Perbandingan Metode Random Forest Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroen Cephalograph (EGG)

Fachruddin, Muhammad Idrus (2015) Perbandingan Metode Random Forest Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroen Cephalograph (EGG). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1311100104-Undergraduate-Thesis.pdf

Download (1MB) | Preview

Abstract

Diagnosa terhadap penderita epilepsi dilakukan dengan cara menyaksikan langsung terjadinya serangan sehingga menyulitkan dokter untuk melakukan diagnosa. Cara paling mutakhir untuk mendiagnosa penyakit epilepsi adalah dengan rekaman electroencephalograph (EEG).Namun, dengan menggunakan EEG dibutuhkan waktu lama untuk menentukan seseorang menderita epilepsi atau tidak.Oleh karena itu, dibutuhkan metode yang cepat dan akurat untukmendiagnosa penyakit epilepsi.Metode statistika klasifikasi bisa digunakan untuk mengatasi masalah tersebut.Pada penelitian ini, digunakan dua metode klasifikasi yakni random forest dan support vector machine (SVM) kemudian dibandingkan performanya. Sebelum dilakukan klasifikasi data di preprocessing terlebih dahulu menggunakan discrete wavelet transform (DWT) dan line length feature (LLF). Hasil analisa menunjukkan bahwa metode random forest memiliki rata-rata akurasi yang lebih baik dari pada SVM untuk data training.Untuk data testing, SVM memiliki rata-rata akurasi yang lebih baik dari pada random forest. =================================================================================================== Diagnosis patient with epileptic seizure do by direct witnessed the attack. It making difficult for the doctor to diagnose. The recent method use for epileptic seizure diagnose is using elctroencephalograph (EEG) record. However, diagnose using EEG record takes a long time to determine a person suffering from epileptic or not. Therefore, it takes quick and accurate method to diagnose epileptic seizure. Statistics classification method can be used to resolve this problem. This study used two classification method that is random forest (RF) and support vector machine (SVM). The two method used to predict epileptic seizure and then compare its performance. Before classification, the EEG data record preprocessed using discrete wavelet transform (DWT) and line length feature (LLF) extraction. The result shows that RF method has better average accuration than SVM method for training data. However, for the testing data SVM has better average accuration.

Item Type: Thesis (Undergraduate)
Additional Information: RSSt 006.321 Fac p
Uncontrolled Keywords: Epilepsi, EEG, Discrete Wavelet Transform, Line Length Feature, Random Forest, Support Vector Machine
Subjects: Q Science > QA Mathematics > QA76.9.D343 Data mining
Divisions: Faculty of Mathematics, Computation, and Data Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: Mr. Marsudiyana -
Date Deposited: 05 Dec 2019 06:15
Last Modified: 05 Dec 2019 06:15
URI: http://repository.its.ac.id/id/eprint/72224

Actions (login required)

View Item View Item