Diagnosa Kejang Epilepsi Berdasarkan Sinyal EEG Menggunakan Metode K-Nearest Neighbor

Sihombing, Carianto Hottua (2018) Diagnosa Kejang Epilepsi Berdasarkan Sinyal EEG Menggunakan Metode K-Nearest Neighbor. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
06211440000102-Undergraduate_Theses.pdf - Accepted Version

Download (1MB) | Preview

Abstract

Epilepsi merupakan salah satu kelainan neurologi yang paling umum terjadi. Penyakit epilepsi adalah suatu kondisi yang dapat menjadikan seseorang mengalami kejang secara tiba-tiba dan berulang. Kejang adalah kejadian epilepsi dan merupakan ciri epilepsi yang harus ada, tetapi tidak semua kejang merupakan manifestasi epilepsi. Analisis Electroencephalography (EEG) merupakan metode utama dalam mendiagnosa kejang epilepsi. Sinyal EEG memiliki distribusi non-gausian, non-stasioner dan memiliki sifat non-linier sehingga diperlukan metode komputerisasi dalam mendiagnosa kejang epilepsi. EEG terdiri atas lima bagian frekuensi yaitu delta, theta, alpha, beta, dan gamma. Hanya theta, alpha, dan beta yang membawa informasi kejang. Pada penelitian ini metode IIR butterworth filter digunakan untuk memfilter sinyal menjadi gelombang theta, alpha, dan beta. Selanjutnya dari masing-masing sub-frekuensi diekstrak fitur maksimum, minimum, variance, energi, dan entropy yang akan digunakan sebagai variabel prediktor dalam klasifikasi menggunakan metode KNN. Pada langkah analisis klasifikasi dengan menggunakan metode KNN didapatkan nilai K terbaik adalah saat K=3, selanjutnya dengan menggunakan metode 3-NN didapatkan nilai akurasi, sensitifitas, dan spesitivitas masing-masing sebesar 98,4%, 98,75%, dan 97%. ============================================================ Epilepsy is one of the most common neurological disorders. Epilepsy is a condition that can cause a person to experience seizures suddenly and repeatedly. Seizures are epilepsy events and are characteristic of epilepsy that must exist, but not all seizures are epilepsy manifestations. Electroencephalography (EEG) analysis is the main method to diagnose epileptic seizures. EEG signals have non-gaussian, non-stationary and non-linear distributions so the computerized methods are required to diagnose epileptic seizures. EEG consists of five diffrent frequency bands namely delta, theta, alpha, beta, and gamma. Only theta, alpha, and beta carry seizure information. In this research the IIR butterworth filter method is used to filter the signal into theta, alpha, and beta sub bands. Feature such as maximum, minimum, variance, energy, and entropy is extracted from each of the three sub bands and used as predictor variables in the classification using KNN method. In the step of classification analysis using KNN method, the best value of K is given when K = 3, then by using 3-NN method, the classification performance values such as accuracy, sensitivity, and specificity are 98,4%, 98,75% and 97%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Electroenchepalography, Epilepsy, IIR Butterworth, K-Nearest Neighbor
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Q Science > QA Mathematics > QA76.9.D343 Data mining
R Medicine > RC Internal medicine > RC0321 Neuroscience. Biological psychiatry. Neuropsychiatry
Divisions: Faculty of Mathematics, Computation, and Data Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: Carianto Hottua Sihombing
Date Deposited: 08 Jul 2021 09:20
Last Modified: 08 Jul 2021 09:20
URI: https://repository.its.ac.id/id/eprint/57054

Actions (login required)

View Item View Item