Identifikasi epilepsi melalui Electroencephalography (EEG) menggunakan Convolutional Neural Network (CNN)

Nadyah, Izaz (2022) Identifikasi epilepsi melalui Electroencephalography (EEG) menggunakan Convolutional Neural Network (CNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (96kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (92kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (91kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (92kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (599kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (463kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (77kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (117kB) | Request a copy

Abstract

Penderita epilepsi akan mengalami gangguan memori, penurunan kondisi mental, kehilangan kesadaran bahkan kematian. Oleh karena itu, deteksi atau diagnosa dini untuk mengetahui epilepsi serta memberikan perawatan medis dengan tepat waktu merupakan hal yang sangat penting untuk dilakukan. Saat ini, dalam mendeteksi aktivitas epilepsi pada seseorang, ahli medis melakukannya dengan cara menginspeksi hasil visual dari sinyal Electroencephalography (EEG). Namun, analisis secara visual tersebut akan memakan banyak waktu dan tenaga, menghitung dengan banyaknya data yang dihasilkan. Pada penelitian ini, akan diusulkan model Convolutional Neural Network (CNN) untuk identifikasi otomatis epilepsi melalui sinyal EEG yang dihasilkan. Pertama, sinyal EEG akan melalui preprocessing dan normalisasi untuk mendapatkan fitur pada sinyal, yang kemudian akan dilakukan klasifikasi untuk mengidentifikasi epilepsi (seizure) dan non-epilepsi (non-seizure) dengan CNN. Hasil penelitian menunjukkan bahwa metode yang diusulkan pada penelitian ini mendapatkan nilai akurasi yang cukup tinggi yaitu 99.078% dan 82.069% untuk persentase akurasi pada proses pelatihan (training). Kemudian performa atau kinerja dari model tersebut juga dievaluasi dengan confusion matrix dan menghasilkan presisi, recall, F1-score yang baik. Hasil evaluasi tersebut mendapatkan akurasi dengan rata-rata 99,31%. Berdasarkan evaluasi tersebut, model yang diusulkan pada penelitian ini dapat digunakan sebagai metode lain dalam proses klasifikasi, deteksi atau identifikasi epilepsi pada sinyal EEG.

Actions (login required)

View Item