Multiclass Classification Dengan Support Vector Machine-Genetic Algorithm Untuk Deteksi Kejang Pada Epilepsi Menggunakan Sinyal ECG

Mahsyari, Zumarsiyah (2023) Multiclass Classification Dengan Support Vector Machine-Genetic Algorithm Untuk Deteksi Kejang Pada Epilepsi Menggunakan Sinyal ECG. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003201035-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Epilepsi adalah penyakit otak kronis yang tidak menular yang mempengaruhi sekitar 50 juta orang di seluruh dunia. Hal ini ditandai dengan kejang berulang, yang merupakan episode singkat gerakan tak sadar yang mungkin melibatkan sebagian tubuh atau seluruh tubuh dan kadang-kadang disertai dengan hilangnya kesadaran. Banyak penelitian telah menunjukkan bahwa orang dengan epilepsi berisiko lebih tinggi untuk kematian mendadak tak terduga atau SUDEP (Sudden Unexpected Death in Epilepsy) sehingga pemeriksaan dini pada pasien kejang dapat membantu pencegahan terjadinya SUDEP. Deteksi kejang umumnya dilakukan melalui sinyal EEG (Electroencephalogram), namun beberapa penelitian menyebutkan bahwa sinyal ECG (Electrocardiogram) juga dapat mendeteksi kejang pada epilepsi karena terdapat hubungan antara kondisi epilepsi dengan perubahan detak jantung. Penelitian ini melakukan multiclass classification menggunakan SVM-GA (Support Vector Machine-Genetic Algorithm). GA akan membantu menentukan parameter yang optimal dalam model SVM agar menghasilkan performa yang maksimal. Fitur entropi dan fitur statistik akan diaplikasikan ke dalam penelitian ini kernel yang digunakan pada SVM adalah linera, polynomial, dan RBF. Tujuan dari penelitian ini adalah untuk mendeteksi fase-fase pada epilepsi, yaitu fase pre-ictal, fase ictal, fase post-ictal, dan fase normal. Data yang digunakan berasal dari data publik yang diambil dari situs Physio Net berupa sinyal ECG pada pasien berusia 31 hingga 48 tahun. Eksplorasi data menunjukkan bahwa tidak semua pasien mengalami fase pre-ictal dan post-ictal. Selain itu, SVM-GA mampu memberikan F1-score yang lebih tinggi dibandingkan SVM pada klasifikasi empat kelas, yaitu hingga 90,1%. Namun SVM masih memberikan hasil yang lebih baik pada klasifikasi dua kelas (yaitu hingga 98,08%) dan klasifikasi tiga kelas (yaitu hingga 92,86%). Dari penelitian ini diharapkan dapat membantu tenaga kesehatan dalam mendeteksi fase epilepsi pada pasien dan untuk membuktikan apakah fase epilepsi dapat diketahui melalui sinyal jantung.
=================================================================================================================================
Epilepsy is a chronic, non-communicable brain disease that affects around 50 million people worldwide. It is characterized by recurrent seizures, which are brief episodes of involuntary movements that may involve part of the body or the whole body and are sometimes accompanied by loss of consciousness. Many studies have shown that people with epilepsy are at higher risk for sudden unexpected death or SUDEP (Sudden Unexpected Death in Epilepsy) so that early screening of seizure patients can help prevent SUDEP. Seizure detection is generally done through an EEG (Electroencephalogram) signal, but several studies say that an ECG (Electrocardiogram) signal can also detect seizures in epilepsy because there is a relationship between the condition of epilepsy and changes in heart rate. This research performs multiclass classification using SVM-GA (Support Vector Machine-Genetic Algorithm). GA will help determine the optimal parameters in the SVM model to produce maximum performance. Entropy features and statistik features will be applied to this research. The kernels used in SVM are linear, polynomial, and RBF. The purpose of this study was to detect the phases of epilepsy, namely the pre-ictal phase, the ictal phase, the post-ictal phase, and the normal phase. The data used comes from public data taken from the Physio Net website in the form of ECG signals in patients aged 31 to 48 years. Data exploration shows that not all patients experience the pre-ictal and post-ictal phase of epilepsy. In addition, SVM-GA can provide a higher F1-score than SVM in the four-class classification, which is up to 90,1. On the other hand, SVM still gives better results than SVM-GA in the two-class classification (up to 98.08%) and the three-class classification (up to 92,86%). From this research it is hoped that it can assist health workers in detecting the epileptic phase in patients and to prove whether the epileptic phase can be known through heart signals.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Electrocardiogram, Epilepsi, Genetic Algorithm, Kejang, Klasifikasi, Classification, Electrocardiogram, Epilepsy, Genetic Algorithm, Seizure, Support Vector Machine
Subjects:	Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Zumarsiyah Mahsyari
Date Deposited:	15 Sep 2023 06:28
Last Modified:	15 Sep 2023 06:28
URI:	http://repository.its.ac.id/id/eprint/104948

Actions (login required)

View Item