Penerapan Enhanced Gradient Boosting Machine Fusion Untuk Deteksi Epilepsi.

Garibaldi, Adam Abelard (2022) Penerapan Enhanced Gradient Boosting Machine Fusion Untuk Deteksi Epilepsi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000125-Undergraduate_thesis.pdf Restricted to Repository staff only Download (3MB)

Abstract

Epilepsi adalah penyakit kronis yang menyerang gangguan sistem saraf pusat yang menyebabkan kejang atau terkadang hilang kesadaran. Epilepsi dapat dideteksi dengan Elektroensephalogram (EEG) yaitu adalah 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 machine learning. Metode yang diajukan meliputi ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT) dan Discrete Fourier Transform (DFT), seleksi fitur menggunakan Genetic Algorithm (GA), dan klasifikasi menggunakan Enhanced Gradient Boosting Machine Fusion (Enhanced GBM Fusion). Dataset yang digunakan merupakan dataset dari University of Bonn (UoB) yang dapat diakses secara daring. Berdasarkan hasil uji coba yang telah dilakukan didapatkan bahwa metode ini dapat meningkatkan performa klasifikasi 5 kelas dalam mendeteksi epilepsi. Dari hasil pengujian yang telah dijalankan, metode klasifikasi yang diusulkan berhasil mendapatkan akurasi yang lebih tinggi dibandingkan menggunakan algoritma GBM Fusion. Namun performa metode ini tidak bisa dibandingkan dengan menggunakan dataset lain.
==============================================================================================================================
Epilepsy is a chronic disease that attacks central nervous system disorders that cause seizures or sometimes loss of consciousness. Epilepsy can be detected by Electroencephalography (EEG) which is a method for recording the electrical activity of the brain on the surface of the scalp. The visual results of this EEG test are subjective and resource-intensive as it can take several hours to scan a single patient's EEG record. In this final project, an automatic detection of epilepsy with a machine learning approach is proposed. The proposed methods include feature extraction using Discrete Wavelet Transform (DWT) and Discrete Fourier Transform (DFT), feature selection using Genetic Algorithm (GA), and classification using Enhanced Gradient Boosting Machine Fusion (Enhanced GBM Fusion). The dataset used is a dataset from the University of Bonn (UoB) which can be accessed online. Based on the results of trials that have been carried out, it was found that this method can improve the performance of the 5 class classification in detecting epilepsy. From the results of the tests that have been carried out, the proposed method has succeeded in getting a higher accuracy than using the GBM Fusion algorithm. However, the performance of this method cannot be compared with other datasets.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.31 Gar p-1 2022
Uncontrolled Keywords:	Epilepsi, Enhanced GBM Fusion, Sinyal EEG, DWT, DFT, GA. Epilepsy, Enhanced GBM Fusion, EEG signal, DWT, DFT, GA.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 03:43
Last Modified:	26 May 2026 03:43
URI:	http://repository.its.ac.id/id/eprint/133431

Actions (login required)

View Item