Clustering pada Data Time Series Electrocephalogram

Bakhtiar, Akhmad Aufar Romeo (2024) Clustering pada Data Time Series Electrocephalogram. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201152-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Salah satu gangguan mental yang meningkat prevalensinya secara global yaitu dalam beberapa tahun terakhir adalah depresi. Diagnosis depresi dilakukan dengan mengisi kuisoner dapat memberikan hasil yang tidak objektif. Oleh karena itu dikembangkan electroenchephalography sebagai pelengkap dan pendukung diagnosis depresi pasien metode ini bersifat non invasif sehingga tidak membahayakan pasien dan dapat memberikan hasil yang tidak objektif. Untuk melakukan membantu diagnosis yang dilakukan dokter dapat dilakukan dengan melakukan klasifikasi, akan tetapi data EEG harus diberikan label secara. Pemberian label pada umumnya dilakukan secara manual dan dilakukan oleh ahli, akan tetapi ini memakan waktu yang lama. Sebagai awalan, studi ini menginvestigasi pola pengelompokkan pada sinyal EEG, yang pada akhirnya dapat mendukung penentuan label atau variabel dependen pada deteksi depresi dilakukan dengan clustering untuk mengelompokkan sinyal EEG. Beberapa penelitian telah melakukan ini dengan menggunakan K-means untuk mengelompokkan pasien yang memiliki stress dalam beberapa tingkatan yang kemudian dilanjutkan dengan membuat model berdasarkan hasil cluster. Penelitian ini berfokus untuk melakukan clustering sehingga dapat mengelompokkan pasien berdasarkan kondisi mental pasien berdasarkan potongan sinyal EEG. Data EEG sendiri merupakan data time-series oleh karena itu clustering yang dilakukan adalah time-series clustering Penelitian ini menggunakan permutation distribution clustering yaitu metode clustering yang dikembangkan dengan menggunakan distribusi permutasi sehingga mampu mengelompokkan data time-series. Metode ini digunakan juga karena berdasarkan penelitian terdahulu adanya pola berbeda pada pasien depresi dan normal. Penelitian ini akan melakukan filterisasi sub-band sinyal EEG dan segmentasi dengan harapan mendapat gambaran kemiripan dan perbedaan kondisi mental pasien berdasarkan sinyal EEG pada potongan sinyal raw dan sub-band gamma, tetha, alpha, beta dan delta. Berdasarkan hasil yang didapatkan kombinasi terbaik adalah dengan menggunakan raw signal EEG pada kondisi open eyes dan channel F3, digunakan complete linkage sebagai metode clustering di mana mampu mengelompokkan sinyal pasien depresi dan normal.
==============================================================================================================================
One of the mental disorders that has increased in prevalence globally in recent years is depression. Diagnosis of depression is done by filling out questionnaires can provide results that are not objective. Therefore, electroenchephalography was developed as a complement and support for the diagnosis of patient depression. This method is non-invasive so it does not harm the patient and can provide results that are not objective. To help the diagnosis made by doctors can be done by classifying, but EEG data must be labeled. Labeling is generally done manually and by experts, but this is time consuming. As a start, this study investigates clustering patterns in EEG signals, which can eventually support the determination of labels or dependent variables in depression detection by clustering to group EEG signals. Several studies have done this by using K-means to cluster stressed patients in several levels, followed by modeling based on the cluster results. This research focuses on clustering so that it can group patients based on the patient's mental state based on EEG signal pieces. EEG data itself is time-series data, therefore the clustering performed is time-series clustering. This research uses permutation distribution clustering, which is a clustering method developed using permutation distribution so that it is able to cluster time-series data. This method is also used because based on previous research there are different patterns in depressed and normal patients. This research will perform EEG signal sub-band filtering and segmentation in the hope of getting an overview of the similarities and differences in the mental state of patients based on EEG signals in raw signal pieces and sub-bands gamma, tetha, alpha, beta and delta. Based on the results obtained, the best combination is to use raw EEG signals in open eyes and channel F3 conditions, using complete linkage as a clustering method where it is able to group depressed and normal patient signals.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cluster, Depression, Electroencephalogram, Permutation Distribution Clustering, Time Series, Depresi, Elektroensefalogram
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Akhmad Aufar Romeo Bakhtiar
Date Deposited:	27 Aug 2024 05:23
Last Modified:	27 Aug 2024 05:23
URI:	http://repository.its.ac.id/id/eprint/115034

Actions (login required)

View Item