncul secara mendadak terang sehingga mengakibatkan subjek terkaget
dan berkedip, misalnya, dapat terekam sebagai fluktuasi seolah terdapat perubahan
gelombang otak yang diakibatkan oleh kondisi perlakuan.

Basic Filtering dan Koreksi Artefak

Terdapat beragam cara untuk mengoreksi artefak. Cara yang paling dasar digunakan
adalah filter gelombang. Pada dasarnya filter merupakan distorsi sistematis terhadap
data. Terdapat 4 jenis metode filter yang paling dasar: a) Low pass filter, melakukan filter
data dengan menentukan frekuensi tertinggi, misalnya low pass filter pada 50 Hz, maka
gelombang di atas 50 Hz akan dieliminasi. Luck (2014) merekomendasikan untuk
menghindari anti-aliasing dengan melakukan eliminasi frekuensi yang lebih tinggi dari
setengah sampling rate. EEG dengan sampling rate 250 Hz, maka eliminasi frekuensi di
atas 125 Hz. Metode ini juga dapat digunakan untuk mengurangi artefak tertentu,
misalnya eliminasi frekuensi di atas 100 Hz dapat mengurangi EMG, tanpa banyak
mengubah data (Luck, 2014); b) High pass filter, melakukan filter data dengan
menentukan frekuensi terendah. Misalnya high pass filter pada 1 Hz, maka semua
gelombang pada frekuensi di bawah 1 Hz akan dieliminasi. Umumnya dilakukan pada
cut-off 0.1-0.5 Hz untuk mengurangi artefak dari elektroda dan kulit; c) Band pass filter,
menentukan rentang frekuensi yang menjadi fokus. Esensinya melakukan low pass dan
high pass sekaligus. Misalnya frekuensi yang umumnya menjadi fokus dalam penelitian
ERP berada pada 0.1-30 Hz (Luck, 2014). Gelombang di bawah 0.1 Hz dan di atas 30 Hz
tereliminasi; d) Notch filter, menentukan rentang frekuensi yang akan di eliminasi,
misalnya untuk mengurangi artefak berupa frekuensi listrik pada 50 Hz, maka dilakukan
notch filter pada 49-51 Hz, sehingga gelombang pada 50 Hz dieliminasi, Bagan 4
memberikan contoh data sebelum dan setelah dilakukan filter.
Filter-filter tersebut sebaiknya dilakukan pada data asli EEG (continuous data),
sebelum melakukan pemotongan data maupun penghitungan rerata karena filter akan
menghasilkan artefak pada bagian awal dan akhir data (Luck, 2014). Tidak ada prosedur
pasti yang bisa diterapkan pada semua konteks penelitian, penerapan filter tersebut perlu
melihat pada kondisi data dan tujuan penelitian, namun terdapat panduan-panduan

101
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

umum yang bisa mengurangi artefak dengan meminimalkan rusaknya data. Seperti yang
telah disebutkan sebelumnya, filter merupakan distorsi sistematis terhadap data,
sehingga semakin ‘agresif’ filter yang digunakan maka data akan semakin terdistorsi.
Peneliti dapat merujuk pada jurnal acuan untuk mendapatkan tolok ukur ataupun contoh
filter yang digunakan sesuai dengan tujuan analisis data.
Bagan 4
(A) Data EEG yang Masih Terkontaminasi oleh Frekuensi 50 Hz pada Channel Fp1 dan O1. (B)
Setelah dilakukan Notch Filter pada 49-51 Hz untuk Mengurangi Gelombang 50 Hz. (Sumber
data dari penulis)

Jung et al. (2000) mengajukan salah satu cara untuk melakukan koreksi artefak yang
umumnya muncul secara sistematis, misalnya kedipan mata, pergerakan bola mata,
hingga aktivitas otot di bagian temporal. Metode ini menggunakan algoritma
dekomposisi linear Independent Component Analysis (ICA). Algoritma ICA berdasarkan
asumsi bahwa setiap gelombang yang terekam merupakan gabungan dari komponen-
komponen independen. Sebagai analogi: rekaman suara di sebuah pasar yang ramai,
gelombang suara dari rekaman tersebut terdiri dari suara-suara independen, dalam
konteks ini yaitu suara orang, suara kendaraan, suara mesin, dan seterusnya. ICA
digunakan untuk melakukan separasi komponen tersebut menggunakan informasi
berupa letak sumber informasi (secara spasial berupa lokasi elektroda) dan waktu
(temporal). Sebagai contoh, kedipan mata dapat terdeteksi di bagian AF (sekitar tiga jari
di atas alis), artefak tersebut juga terpropagasi dan terdeteksi pula di bagian F (sekitar
garis rambut depan) walaupun dengan amplitudo yang lebih kecil. Menggunakan
informasi tersebut dapat diketahui bahwa terdapat satu komponen gelombang yang
bersumber dari AF, dan memengaruhi sumber lain yaitu F. Metode separasi ini kemudian
yang dimaksud dengan blind source separation atau BSS (Jung et al., 2000). Mengeliminasi
komponen tersebut dapat mengurangi artefak yang diasumsikan berasal dari kedipan
mata. Ilustrasi proses eliminasi artefak dengan BSS dapat dilihat pada Bagan 5.

102
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Bagan 5
Ilustrasi BSS dengan ICA

Catatan. (A) Dekomposisi gelombang otak pada bagan B menjadi beberapa komponen.
Dapat terlihat pada bagan (B) distorsi yang terdeteksi di AF3 dan AF4, memengaruhi
gelombang pada F7 dan F8. (C) komponen yang terdeteksi muncul dari sumber frontal
kepala dan ter-propagasi ke belakang, merupakan ciri-ciri dari artefak kedipan mata. (D)
hasil gelombang setelah eliminasi komponen yang diasumsikan sebagai artefak (C).
(Sumber data dari penulis).

