Monitoring Pergerakan Gelombang Otak pada Pasien Anak dengan Epilepsi Menggunakan Metode Markov Switching Autoregressive (MSAR) dengan Pendekatan EM-Gaussiann dan Bayesian-Azzalini

Niam, M. Zaim Husnun (2023) Monitoring Pergerakan Gelombang Otak pada Pasien Anak dengan Epilepsi Menggunakan Metode Markov Switching Autoregressive (MSAR) dengan Pendekatan EM-Gaussiann dan Bayesian-Azzalini. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000085-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (2MB) | Request a copy

Abstract

Anak Berkebutuhan Khusus (ABK) dimana anak mengalami perbedaan tumbuh kembang dibandingkan dengan anak seusianya. Masyarakat awam menganggap ABK sebagai sumber masalah, aib, bahkan kutukan. Pelayanan yang tepat bagi ABK akan berdampak positif bagi perkembangan maupun psikologis mereka. Berdasarkan data KEMENKO PMK, jumlah ABK di Indonesia cukup tinggi sehingga perlu diperhatikan penangannya. Melalui monitoring gelombang otak yang direkam menggunakan elektroensefalograph (EEG) dapat memberikan penanganan yang tepat sesuai dengan karakteristik gelombang otaknya. Epilepsi sebagai salah satu bagian dari ABK dipilih sebagai objek dalam penelitian. Gelombang tersebut akan dimodelkan untuk menangkap perpindahan pola pada setiap kondisi. Salah satu metode yang dapat digunakan untuk memodelkan data yang non linier adalah Markov Switching Autoregressive (MSAR). Data gelombang otak diambil dari perekaman EEG di Rumah Sakit Universitas Airlangga pada bagian Temporal. Channel yang dipilih untuk dimodelkan adalah T3-Cz dan T4-Cz yang mewakili bagian kiri dan kanan Temporal. Durasi yang diambil untuk dianalisis adalah sepanjang 10 detik yang cenderung fluktuatif dan non linier dari total perekaman selama 30 menit. MSAR tepat untuk memodelkan kasus tersebut karena memadukan antara Markov Switching untuk menangkap perubahan pola dan Autoregressive untuk menangkap hubungan variabel dari waktu ke waktu. Pada penerapan model MSAR akan susah untuk memenuhi asumsi residual white noise. Pendekatan Bayesian digunakan untuk menangani pemenuhan asumsi tersebut. Model MSAR yang dihasilkan akan dibandingkan antara menggunakan pendekatan EM-Gaussian dan Bayesian-Azzalini. Berdasarkan hasil penelitian, model terbaik yang terpilih untuk memodelkan Channel T3-Cz dan T4-Cz adalah MS(2)AR(1). Kedua model tersebut menggunakan pendekatan Bayesian-Azzalini. Selain itu, didapatkan karakteristik gelombang otak pada anak dengan epilepsi mayoritas adalah gelombang kejang.
==================================================================================================================================
Children with special needs (ABK) are children who have different differences in growth and development compared to other children their age. The general public considers children with disabilities as source of problems, a disgrace, and even a curse. Proper services for children with disabilities will have a positive impact on their psychological development and well-being. Based on data from KEMENKO PMK, the number of children with disabilities in Indonesia is high enough to warrant attention. Monitoring brain waves recorded using an electroencephalograph (EEG) can provide appropriate treatment according to the characteristics of the brain waves. Epilepsy as one part of children with with special needs is chosen as the research object. These waves would be modeled to capture the displacement pattern in each condition. One method that could be used to model non-linear data is Markov Switching Autoregressive (MSAR). Brain wave data is taken from EEG recordings at Universitas Airlangga Hospital in the Temporal section. The channels chosen to be modeled are T3-Cz and T4-Cz which represent the left and right Temporal sections. The duration taken for analysis is as long as 10 seconds which tends to fluctuate and non-linear from a total of 30 minutes of recording. MSAR is appropriate for modeling such cases because it combines Markov Switching to capture pattern changes and Autoregressive to capture variable relationships over time. In applying the MSAR model, it will be difficult to fulfill the assumption of white noise residuals. The Bayessian approach is used to handle the fulfillment of this assumption.The resulting MSAR model will be compared between using the EM-Gaussian and Bayesian-Azzalini approaches.Based on the results, the best model selected to model the T3-Cz and T4-Cz channels is MS(2)AR(1).Both models use the Bayessian-Azzalini approach.In addition, it is found that the characteristics of brain waves in children with epilepsy are mostly seizure waves.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Epilepsi, Bayesian, Gelombang otak, MSAR; Epilepsy, Bayesian, Brain waves, MSAR
Subjects:	Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory. Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	M. Zaim Husnun Niam
Date Deposited:	06 Oct 2023 02:30
Last Modified:	06 Oct 2023 02:30
URI:	http://repository.its.ac.id/id/eprint/104358

Actions (login required)

View Item