Implementasi deteksi serangan epilepsi dari data rekaman EEG menggunakan Weighted Permutation Entropy dan Support Vector Machine

Napitupulu, Lophita Y. (2017) Implementasi deteksi serangan epilepsi dari data rekaman EEG menggunakan Weighted Permutation Entropy dan Support Vector Machine. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5113100053-Undergraduate_Theses.pdf - Published Version

Download (3MB) | Preview

Abstract

Epilepsi merupakan gangguan neurologis jangka panjang yang ditandai dengan serangan-serangan epileptik. Serangan epileptik dapat terjadi dalam waktu singkat hingga guncangan kuat dalam waktu yang lama. Epilepsi adalah penyakit yang cenderung terjadi secara berulang dan tidak dapat disembuhkan, namun serangan-serangan epileptik yang terjadi dapat dikontrol melalui pengobatan. Pada tugas akhir ini, data rekaman electroencephalogram (EEG) dibagi menjadi beberapa window menggunakan segmentasi atau dekomposisi. Proses selanjutnya adalah mengekstraksi setiap window dengan menggunakan Weighted Permutation Entropy yang menghasilkan satu fitur setiap window. Uji coba fitur menggunakan k-fold cross-validation dengan membagi data menjadi data training dan data testing. Selanjutnya data diklasifikasi menggunakan Support Vector Machine. Data rekaman EEG yang digunakan untuk pengujian ini berasal dari ''Klinik für Epileptologie, Universität Bonn” yang diperoleh secara online yang berjumlah 500 data. Data ini terdiri dari serangan epilepsi (set S) dan bukan serangan epilepsi (set Z, N, O, F) yang masing-masing set terdiri dari 100 data. Set Z direkam dari lima orang sehat dengan mata tertutup dan set O direkam dari lima orang sehat mata terbuka. Set F direkam dari penderita epilepsi yang tidak mengalami serangan di hippocampal formation, set N direkam dari penderita epilepsi yang tidak mengalami sernagan di epileptogenic zone, dan set S direkam dari penderita epilepsi ketika terjadi serangan di epileptogenic zone. Uji coba dilakukan pada data set S digabung dengan setiap set lain. Sehingga data yang digunakan sebanyak 200 data rekaman EEG untuk setiap uji coba. Berdasarkan uji coba, metode tersebut menghasilkan akurasi rata-rata sebesar 91,88%. ================================================================= Epilepsy is a long-term neurological disorder characterized by epileptic seizures. Epileptic seizures can occur in a short period of time until a strong shock for a long time. Epilepsy is a disease that tends to occur repeatedly and cannot be healed, but epileptic seizures that occur can be controlled through treatment. In this undergraduate thesis, the electroencephalogram (EEG) record data will be divided into several windows using segmentation or decomposition. The next process is to extract each window by using a Weighted Permutation Entropy that produces a feature of each window. The feature will be tested using k-fold cross-validation by dividing data into training and testing data. Furthermore data is classified using Support Vector Machine. The EEG record data used for testing in this experiment was taken from the online data collected by 500 online '' Clinical für Epileptologie, Universität Bonn '. This data consists of epileptic seizure (set S) and seizure free (set Z, N, O, F) each of which consists of 100 data. Set Z was recorded from five healthy people when eyes are closed and set O recorded from five healthy people when eyes are opened. Set F was recorded from five epilepsy patients during seizure free in hippocampal formation, N sets was recorded from five epilepsy patients during seizure free in epileptogenic zone, and set S was recorded from five epilepsy patients during seizure in epileptogenic zone. The trial test use set S combined with every other set. So the data used are 200 EEG record data for each test. Based on the trials, the proposed method above gave an average accuracy of 91.88%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Epilepsi, EEG, Weighted Permutation Entropy, Support Vector Machine
Subjects: T Technology > T Technology (General)
T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information Technology > Informatics Engineering > (S1) Undergraduate Theses
Depositing User: Lophita Lophita Napitupulu
Date Deposited: 20 Sep 2017 03:19
Last Modified: 05 Mar 2019 04:45
URI: http://repository.its.ac.id/id/eprint/42933

Actions (login required)

View Item View Item