Rancang Bangun Alat Deteksi Disleksia Berbasis Elektroensefalografi dan Mikrokontroler dengan Implementasi Deep learning Recurrent Neural Network (RNN)

Disleksia adalah gangguan neurobiologis yang memengaruhi kemampuan membaca, menulis, dan mengeja, yang berdampak pada sekitar 19,8% siswa sekolah dasar di Indonesia. Penelitian ini bertujuan untuk mengembangkan alat deteksi disleksia berbasis Elektroensefalografi (EEG) yang terintegrasi dengan mikrokontroler ESP32 dan menggunakan model deep learning Recurrent Neural Network (RNN). Sistem ini dirancang untuk memproses sinyal EEG dari subjek normal dan disleksia untuk merekam data aktivitas listrik pada otak subjek sesuai kondisi pengerjaan test. Sistem alat dikalibrasi dengan input AFG dan output osiloskop untuk memonitoring alat mampu membaca sinyal frekuensi gelombang beta 4 Hz, Gelombang Theta 20 Hz dan Gelombang Gamma 40 Hz. Pengambilan data dilakukan di yayasan sebaya kabupaten sidoarjo dengan subjek penelitian 20 disleksia dan 20 normal yang diberikan soal test 3 tingkat dengan standar pengujian disleksia. Metode pengambilan data dilakukan dengan menyalakan sistem alat dan memposisikan elektroda ke titik-titik yang telah ditentukan sesuai dengan protokol standar perekaman EEG dan memonitoring sinyal analog tegangan secara berkelanjutan. Sinyal analog tegangan tersebut akan dikonversi dengan menggunakan teorema komputasi nyquist dan library python welch serta bandpass filtering untuk mengklasifikasikan nilai analog menjadi beberapa frekuensi gelombang neuron manusia. Data sinyal EEG diproses dan dianalisis untuk mendeteksi gangguan disleksia melalui deep learning model RNN dengan dua lapisan bidirectional dan aktivasi ReLU. Hasil penelitian menunjukkan model ini berhasil mencapai akurasi yang tinggi, dengan peningkatan signifikan pada akurasi training dan validasi, masing-masing mencapai 96,88% dan 99,78% setelah 14 epoch pelatihan.

Dyslexia is a neurobiological disorder that affects the ability to read, write, and spell, impacting approximately 19.8% of elementary school students in Indonesia. This study aims to develop a dyslexia detection tool based on Electroencephalography (EEG), integrated with an ESP32 microcontroller and using a deep learning model, Recurrent Neural Network (RNN). The system is designed to process EEG signals from both normal and dyslexic subjects to record electrical activity data in the brain of the subject during test tasks. The system is calibrated with an AFG input and oscilloscope output to monitor whether the device can read signals at frequencies of 4 Hz Beta waves, 20 Hz Theta waves, and 40 Hz Gamma waves. Data collection was carried out at Yayasan Sebaya in Sidoarjo district, involving 20 dyslexic subjects and 20 normal subjects, who were given a three-level test according to dyslexia testing standards. The data collection method involved powering the system, positioning electrodes at predetermined points according to standard EEG recording protocols, and continuously monitoring the analog voltage signal. The analog voltage signals were then converted using the Nyquist computation theorem, Python’s Welch library, and bandpass filtering to classify the analog values into several human neuron wave frequencies. The EEG signal data was processed and analyzed to detect dyslexia disturbances through the deep learning RNN model with two bidirectional layers and ReLU activation. The research results show that this model successfully achieved high accuracy, with significant improvements in both training and validation accuracy, reaching 96.88% and 99.78%, respectively, after 14 training epochs.