Metode ICA dan BSS ini akan lebih akurat dengan semakin banyaknya jumlah
elektroda. Kelemahan dari metode ini adalah terdapat pengaruh dari subjektivitas dan
kompetensi dari peneliti dalam melakukan inspeksi visual dan menentukan apakah
komponen tertentu merupakan artefak atau gelombang otak (Kang et al., 2018). Selain
menggunakan ICA, metode lain yang digunakan misalnya metode regresi, wavelet
Tranform, Empirical-mode Decomposition (EMD), maupun metode hybrid atau campuran
(Jiang et al., 2019). Metode yang dijelaskan pada Bagan 5 merupakan campuran ICA
dengan BSS. Selain itu, penggunaan machine learning juga digunakan, misalnya dengan
algoritma artificial neural network (ANN; Kang et al., 2018).
Beberapa teknik tersebut merupakan proses pembersihan data yang dilakukan
setelah pengambilan data sehingga teknik tersebut tidak menjamin kualitas data yang
baik. Teknik eliminasi artefak yang paling baik adalah dengan meminimalkan munculnya
artefak tersebut sedari awal sebelum proses pengambilan data.

Event Marker dan Epoch

Event Marker merupakan data penanda yang ditambahkan ke data sinyal EEG, beberapa
menggunakan istilah trigger. Penanda tersebut bertujuan sebagai patokan untuk dalam
melakukan berbagai analisis. Pemberian marker secara otomatis idealnya diterapkan
dalam protokol eksperimen, khususnya untuk eksperimen yang menggunakan multiple-
trial. Akurasi dari marker sangat penting dalam analisis time-domain, misalnya Event-related

103
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

potential (ERP, akan dibahas pada bagian ekstraksi fitur), mengingat cepatnya aktivitas
dari fitur ERP yang muncul setidaknya kurang dari 100 mili detik setelah kemunculan
stimulus. Sinkronisasi dari kemunculan stimulus dan perekaman marker tersebut krusial
dalam tepatnya data yang digunakan dalam analisis. Teknik implementasi marker ke
dalam protokol eksperimen akan tergantung pada perangkat lunak yang digunakan
untuk merekam data mentah EEG, kemampuan amplifier untuk menerima sinyal
eksternal, hingga platform yang digunakan untuk membangun protokol eksperimen.
Peneliti dapat merujuk pada panduan manual pada EEG. Pada umumnya consumer grade
EEG (seperti Emotiv, Mindwave, Muse) lebih sulit untuk mengatur marker atau trigger
eksternal karena sistemnya yang tertutup.
Dengan adanya penanda yang akurat, peneliti dapat memotong data atau
mengekstraksi epoch secara akurat sesuai kondisi eksperimen. Epoch merupakan
potongan-potongan data atau time windows dari continuous data. Sebagian besar analisis
akan didasarkan pada epoch tersebut, kecuali untuk beberapa kondisi, misalnya
pengukuran resting state, atau baseline.

Feature Extraction: Metode dan Contoh Penelitian

Ekstraksi fitur adalah proses transformasi data mentah menjadi data dengan variabel
yang telah direduksi (Meyer-Baese & Schmid, 2014), istilah ini umumnya muncul dalam
kajian analisis sinyal, machine learning, pattern recognition, hingga image processing.
Pengolahan data EEG termasuk dalam analisis sinyal. Inti dari ekstraksi fitur adalah
menemukan pola atau fitur tertentu dari sebuah data untuk dapat dilakukan analisis
lanjutan, dalam konteks EEG untuk penelitian psikologi, fitur tersebut diasosiasikan
dengan perilaku, proses mental atau aktivitas otak. Terdapat beragam cara untuk
melakukan ekstraksi fitur. Bagian ini akan menjelaskan dua metode yang paling umum
yaitu time-domain dan frequency-domain serta memberikan gambaran umum untuk metode
lain.

Time-Domain Analysis: Event-Related Potential/Evoked Response Potential

Salah satu metode ekstraksi fitur yang paling umum digunakan yaitu secara time-domain
analysis. Metode ini melihat karakteristik dasar sinyal EEG dengan kalkulasi berdasarkan
waktu (Hjorth, 1970). Event-related Potential atau Evoked Response Potential termasuk dalam
metode ekstraksi fitur pada domain waktu. Peneliti menyelidiki karakteristik gelombang
otak yang diasosiasikan dengan kemunculan stimulus tertentu. Sesuai dengan namanya,
ERP merupakan potensial elektris yang muncul berkaitan dengan event spesifik, serta
merefleksikan aliran informasi dan aktivitas pada otak (Luck, 2014). Event spesifik
tersebut dapat berbentuk kemunculan stimulus maupun eksekusi respons manual
terhadap stimulus. Ruang lingkup dari penelitian menggunakan ERP cukup luas,
misalnya pada atensi visual (Di Russo, 2003), mismatch negativity (MMN) (Garrido et al.,
2009), aplikasi dalam brain-computer interface (Farwell & Donchin, 1988), working memory
(Vogel et al., 2005), memori episodik (Duzel et al., 1997), hingga emosi (Weinberg &
Hajcak, 2010).

