Penerapan Convolutional Neural Network dan Whale Optimization Algorithm untuk Mengoptimalkan Deteksi Epilepsi

Ridho, Rafif Ridho (2022) Penerapan Convolutional Neural Network dan Whale Optimization Algorithm untuk Mengoptimalkan Deteksi Epilepsi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000058-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Epilepsi adalah penyakit kronis yang terjadi karena adanya gangguan sistem saraf pusat (neurologis) yang menyebabkan kejang atau terkadang hilang kesadaran. Epilepsi dapat dideteksi dengan Electroencephalography (EEG), yaitu sebuah metode untuk merekam aktivitas elektris otak pada permukaan kulit kepala. Hasil visual dari tes EEG ini bersifat subjektif dan membutuhkan banyak sumber daya karena untuk mendapatkannya dibutuhkan beberapa jam untuk memindai catatan EEG satu pasien. Pada tugas akhir ini diajukan sebuah deteksi otomatis epilepsi dengan pendekatan deep learning. Metode yang diajukan meliputi preprocessing data dengan memotong sinyal EEG setiap 3 detik dengan 1 stride, ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT), klasifikasi menggunakan One-Dimension Convolutional Neural Network (1D CNN), dan optimasi hyperparameter klasifikasi menggunakan Whale Optimization Algorithm (WOA). Dataset yang digunakan merupakan dataset Children Hopsital Boston – Massachusetts Institute of Technology (CHB-MIT) yang dapat diakses secara daring. Berdasarkan hasil uji coba yang telah dilakukan didapatkan bahwa optimasi hyperparameter klasifikasi CNN menggunakan WOA dapat meningkatkan performa klasifikasi CNN dalam mendeteksi epilepsi.
=================================================================================================================================
A central nervous system (neurological) disorder called epilepsy is a long-term condition that can lead to seizures or even unconsciousness. Electroencephalography (EEG), a technique for recording the electrical activity of the brain on the surface of the scalp, can be used to identify epilepsy. Since it can take several hours to scan a single patient's EEG record, the visual results of this EEG test are arbitrary and resource-intensive. This final project suggests using deep learning to automatically detect epilepsy. The suggested techniques include cutting the EEG signal into 3 second with 1 strides for data preprocessing, feature extraction using discrete wavelet transform (DWT), classification using one-dimensional convolutional neural network (1D CNN), and optimization of hyperparameter classification using whale optimization algorithm (WOA). The Children's Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) dataset was used, and it is available online. Based on the findings of the trials, it was discovered that this method can increase the CNN classification's performance in detecting epilepsy.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Epilepsi, EEG, DWT, CNN, WOA.Epilepsy
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	13 Oct 2025 02:45
Last Modified:	13 Oct 2025 02:45
URI:	http://repository.its.ac.id/id/eprint/128563

Actions (login required)

View Item