Penerapan Algoritma Moth-Flame Optimization Pada Metode Convolutional Neural Network Untuk Mendeteksi Kejang Epilepsi.

Rompis, Aaron Astonvilla (2022) Penerapan Algoritma Moth-Flame Optimization Pada Metode Convolutional Neural Network Untuk Mendeteksi Kejang Epilepsi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000131-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (1MB)

Abstract

Epilepsi merupakan kelainan otak yang ditandai dengan adanya dua bangkitan kejang tanpa provokasi atau refleks yang berselang lebih dari 24 jam, atau satu bangkitan kejang tanpa provokasi atau refleks dengan kemungkinan bangkitan berulang. Epilepsi dapat didiagnosis dengan menggunakan Electroencephalography (EEG). Penggunaan EEG membutuhkan waktu, tenaga, dan biaya yang ekstra. Jika penggunaan EEG dapat dilakukan secara otomatis akan memudahkan tenaga medis dalam mendiagnosis epilepsi. Tugas akhir ini mengajukan pendeteksian dan klasifikasi kejang pada epilepsi menggunakan metode Convolutional Neural Network (CNN) berdasarkan sinyal EEG. Sinyal EEG yang digunakan diambil dari dataset CHB-MIT. Sinyal EEG diekstraksi fiturnya menggunakan Discrete Wavelet Transformation. CNN yang digunakan merupakan satu dimensi CNN (CNN1D). Metode CNN1D dioptimasi menggunakan algoritma Moth-flame Optimization (MFO) sebagai hiperparameternya. Penggunaan algoritma MFO dapat meningkatkan recall dan performa klasifikasi dengan CNN1D dibandingkan dengan tanpa menggunakan MFO.
==============================================================================================================================
Epilepsy is a brain disorder characterized by the presence of two unprovoked or reflex seizures that last more than 24 hours, or one unprovoked or reflex seizure with the possibility of repeated seizures. Epilepsy can be diagnosed using electroencephalography (EEG). The use of EEG requires extra time, effort, and cost. If the use of EEG can be done automatically, it will make it easier for medical personnel to diagnose epilepsy. This final project proposes the detection and classification of seizures in epilepsy using the Convolutional Neural Network (CNN) method based on EEG signals. The EEG signal used was taken from the CHB-MIT dataset. The features of the EEG signal were extracted using Discrete Wavelet Transformation. The CNN used is one dimensional CNN (CNN1D). The CNN1D method is optimized using the Moth-flame Optimization (MFO) algorithm as the hyperparameter. The use of the MFO algorithm can improve recall and classification performance with CNN1D compared to without using MFO.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.312 Rom p-1 2022
Uncontrolled Keywords:	Convolutional Neural Network, Discrete Wavelet Transformation, Electroencephalography, Epilepsi, Moth-flame Optimization. Convolutional Neural Network, Discrete Wavelet Transformation, Electroencephalography, Epilepsy, Moth-flame Optimization.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 04:12
Last Modified:	26 May 2026 04:12
URI:	http://repository.its.ac.id/id/eprint/133435

Actions (login required)

View Item