104
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Contohnya pada penelitian oleh Stavropoulos dan Carver (2016) yang menyelidiki
perbedaan karakteristik pemrosesan otak terhadap suara buatan manusia dan buatan
non-manusia. Subjek diperdengarkan 8 jenis suara yang terdiri dari 4 suara buatan
manusia dan 4 buatan non-manusia. Setiap subjek menjalani 400 kali trial, yang terdiri
dari 8 jenis suara tersebut. Pemrosesan data EEG dilakukan dengan melakukan ekstraksi
epoch pada waktu -200 hingga 800 mili detik relatif terhadap kemunculan setiap stimulus,
di mana waktu 0 adalah saat stimulus diberikan. Data pada -100 hingga 0 mili detik
digunakan sebagai baseline untuk proses baseline removal. Fokus channel yang digunakan
adalah pada Fz, Cz, dan Pz, di mana ketiganya terletak di garis tengah kepala. Pada
penelitian tersebut, peneliti menyelidiki salah satu fitur ERP yaitu P300, yang artinya
amplitudo positif pada waktu sekitar 300 mili detik setelah kemunculan stimulus. Uji
statistika dilakukan pada rerata amplitudo pada waktu 200-500 mili detik.
Bagan 6
Contoh Hasil Ekstraksi Fitur dengan ERP pada Penelitian Stavropoulos dan Carver (2016).

ERP terdiri atas fluktuasi amplitudo yang dapat disebut sebagai puncak (peak),
gelombang (wave), atau komponen. Komponen tersebut diberi label berdasarkan
posisinya atau berdasarkan waktu kemunculannya. Label berdasarkan posisinya
misalnya P1, N1, P2, N2, dan seterusnya, yang mengindikasikan gelombang positif yang
muncul pertama, gelombang negatif pertama, dan seterusnya. Adapun sebagian jurnal
juga menggunakan label berdasarkan waktunya, misalnya P300 pada penelitian
Stavropoulos & Carver (2016) tersebut. Pemberian label tersebut didasarkan pada pola
visual dan hanya digunakan sebagai indikasi, meskipun terdapat ketidak-konsisten-an
dalam penamaan label (misalnya N400 yang terkadang muncul sebelum P300, atau P300
dapat muncul di sekitar 400 mili detik), umumnya label digunakan secara kontekstual
(Luck, 2014).
Secara garis besar, komponen ERP terdiri atas 2 kategori, exogenous dan endogenous
(Dickter & Kieffaber, 2014; Luck, 2014). Komponen exogenous merupakan respons
sensori/perseptual yang muncul segera setelah kemunculan stimulus, sekitar 1-200 mili
detik. Salah satu penelitian yang menyelidiki komponen exogenous adalah pada

105
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

pemrosesan stimulus visual di mana komponen N170 diasosiasikan dengan sensitivitas

terhadap wajah manusia (Bötzel et al.,. 1995; Eimer, 2011). Komponen endogenous
mencerminkan aktivitas fungsi kognitif luhur, misalnya evaluasi stimulus dan
pengambilan keputusan, muncul pada sekitar 200-1000 mili detik setelah kemunculan
stimulus.
Salah satu paradigma eksperimen yang kerap digunakan untuk melihat komponen
P3/P300 yaitu oddball paradigm. Komponen P3/P300 merupakan salah satu komponen
yang paling banyak diteliti. Amplitudo P3/P300 umumnya terobservasi lebih besar pada
respons atas stimulus yang baru, tidak biasa, atau tidak sesuai ekspektasi (Dickter &
Kieffaber, 2014). Dalam oddball paradigm, stimulus dibagi menjadi dua jenis, yaitu stimulus
target dan non-target. Stimulus non-target muncul 80% dari jumlah total trial, sementara
stimulus target muncul 20%, terdapat juga versi menggunakan rasio 90% berbanding
10%. Sedikit berbeda dengan oddball paradigm, single-stimulus paradigm tidak memberikan
stimulus non-target, namun kesamaannya terletak pada probabilitas stimulus target
muncul (Polich & Margala, 1997). Pada dasarnya single-stimulus paradigm merupakan
oddball paradigm dimana stimulus non-target adalah tidak adanya stimulus. Stavropoulos
& Carver (2016) dalam penelitiannya menggunakan oddball paradigm, di mana satu
kelompok mendapatkan suara manusia sebagai stimulus target (20% kemunculan),
sementara kelompok lain mendapatkan sebaliknya (suara non-manusia 20%
kemunculan).
Gelombang ERP merupakan agregasi dari trial yang diulang berkali-kali (misalnya
pada penelitian Stavropoulos & Carver yang memberikan 400 trial). Akurasi dari
pemotongan data menjadi sangat krusial dalam penelitian ERP. Pergeseran waktu
pemotongan dari trial-ke-trial dapat menghilangkan komponen yang seharusnya dapat
terobservasi. Jumlah trial yang diperlukan untuk berhasil mendapatkan komponen ERP
bervariasi tergantung dari komponen yang hendak diselidiki, Luck (2014)
merekomendasikan 50-100 trial untuk menyelidiki komponen yang besar seperti
gelombang P3, sementara untuk komponen yang lebih kecil seperti P1 membutuhkan
100-500 trial. Jumlah tersebut juga perlu mempertimbangkan jumlah subjek, variasi
karakteristik subjek, hingga seberapa besar efek perlakuan (Luck, 2014).
Pengujian kuantitatif pada ERP dapat dilakukan pada peak dan latency dari
komponen yang dikehendaki (Kappenman & Luck, 2010). Peak atau puncak adalah angka
tertinggi (atau terendah untuk komponen negatif) pada komponen tersebut dalam jendela
waktu spesifik, misalnya untuk P3 dilakukan deteksi puncak poin angka tertinggi pada
waktu sekitar 200-500 mili detik. Tingginya poin tersebut menjadi parameter seberapa
tinggi amplitudo komponen tersebut, sementara waktu kemunculannya menjadi latency
dari komponen.

