Klasifikasi Kejang Epilepsi Multi-Kelas Berbasis Electroencephalogram Menggunakan Modified Batch Normalization Neural Network

Purnnomo, Adenuar (2021) Klasifikasi Kejang Epilepsi Multi-Kelas Berbasis Electroencephalogram Menggunakan Modified Batch Normalization Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

WarningThere is a more recent version of this item available.
[img] Text
05111950010004-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2023.

Download (13MB) | Request a copy

Abstract

Epilepsi adalah penyakit sistem saraf serius kedua yang paling umum setelah stroke. Pengembangan algoritma otomatis untuk klasifikasi tipe kejang epilepsi multi-kelas sangat diperlukan untuk mengatasi permasalahan ini. Klasifikasi menggunakan CNN, yang selama ini umum dipakai, masih dapat dikembangkan lebih lanjut terkait kinerja dan biaya komputasi, Penelitian terbaru mengusulkan arsitektur bernama Batch Normalization Neural Network (BN3) untuk mengatasi permasalahan yang ada pada CNN standar. Penelitian lainnya mengusulkan sebuah arsitektur bernama Adaptive Batch Normalization (AdaBN) yang merupakan arsitektur yang simpel namun efektif. AdaBN sendiri memiliki kelemahan dalam segi kecepatan untuk data yang besar. BN3 sendiri cepat ketika data berjumlah banyak namun memiliki kekurangan dalam hal akurasi dan AdaBN efektif namun lambat untuk data berjumlah banyak. Oleh karena itu, dalam penelitian ini akan diusulkan sebuah arsitektur deteksi kejang epilepsi baru yang diberi nama Modified Batch Normalization Neural Network (MBN3) yang merupakan penggabungan BN3 dan AdaBN agar dapat mendeteksi kejang epilepsi multi-kelas dengan cepat dan efektif. Sinyal EEG mentah pertama-tama dipotong-potong, kemudian dilewatkan melalui filter bandpass. Teknik oversampling dan undersampling digunakan untuk menghasilkan sampel yang seimbang dari set training dan testing. Sinyal tersebut kemudian dilanjutkan ke proses smoothing menggunakan Haar Wavelet, yang kemudian diubah seolah-olah menjadi data citra untuk dilatih dengan menggunakan MBN3, kemudian dilakukan pengujian data yang menghasilkan hasil klasifikasi kelas kejang epilepsi. Performa dari hasil klasifikasi akan menggunakan jumlah iterasi, akurasi, presisi, dan recall. Performa dari klasifikasi menggunakan arsitektur MBN3 akan dibandingkan dengan performa arsitektur AdaBN, CNN dan BN3. Dari hasil uji coba didapat bahwa klasifikasi menggunakan MBN3 membutuhkan rata-rata iterasi pembentukan model menggunakan arsitektur MBN3 adalah 39224 iterasi, dengan waktu iterasi tercepat 37189 iterasi. Performa dari arsitektur MBN3 memiliki rata-rata akurasi 64,513%, rata-rata presisi 64,637%, dan rata-rata recall 67,092%, dengan akurasi tertinggi 66,196%, presisi tertinggi 66,075%, dan recall tertinggi 68,200%. Arsitektur MBN3 memiliki rata-rata waktu iterasi tercepat dibandingkan dengan ketiga arsitektur pembanding, yaitu 3,17% lebih cepat daripada arsitektur BN3, 25,367% lebih cepat daripada arsitektur CNN, dan 8,321% lebih lambat daripada arsitektur AdaBN. Sementara untuk akurasi, presisi dan recall arsitektur MBN3 berbeda 1-4% dari arsitektur BN3 dan CNN, dan 1-30% lebih baik dari arsitektur AdaBN.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Epileptic, Seizure, EEG, Modified Batch Normalization Neural Network (MBN3).
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Adenuar Purnomo
Date Deposited: 26 Feb 2021 02:13
Last Modified: 26 Feb 2021 02:13
URI: https://repository.its.ac.id/id/eprint/82895

Available Versions of this Item

Actions (login required)

View Item View Item