Penerapan Algoritma One Dimension Convolutional Neural Network untuk Klasifikasi Otomatis Sinyal Electroencephalography

Al Fariq, Salman Damai (2023) Penerapan Algoritma One Dimension Convolutional Neural Network untuk Klasifikasi Otomatis Sinyal Electroencephalography. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111940000159-Udegraduate_Thesis.pdf] Text
05111940000159-Udegraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2025.

Download (1MB) | Request a copy

Abstract

Kemajuan teknologi dalam berbagai sektor kehidupan, termasuk sektor kesehatan, menghadirkan kebutuhan akan pendeteksian penyakit yang lebih cepat dan akurat. Salah satu penyakit yang perlu mendapatkan perhatian adalah epilepsi, yang prevalensinya terus meningkat setiap tahun. Deteksi dini epilepsi menjadi krusial untuk memberikan perawatan dan pencegahan yang tepat sebelum kondisi pasien semakin memburuk. Electroencephalography (EEG) merupakan metode yang digunakan untuk merekam aktivitas listrik di korteks cerebral, dan telah menjadi modalitas utama dalam diagnosis epilepsi. Namun, analisis manual EEG memerlukan waktu dan keahlian yang khusus, sehingga deteksi otomatis menjadi penting untuk meningkatkan efisiensi dan akurasi dalam diagnosis epilepsi. Penelitian ini menggunakan metode One Dimensional Convolutional Neural Network (1D-CNN) untuk mengklasifikasikan sinyal EEG secara otomatis. Data sinyal EEG diproses dengan pembersihan, penamaan saluran, dan proses referencing untuk menghasilkan sinyal EEG dengan 22 channel. Selanjutnya, data EEG di-segmentasi pada area yang menandai waktu terjadinya kejang. Proses training dilakukan pada data yang sudah disegmentasi dengan menggunakan 10-Fold Cross Validation untuk memecah data training menjadi data training dan evaluasi. Selanjutnya performa model dihitung dengan menggunakan confusion matrix. Penelitian ini bertujuan untuk melakukan pengklasifikasian sinyal EEG dengan mempertimbangkan persyaratan klinis, yaitu nilai sensitivitas dan spesifisitas sebesar 95%. Penelitian ini menggunakan dataset EEG dari Temple University Hospital dan merancang enam model untuk deteksi epilepsi. Metode yang digunakan dalam penelitian ini dapat mencapai nilai sensitivitas sebesar 82,4%, spesifisitas sebesar 96,8%. Model yang dibuat juga mampu mencapai nilai akurasi sebesar 90,9%, yang menunjukkan sejauh mana model dapat dengan benar mengklasifikasikan data secara keseluruhan.
=================================================================================================================================
Advances in technology in various sectors of life, including the healthcare sector, have brought about the need for faster and more accurate disease detection. One of the diseases that require attention is epilepsy, whose prevalence continues to increase every year. Early detection of epilepsy is crucial to provide appropriate treatment and prevention before the patient's condition worsens. Electroencephalography (EEG) is a method used to record the electrical activity in the cerebral cortex and has become the primary modality in diagnosing epilepsy. However, manual EEG analysis requires time and specialized expertise, making automatic detection essential to improve efficiency and accuracy in diagnosing epilepsy. This research uses the One Dimensional Convolutional Neural Network (1D-CNN) method to automatically classify EEG signals. EEG signal data is processed through cleaning, channel naming, and referencing processes to generate EEG signals with 22 channels. Subsequently, the EEG data is segmented in areas that mark the occurrence of seizures. The training process is performed on the segmented data using 10-Fold Cross Validation to divide the training data into training and evaluation data. The model's performance is then evaluated using a confusion matrix. The aim of this research is to classify EEG signals while considering clinical requirements, namely achieving sensitivity and specificity values of 95%. The study uses EEG datasets from Temple University Hospital and designs six models for epilepsy detection. The methods used in this research can achieve a sensitivity value of 82,4% and a specificity value of : 96,8%. The created model can also achieve an accuracy value of 90,9%, indicating how well the model can correctly classify data overall.

Item Type: Thesis (Other)
Uncontrolled Keywords: 1D-CNN, 10-Fold Cross Validatiton, EEG, Epilepsy
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Q Science > QA Mathematics > QA336 Artificial Intelligence
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Salman Damai Alfariq
Date Deposited: 24 Oct 2023 04:39
Last Modified: 24 Oct 2023 04:39
URI: http://repository.its.ac.id/id/eprint/102683

Actions (login required)

View Item View Item