Frequency-Domain Analysis: Alpha Asymmetry

Analisis ini didasarkan pada frekuensi gelombang otak yang muncul pada keadaan
tertentu, jenis analisis ini yang pertama kali dilakukan oleh Hans Berger yang kemudian
menemukan bahwa gelombang 10 Hz ter asosiasikan dengan kondisi mental (Dickter &

106
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Kieffaber, 2014). Analisis domain frekuensi ini juga bisa disebut sebagai Event-related
oscillations (EROs).
Aktivitas osilasi gelombang otak terbagi menjadi 3 jenis (Dickter & Kieffaber, 2014),
spontaneous oscillations, induced oscillations, dan evoked oscillations. Spontaneous oscillations
merupakan osilasi yang muncul secara independen dari stimulus, sebagai contoh pada
tahapan tidur yang terbagi atas beberapa tingkatan yang dicirikan dari frekuensi
gelombang otak. Induced dan evoked oscillations keduanya muncul karena adanya stimulus,
perbedaannya adalah evoked oscillations konsisten secara waktu kemunculannya terhadap
stimulus (misalnya pada proses yang terkait dengan sensori perseptual), sehingga dapat
direrata secara waktu (seperti pada prosedur ERP). Induced oscillations muncul karena
stimulus, namun tidak terpatok pada waktu kemunculan stimulus tersebut (misalnya
proses kognitif luhur). Perbedaan kemunculan osilasi relatif terhadap kemunculan
stimulus tersebut menjadikan osilasi ini tidak dapat direrata antar trial.
Data EEG pada dasarnya berbentuk time-domain, apabila direpresentasikan dalam
grafik garis, maka sumbu x adalah waktu, sumbu y adalah amplitudo. Analisis untuk
mendapatkan informasi mengenai frekuensi dan amplitudo dari sebuah data gelombang
adalah Fourier Transform. Analisis Fourier mengonversi dari data time-domain menjadi
frequency-domain. Apabila direpresentasikan dalam grafik maka sumbu x adalah
frekuensi, dan y adalah power atau amplitudo (power merupakan hasil kuadrat dari
amplitudo, dan sebaliknya amplitudo merupakan akar dari power) dari frekuensi tersebut,
contoh dapat dilihat pada Bagan 7.
Bagan 7
Data EEG dan Transformasi Fourier

Catatan. Transformasi Fourier mendekomposisi gelombang menjadi frekuensi. Sebagai

ilustrasi, dapat diperhatikan perbedaan pada kolom kiri dan kanan, ketika data
mengandung artefak 50 Hz dan setelah dilakukan filter.

107
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Analisis Fourier dinamakan atas matematikawan Jean-Baptiste Joseph Fourier (1768–

1830) dikatakan sebagai salah satu teknik komputasi dan analisis yang paling
berpengaruh dalam berbagai kajian matematika, fisika, dan teknik, misalnya pada
pemrosesan sinyal dan gelombang, hingga statistik khususnya dalam analisis data time
series. Dasar asumsi dari transformasi Fourier adalah semua data yang time-dependent atau
periodik (termasuk data gelombang), seberapa pun kompleksnya, dapat direkonstruksi
ulang dengan menjumlahkan beberapa gelombang sinus dan kosinus dengan berbagai
frekuensi, amplitudo, dan fase (Luck, 2014). Perhatikan kembali pada Error! Reference
source not found. kolom B yang terlihat sebagai gelombang kompleks, esensinya terdiri
atas beberapa gelombang sinus yang berbeda frekuensi dan amplitudonya di kolom A.
Transformasi ini dapat dilakukan sebaliknya, informasi berupa frekuensi dan amplitudo
dapat direkonstruksi gelombang yang berbentuk periodik, proses ini disebut Inverse
Fourier. Penerapan filter yang telah dibahas pada bagian sebelumnya merupakan bentuk
dari implementasi proses ini: data time-domain ditransformasi menjadi data frequency-
domain, kemudian ditentukan frekuensi tertentu yang ingin dieliminasi (misal 50 Hz), lalu
dilakukan inverse Fourier untuk merekonstruksi ulang gelombang tanpa frekuensi yang
telah tereliminasi.
Sebagai catatan penting, analisis ini tidak memberikan informasi sempurna untuk
merekonstruksi sebuah gelombang yang pada dasarnya terdiri dari berbagai sumber dan
komponen. Sebagai contoh, transformasi Fourier data EEG menunjukkan adanya
gelombang pada frekuensi 18 Hz, hal tersebut tidak berarti bahwa otak menghasilkan
osilasi gelombang 18 Hz. Terobservasinya amplitudo pada 18 Hz tersebut artinya untuk
dapat merekonstruksi gelombang yang sama maka dibutuhkan gelombang 18 Hz, tidak
berarti gelombang tersebut berasal dari otak (Luck, 2014). Selain itu, analisis Fourier
mendekomposisi gelombang dengan gelombang sinus yang memiliki durasi tidak
terbatas (-∞ hingga ∞), sedangkan data sinyal (termasuk EEG) merupakan data yang
durasinya terbatas dan bervariasi dari waktu ke waktu, apabila hasil transformasi Fourier
tersebut langsung direkonstruksi sebagai sinyal maka akan menghasilkan bentuk sinyal
yang sama namun berulang-ulang hingga tak terbatas. Dalam hal ini, bentuk analisis
Fourier yang digunakan adalah Discrete Fourier Transforms (DFT) dengan salah satu teknik
kalkulasi Fast Fourier Transform (FFT) yang esensinya melakukan analisis Fourier dengan
rentang waktu yang diskrit atau terbatas dengan jumlah komputasi yang lebih sedikit
(Strang, 1994).
Salah satu contoh penelitian menggunakan jenis analisis ini yaitu pada penelitian
oleh Kubo et al. (2012). Kubo et al. menyelidiki pengaruh permintaan maaf terhadap emosi
negatif pada subjek. Subjek diminta untuk membuat tulisan opini mengenai masalah
sosial (contohnya kenaikan biaya kuliah) dan menerima tulisan tanggapan dari
eksperimenter yang berisi komentar negatif terhadap tulisan tersebut. Setengah dari
subjek menerima kalimat permintaan maaf di akhir setelah komentar tersebut, sementara
sebagian subjek tidak. Peneliti merekam data baseline selama 2 menit sebelum tugas
dimulai. Perekaman data EEG selama 2 menit kembali dilakukan saat subjek membaca
tulisan respons atas opininya. Ekstraksi fitur dilakukan dengan menghitung Frontal Alpha

