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.
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. Querying (Computer science) |
| 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 |