Extreme Support Vector Machine Untuk Deteksi Artifact Pada Perekaman Sinyal EEG Penderita Epilepsi

Astuti, Baiq Siska Febriani (2019) Extreme Support Vector Machine Untuk Deteksi Artifact Pada Perekaman Sinyal EEG Penderita Epilepsi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010032-Master_Thesis.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Electroencephalografhy (EEG) merupakan metode perekaman elektrofisi- ologis untuk merekam aktivitas listrik yang ada pada otak. Sinyal EEG dapat membantu dalam mendiagnosa kejang. Data yang digunakan pada penelitian ini merupakan data rekaman sinyal EEG pada penderita epilepsi, data bersumber dari Rumah Sakit Universitas Airlangga. Sebelum dilakukan klasifikasi sinyal, terlebih dahulu melakukan proses dekomposisi sinyal. Dekomposisi sinyal yang digunakan pada penelitian ini menggunakan pendekatan wavelet Transform khususnya Descrete Wavelet Transform (DWT). Dekomposisi sinyal dengan DWT dibagi menjadi level 7, level 6, level 5 dan level 4. Setelah dilakukan proses dekomposisi, langkah berikutnya yaitu fitur ekstraksi. Fitur-fitur yang digunakan yaitu Kuartil, Maksimum, Minimum, Mean dan Standar Deviasi. Proses dekomposisi dan fitur selesai maka proses selanjutnya yaitu proses klasifikasi sinyal. Berbagai jenis metode telah diterapkan dalam menyelesaikan kasus epilepsi, tetapi Support Vector Machine (SVM) dan Neural Network paling dominan digunakan. Salah satu pendekatan dalam NN yang banyak digunakan yaitu Extreme Learning Machine (ELM). ELM merupakan metode learning yang memiliki kemampuan yang cepat dalam melakukan analisis, akan tetapi ELM tidak mencari hyperplane yang optimum. ELM hanya meminimukan sum of square error antar kelas dan output dalam Multi Layer Perceptron (MLP). Sementara SVM menghasilkan nilai akurasi yang lebih baik dalam menyelesaikan kasus klasifikasi, namun menghabiskan waktu yang lama dalam proses klasifikasi. Oleh sebab itu, pada penelitian kali ini akan mengkombinasikan SVM dengan ELM untuk menyelesaikan permasalahan klasifikasi. Tujuan dari penelitian ini yaitu untuk mendeteksi artifact pada sinyal perekaman EEG dengan menggunakan metode Extreme Support Vector Machine (ESVM) dibandingkan dengan metode SVM dengan menggunakan pendekatan kernel linier, poliomial dan RBF. Hasil analisis menunjukkan metode SVM dengan kernel RBF menghasilkan nilai performansi lebih baik dibandingkan dengan metode lainnya. Akan tetapi metode ESVM lebih cepat dalam proses klasifikasi dibandingkan metode SVM lainnya baik pada data DWT dengan mother wavelet Daubechies orde dua maupun orde empat.
==================================================================================================================================
Electroencephalography (EEG) is an electrophysiological recording method for recording electrical activity in the brain. EEG signals can be helping in diagnosing seizures. The data have used in this study is the EEG signal recording data in epilepsy patients, data sourced from Rumah Sakit Universitas Airlangga. Before signal classification is carried out, the signal decomposition process has first performed. Signal decomposition used in this study uses the Wavelet Transform approach, specifically Discrete Wavelet Transform (DWT). Signals decomposition with DWT has divided into level 7, level 6, level 5 and level 4. Subsequent the decomposition process, the next step is the extraction feature. The features used are Quartile, Maximum, Minimum, Mean and Standard Deviation. The decomposition process and features extraction have completed, the next process is the signal classification process. Various types of methods have been applied to solve epilepsy cases, but Support Vector Machine (SVM) and Neural Network (NN) are the most dominant ones used. One approach in NN that has widely used is the Extreme Learning Machine (ELM). ELM is a learning method that has a fast ability to do analysis, but ELM is not looking for the optimum hyperplane. ELM only minimizes the sum of square error between classes and outputs in the Multi-Layer Perceptron (MLP). While SVM produces better accuracy values in solving classification cases, it takes a long time in the classification process. Therefore, this research will combine SVM with ELM to solve classification problems. The purpose of this study is to detect artifacts on EEG recording signals using the Extreme Support Vector Machine (ESVM) method compared to the SVM method using a linear, polynomial and RBF kernel approach. The results of the analysis show that the SVM method with the RBF kernel results in a better performance value compared to other methods. However, the ESVM method has faster in the classification process than the other SVM methods both in the DWT data with the second order Daubechies mother wavelet or fourth order.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	ESVM, Wavelet Transformation, Muscle Artifact, Ictal, Epilepsi, EEG
Subjects:	Q Science > QA Mathematics > QA403.3 Wavelets (Mathematics) Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Astuti Baiq Siska Febriani
Date Deposited:	23 Jul 2026 06:08
Last Modified:	23 Jul 2026 06:08
URI:	http://repository.its.ac.id/id/eprint/69282

Actions (login required)

View Item