108
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Asymmetry (FAA). Power/amplitudo gelombang alfa (8–13 Hz) dihitung pada channel F7
dan F8, yang kemudian dilakukan transformasi natural log (ln atau log). Asimetris
gelombang alfa dihitung dari ln(F8) – ln(F7).
Tingginya power gelombang alfa di satu sisi menunjukkan semakin rendahnya
aktivitas otak pada sisi tersebut. Karena penghitungan FAA dilakukan dengan sisi kanan
dikurangi sisi kiri, maka semakin tinggi indeks FAA merefleksikan semakin tinggi alpha
power di hemisfer kanan, yang berarti hemisfer kiri lebih aktif daripada kanan. Indeks
FAA berkaitan dengan model emosi approach/withdrawal Davidson (Coan & Allen, 2004;
Davidson, 1998a). FAA didasarkan pada temuan bahwa aktivitas hemisfer frontal kiri
diasosiasikan dengan sistem approach motivation dari emosi untuk engage terhadap
stimulus. Sementara itu aktivitas pada hemisfer frontal sisi kanan merefleksikan sistem
withdrawal motivation untuk tidak engage terhadap stimulus (Coan & Allen, 2004;
Davidson, 1998b, 2004; Quaedflieg et al., 2016). Terdapat perbedaan pendapat dan temuan
yang berkontradiksi mengenai asosiasi aktivitas prefrontal korteks dengan emosi (lihat
Spielberg et al., 2008).
Bagan 8
Hasil Penelitian Kubo Et Al. (2012)

Catatan. Perlakuan permintaan maaf mengurangi motivasi untuk approach atau engage
terhadap emosi marah (Kubo et al., 2012).

Analisis Lainnya
Metode analisis yang mengombinasikan analisis time-domain dengan frequency-domain
disebut dengan time-frequency analysis. Contoh dari analisis tersebut adalah event-related
spectral perturbation (ERSP), mengombinasikan analisis ERP dengan analisis frekuensi
(Makeig & Onton, 2011). Contoh penelitian dengan menggunakan metode ini dapat
dilihat pada Naro et al. (2019) yang meneliti dasar neural dari peripersonal space, dan
Cohen dan Ridderinkhof (2013) yang meneliti pemrosesan pada spatial conflict. Selain

109
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

melakukan time-frequency analysis, Cohen dan Ridderinkhof juga melakukan analisis

beamforming, yaitu mendeteksi sumber dari gelombang, disebut juga dengan source
analysis. Analisis beamfroming umumnya dilakukan pada data magnetoencephalography
(MEG), atau kombinasi data antara MEG dengan EEG.
Analisis Functional Connectivity melihat korelasi temporal antara bagian-bagian otak
yang berbeda (Stephan & Friston, 2009), analisis ini serupa dengan proses pada ICA yang
telah disebutkan pada bagian sebelumnya. Analisis ini digunakan dalam menyelidiki
integrasi fungsional antar bagian-bagian otak berdasarkan korelasi aktivasinya relatif
terhadap waktu, contoh penelitian oleh Fraga González et al. (2018) yang meneliti pada
dewasa dengan diseleksia. Selain metode-metode tersebut, penggunaan beragam
algoritma dalam machine learning/deep learning juga digunakan (contoh review Craik, He, &
Contreras-Vidal, 2019).

Perkembangan Penggunaan EEG dalam Konteks Psikologi

Saat ini mulai banyak alat EEG untuk konsumen dengan harga yang relatif lebih murah,
walaupun dengan kemampuan terbatas (Ratti et al., 2017). Terdapat juga alternatif alat
yang open source baik alat maupun perangkat lunaknya (misalnya OpenBCI). Semakin
berkembangnya alat dan perangkat lunak untuk analisis EEG dapat mendorong
penggunaan pengukuran aktivitas fisiologis sebagai parameter dalam menjelaskan
maupun memprediksi perilaku.
Penggunaan EEG dalam ilmu sosial masih relatif baru. Penggunaan EEG dapat
membantu dalam memberikan penjelasan tambahan atas konstruk-konstruk psikologis
dalam bidang sosial hingga klinis, misalnya: self (Tacikowski & Nowicka, 2010),
pandangan politik (Amodio et al., 2007), decision making dalam perilaku konsumen (Zoëga
Ramsøy et al., 2019), adiksi (Park et al., 2017), dan depresi (Kaiser et al., 2018).
Seiring dengan semakin canggihnya teknik dan perangkat komputasi
memungkinkan untuk melakukan analisis dengan algoritma machine learning atau deep
learning untuk melakukan pengenalan pola dan klasifikasi gelombang otak yang dapat
diimplementasikan dalam brain-computer interface (BCI) baik pada populasi individu
dengan disabilitas maupun populasi normal (Lotte et al., 2007). Penelitian oleh Grau et al.
(2014) misalnya, mengembangkan teknik untuk melakukan komunikasi berdasar otak-ke-
otak. Penggunaan EEG untuk mengembangkan alat bantu prostetik dan robotika juga
semakin mungkin dilakukan (Bandara et al., 2018). Dalam konteks klinis, algoritma deep
learning dapat membantu dalam melakukan asesmen untuk memprediksi kerusakan otak
karena traumatic brain injury (Boshra et al., 2019).

Penutup

Tulisan ini memberikan pengantar mengenai alat ukur dan metode penggunaan EEG.
Proses pengukuran EEG dimulai dari proses merekam potensial elektris dari kulit kepala
menggunakan elektroda. Pre-proses data dilakukan sebelum dilakukan analisis, dimulai
dengan identifikasi artefak dan koreksi artefak tersebut. Beberapa metode dalam

110
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

melakukan ekstraksi fitur digunakan untuk mendapatkan pola atau karakteristik dari
data yang kemudian diasosiasikan dengan perilaku, proses mental, atau aktivitas otak.
Penggunaan EEG dalam penelitian ilmu sosial khususnya di Indonesia masih relatif
baru. Alat EEG dapat membuka peluang bagi peneliti di Indonesia untuk memberikan
penjelasan objektif tambahan berupa mekanisme dan fenomena fisiologis dari perilaku
sosial-kultural yang selama ini telah banyak dikaji melalui penilaian subjektif dari
individu. Diharapkan dengan tulisan dapat memberikan gambaran umum dan sebagai
pengantar untuk peneliti merancang penelitian berbasis pengukuran fisiologis.

Ucapan Terima Kasih

Penulis mengucapkan terima kasih kepada Noor Akhmad Setiawan, S.T., M.T., Ph.D. (Fakultas
Teknik UGM) yang telah menyediakan alat EEG kepada tim penulis, serta Prof. Djoko Budiyanto
Setyohadi (Fakultas Informatika UAJY) yang telah memberikan bimbingan.

Pendanaan

Penulis tidak mendapatkan pendanaan untuk penulisan artikel ini.

Kontribusi Penulis

ZK merancang konsep dan menulis artikel. SK supervisi, reviu, dan revisi draft akhir.

Pernyataan Konflik Kepentingan

Penulis menyatakan bahwa tidak ada konflik kepentingan dalam penulisan artikel ini.

Orcid ID

Zulfikri Khakim https://orcid.org/0000-0003-0676-7993

Sri Kusrohmaniah https://orcid.org/0000-0002-1767-7718

Daftar Pustaka

Amodio, D. M., Jost, J. T., Master, S. L., & Yee, C. M. (2007). Neurocognitive correlates of
liberalism and conservatism. Nature Neuroscience, 10(10), 1246–1247.
https://doi.org/10.1038/nn1979
Azevedo, F. A. C., Carvalho, L. R. B., Grinberg, L. T., Farfel, J. M., Ferretti, R. E. L., Leite,
R. E. P., … Herculano-Houzel, S. (2009). Equal numbers of neuronal and
nonneuronal cells make the human brain an isometrically scaled-up primate brain.
The Journal of Comparative Neurology, 513(5), 532–541.
https://doi.org/10.1002/cne.21974
Bandara, D. S. V., Arata, J., & Kiguchi, K. (2018). Towards control of a transhumeral
prosthesis with EEG signals. Bioengineering, 5(2), 26.
https://doi.org/10.3390/bioengineering5020026

111
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Bauer, R. M., & Dunn, C. B. (2013). Research methods in neuropsychology. Dalam I. B.

Weiner, J. A. Schinka, & W. F. Velicer, Handbook of psychology: Research methods in
psychology (Volume II, Edisi kedua), (hal. 274–315). John Wiley & Sons Inc.
Binnie, C. D., & Prior, P. F. (1994). Electroencephalography. Journal of Neurology,
Neurosurgery & Psychiatry, 57(11), 1308–1319. https://doi.org/10.1136/jnnp.57.11.1308
Borck, C., & Hentschel, A. (2018). Brainwaves: A cultural history of electroencephalography.
Routledge/Taylor & Francis Group.
Boshra, R., Ruiter, K. I., DeMatteo, C., Reilly, J. P., & Connolly, J. F. (2019).
Neurophysiological correlates of concussion: Deep learning for clinical assessment.
Scientific Reports, 9(1), 17341. https://doi.org/10.1038/s41598-019-53751-9
Bötzel, K., Schulze, S., & Stodieck, StefanR. G. (1995). Scalp topography and analysis of
intracranial sources of face-evoked potentials. Experimental Brain Research, 104(1),
135-143. https://doi.org/10.1007/BF00229863
Coan, J. A., & Allen, J. J. B. (2004). Frontal EEG asymmetry as a moderator and mediator
of emotion. Biological Psychology, 67(1–2), 7–50.
https://doi.org/10.1016/j.biopsycho.2004.03.002
Cohen, M. X., & Ridderinkhof, K. R. (2013). EEG source reconstruction reveals frontal-
parietal dynamics of spatial conflict processing. PLoS One, 8(2), e57293.
https://doi.org/10.1371/journal.pone.0057293
Craik, A., He, Y., & Contreras-Vidal, J. L. (2019). Deep learning for electroencephalogram
(EEG) classification tasks: A review. Journal of Neural Engineering, 16(3), 031001.
https://doi.org/10.1088/1741-2552/ab0ab5
Davidson, R. J. (1998a). Affective style and affective disorders: perspectives from affective
neuroscience. Cognition & Emotion, 12(3), 307–330.
https://doi.org/10.1080/026999398379628
Davidson, R. J. (1998b). Anterior electrophysiological asymmetries, emotion, and
depression: Conceptual and methodological conundrums. Psychophysiology, 35(5),
607–614. https://doi.org/10.1017/S0048577298000134
Davidson, R. J. (2004). What does the prefrontal cortex “do” in affect: Perspectives on
frontal EEG asymmetry research. Biological Psychology, 67(1–2), 219–234.
https://doi.org/10.1016/j.biopsycho.2004.03.008
Di Russo, F. (2003). Source analysis of event-related cortical activity during visuo-spatial
attention. Cerebral Cortex, 13(5), 486–499. https://doi.org/10.1093/cercor/13.5.486
Dickter, C., & Kieffaber, P. (2014). EEG Methods for the Psychological Sciences. SAGE
Publications Ltd. https://doi.org/10.4135/9781446270356
Duzel, E., Yonelinas, A. P., Mangun, G. R., Heinze, H.-J., & Tulving, E. (1997). Event-
related brain potential correlates of two states of conscious awareness in memory.
Proceedings of the National Academy of Sciences, 94(11), 5973–5978.
https://doi.org/10.1073/pnas.94.11.5973

112
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Eimer, M. (2011). The face-sensitivity of the N170 component. Frontiers in Human

Neuroscience, 5, 119. https://doi.org/10.3389/fnhum.2011.00119
Farwell, L. A., & Donchin, E. (1988). Talking off the top of your head: Toward a mental
prosthesis utilizing event-related brain potentials. Electroencephalography and Clinical
Neurophysiology, 70(6), 510–523. https://doi.org/10.1016/0013-4694(88)90149-6
Fraga González, G., Smit, D. J. A., van der Molen, M. J. W., Tijms, J., Stam, C. J., de Geus,
E. J. C., & van der Molen, M. W. (2018). EEG resting state functional connectivity in
adult dyslexics using phase lag index and graph analysis. Frontiers in Human
Neuroscience, 12, 341. https://doi.org/10.3389/fnhum.2018.00341
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch
negativity: A review of underlying mechanisms. Clinical Neurophysiology, 120(3),
453–463. https://doi.org/10.1016/j.clinph.2008.11.029
Gazzaniga, M. S., Ivry, R. B., & Mangun, G. R. (2009). Cognitive neuroscience: The biology of
the mind (Edisi ketiga). W.W. Norton.
Grau, C., Ginhoux, R., Riera, A., Nguyen, T. L., Chauvat, H., Berg, M., … Ruffini, G.
(2014). Conscious brain-to-brain communication in humans using non-invasive
technologies. PLoS One, 9(8), e105225. https://doi.org/10.1371/journal.pone.0105225
Handy, T. C. (Ed.). (2005). Event-related potentials: A methods handbook. MIT Press.
Hjorth, B. (1970). EEG analysis based on time domain properties. Electroencephalography
and Clinical Neurophysiology, 29(3), 306–310. https://doi.org/10.1016/0013-
4694(70)90143-4
Jiang, X., Bian, G.-B., & Tian, Z. (2019). Removal of artifacts from EEG signals: A review.
Sensors, 19(5), 987. https://doi.org/10.3390/s19050987
Jung, T.-P., Makeig, S., Humphries, C., Lee, T.-W., Mckeown, M. J., Iragui, V., &
Sejnowski, T. J. (2000). Removing electroencephalographic artifacts by blind source
separation. Psychophysiology, 37(2), 163–178. https://doi.org/10.1111/1469-
8986.3720163
Kaiser, A. K., Gnjezda, M.-T., Knasmüller, S., & Aichhorn, W. (2018).
Electroencephalogram alpha asymmetry in patients with depressive disorders:
Current perspectives. Neuropsychiatric Disease and Treatment, 14, 1493–1504.
https://doi.org/10.2147/NDT.S137776
Kalat, J. W. (2016). Biological psychology (Edisi ketiga belas). Cengage Learning.
Kamel, N., & Malik, A. S. (Eds.) (2015). EEG/ERP analysis: Methods and applications (Edisi
pertama). CRC Press.
Kang, G., Jin, S.-H., Keun Kim, D., & Kang, S. W. (2018). T59. EEG artifacts removal using
machine learning algorithms and independent component analysis. Clinical
Neurophysiology, 129(Supp. 1), e24. https://doi.org/10.1016/j.clinph.2018.04.060
Kappenman, E. S., & Luck, S. J. (2010). The effects of electrode impedance on data quality
and statistical significance in ERP recordings. Psychophysiology, 47(5), 888-904.
https://doi.org/10.1111/j.1469-8986.2010.01009.x

113
 KHAKIM, KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Kessels, R. P. C. (2019). Improving precision in neuropsychological assessment: Bridging

the gap between classic paper-and-pencil tests and paradigms from cognitive
neuroscience. The Clinical Neuropsychologist, 33(2), 357–368.
https://doi.org/10.1080/13854046.2018.1518489
Kubo, K., Okanoya, K., & Kawai, N. (2012). Apology isn’t good enough: An apology
suppresses an approach motivation but not the physiological and psychological
anger. PLoS One, 7(3), e33006. https://doi.org/10.1371/journal.pone.0033006
Laszlo, S., Ruiz-Blondet, M., Khalifian, N., Chu, F., & Jin, Z. (2014). A direct comparison of
active and passive amplification electrodes in the same amplifier system. Journal of
Neuroscience Methods, 235, 298–307. https://doi.org/10.1016/j.jneumeth.2014.05.012
Lopez-Gordo, M., Sanchez-Morillo, D., & Valle, F. (2014). Dry EEG electrodes. Sensors,
14(7), 12847–12870. https://doi.org/10.3390/s140712847
Lotte, F., Congedo, M., Lécuyer, A., Lamarche, F., & Arnaldi, B. (2007). A review of
classification algorithms for EEG-based brain–computer interfaces. Journal of Neural
Engineering, 4(2), R1–R13. https://doi.org/10.1088/1741-2560/4/2/R01
Luck, S. J. (2014). An introduction to the event-related potential technique (Edisi kedua). The
MIT Press.
Makeig, S., & Onton, J. (2011). ERP Features and EEG Dynamics. Dalam E. S. Kappenman &
S. J. Luck, The Oxford Handbook of Event-Related Potential Components. Oxford
Handbooks Online. https://doi.org/10.1093/oxfordhb/9780195374148.013.0035
Mathewson, K. E., Harrison, T. J. L., & Kizuk, S. A. D. (2017). High and dry? Comparing
active dry EEG electrodes to active and passive wet electrodes: Active dry vs. active
& passive wet EEG electrodes. Psychophysiology, 54(1), 74–82.
https://doi.org/10.1111/psyp.12536
Meyer-Baese, A., & Schmid, V. (2014). Feature selection and extraction. Dalam A. Meyer-
Baese & V. Schmid (Eds.), Pattern Recognition and Signal Analysis in Medical Imaging
(hal. 21–69). Academic Press. https://doi.org/10.1016/B978-0-12-409545-8.00002-9
Naro, A., Calabrò, R. S., La Rosa, G., Andronaco, V. A., Billeri, L., Lauria, P., … Bramanti,
P. (2019). Toward understanding the neurophysiological basis of peripersonal space:
An EEG study on healthy individuals. PLoS One, 14(6), e0218675.
https://doi.org/10.1371/journal.pone.0218675
Nunez, P. L., & Srinivasan, R. (2006). Electric fields of the brain: The neurophysics of EEG
(Edisi kedua). Oxford University Press.
Park, S. M., Lee, J. Y., Kim, Y. J., Lee, J.-Y., Jung, H. Y., Sohn, B. K., … Choi, J.-S. (2017).
Neural connectivity in Internet gaming disorder and alcohol use disorder: A resting-
state EEG coherence study. Scientific Reports, 7(1), 1333.
https://doi.org/10.1038/s41598-017-01419-7
Pinel, J. P. J. (2014). Biopsychology (Edisi kesembilan). Pearson.

114
 KHAKIM & KUSROHMANIAH || DASAR - DASAR ELECTROENCEPHALOGRAPHY

Polich, J., & Margala, C. (1997). P300 and probability: Comparison of oddball and single-
stimulus paradigms. International Journal of Psychophysiology, 25(2), 169–176.
https://doi.org/10.1016/S0167-8760(96)00742-8
Quaedflieg, C. W. E. M., Smulders, F. T. Y., Meyer, T., Peeters, F., Merckelbach, H., &
Smeets, T. (2016). The validity of individual frontal alpha asymmetry EEG
neurofeedback. Social Cognitive and Affective Neuroscience, 11(1), 33–43.
https://doi.org/10.1093/scan/nsv090
Ratti, E., Waninger, S., Berka, C., Ruffini, G., & Verma, A. (2017). Comparison of medical
and consumer wireless EEG systems for use in clinical trials. Frontiers in Human
Neuroscience, 11, 398. https://doi.org/10.3389/fnhum.2017.00398
Senior, C., Russell, T., & Gazzaniga, M. S. (Eds.). (2006). Methods in mind. MIT Press.
Sinha, S. R., Sullivan, L. R., Sabau, D., Orta, D. S. J., Dombrowski, K. E., Halford, J. J., …
Stecker, M. M. (2016). American clinical neurophysiology society guideline 1:
Minimum technical requirements for performing clinical electroencephalography.
The Neurodiagnostic Journal, 56(4), 235–244.
https://doi.org/10.1080/21646821.2016.1245527
Spielberg, J. M., Stewart, J. L., Levin, R. L., Miller, G. A., & Heller, W. (2008). Prefrontal
cortex, emotion, and approach/withdrawal motivation. Social and Personality
Psychology Compass, 2(1), 135–153. https://doi.org/10.1111/j.1751-9004.2007.00064.x
Stavropoulos, K. K.-M., & Carver, L. J. (2016). Neural correlates of attention to human-
made sounds: An ERP study. PLoS One, 11(10), e0165745.
https://doi.org/10.1371/journal.pone.0165745
Stephan, K. E., & Friston, K. J. (2009). Functional connectivity. Dalam L. R. Squire (Ed.),
Encyclopedia of Neuroscience (hal. 391–397). Academic Press.
https://doi.org/10.1016/B978-008045046-9.00308-9
Strang, G. (1994). Wavelets. American Scientist, 82(3), 250–255.
Tacikowski, P., & Nowicka, A. (2010). Allocation of attention to self-name and self-face:
An ERP study. Biological Psychology, 84(2), 318–324.
https://doi.org/10.1016/j.biopsycho.2010.03.009
Vogel, E. K., McCollough, A. W., & Machizawa, M. G. (2005). Neural measures reveal
individual differences in controlling access to working memory. Nature, 438(7067),
500–503. https://doi.org/10.1038/nature04171
Weinberg, A., & Hajcak, G. (2010). Beyond good and evil: The time-course of neural
activity elicited by specific picture content. Emotion, 10(6), 767–782.
https://doi.org/10.1037/a0020242
Zoëga Ramsøy, T., Michael, N., & Michael, I. (2019). A consumer neuroscience study of
conscious and subconscious destination preference. Scientific Reports, 9(1), 15102.
https://doi.org/10.1038/s41598-019-51567-1

115