Rancang Bangun Perangkat Lunak Web Klasifikasi Sinyal EEG Epilepsi Menggunakan Convolutional Neural Network

Fuadah, Arini Indah Nur Fuadah (2021) Rancang Bangun Perangkat Lunak Web Klasifikasi Sinyal EEG Epilepsi Menggunakan Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05111740007003-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (2MB) | Request a copy

Abstract

Teknologi selalu mengalami perkembangan. Saat ini kehidupan manusia sudah dimudahkan dengan adanya teknologi dalam segala aspek kehidupan, begitu juga dengan dunia kedokteran. Teknologi dalam mendeteksi penyakit atau kelainan pada tubuh manusia sangat berguna, salah satu kelainan yang dapat dideteksi dengan teknologi yaitu epilepsi. Epilepsi merupakan penyakit neurologis yang terjadi pada otak karena impuls listrik melebihi batas normal, epilepsy dapat ditandai dengan adanya kejang-kejang berulang dan terkadang disertai dengan hilangnya kesadaran. Epilepsi dapat dideteksi dengan menggunakan Electroenchephalogram (EEG). Sinyal yang didapat dengan cara merekam aktivitas elektrik spontan gelombang otak selama periode waktu tertentu. Karena epilepsi dapat menyebabkan perkembangan otak menjadi tidak normal dan merusak otak, maka diperlukan klasifikasi sinyal EEG Epilepsi agar epilepsi dapat segera dideteksi. Penelitian tentang klasifikasi sinyal EEG Epilepsi yang pernah dilakukan yaitu klasifikasi menggunakan metode Spectrogram dan CNN 2 Dimensi. Klasifikasi dilakukan pada 3 kelas yaitu, normal interiktal, dan iktal. Dataset yang digunakan menggunakan Dataset CHB-MIT Scalp. Pada penelitian tersebut proses klasifikasi tidak menggunakan semua data yang ada pada dataset, melainkan hanya menggunakan 23 dari total data seizure pada dataset yaitu 141 data, hal ini menyebabkan data kurang variatif. Akurasi yang didapatkan pada penelitian tersebut sebesar 95,7%, masih ada peluang untuk meningkatkan hasil akurasi. Pada tugas akhir ini, dibangun perangkat lunak untuk klasifikasi sinyal EEG Epilepsi pada 3 kelas yaitu normal, interiktal, dan iktal yang diimplementasikan menggunakan kombinasi metode Discrete Wavelet Transform (DWT) sebagai feature extractor dan Convolutional Neural Network (CNN) 1 Dimensi sebagai classifier. Dataset yang digunakan yaitu Dataset CHB-MIT Scalp dengan data yang diigunakan untuk proses klasifikasi yaitu semua data pada dataset. Proses terdiri dari 4 tahap utama, yang pertama yaitu preprocessing dengan melakukan eksplorasi pada dataset untuk mendapatkan baris frekuensi, kedua yaitu ekstraksi fitur dengan dekomposisi menggunakan perhitungan statistik dan crossing, ketiga yaitu pelatihan data untuk mendapatkan model, dan yang keempat yaitu uji klasifikasi dengan file data masukan. Hasil dari tugas akhir ini menunjukkan bahwa epilepsi dapat diklasifikasikan kedalam tiga kelas yaitu normal, interiktal, dan iktal dengan akurasi sebesar 97,4% (ada peningkatan sebesar 1,7%) dengan menggunakan DWT Biorthogonal 3.1 dengan level 4 dan CNN 1 Dimensi dengan Optimizer Adam dengan semua data pada dataset yaitu sebesar 141 data yang digunakan. ================================================================================================= Technology is always developing. Currently, human life has been facilitated by the existence of technology in all aspects of life, as well as the world of medicine. Technology in detecting diseases or abnormalities in the human body is very useful, one of the disorders that can be detected with technology is epilepsy. Epilepsy is a neurological disease that occurs in the brain due to electrical impulses exceeding normal limits, epilepsy can be characterized by repeated seizures and sometimes accompanied by loss of consciousness. Epilepsy can be detected using an electroencephalogram (EEG). The signal is obtained by recording the spontaneous electrical activity of brain waves over a period of time. Because epilepsy can cause abnormal brain development and damage the brain, it is necessary to classify the Epilepsy EEG signal so that epilepsy can be detected immediately. Research on the classification of Epilepsy EEG signals that has been carried out is classification using Spectrogram and 2-Dimensional CNN methods. Classification was carried out in 3 classes, namely, normal interictal, and ictal. The dataset used is the CHB-MIT Scalp Dataset. In this study, the classification process did not use all the data in the dataset, but only used 23 of the total seizure data in the dataset, namely 141 data, this caused the data to be less varied. The accuracy obtained in the study was 95.7%, there is still a chance to improve the accuracy results. In this final project, software is built for classification of EEG Epilepsy signals in 3 classes, namely normal, interictal, and ictal which is implemented using a combination of Discrete Wavelet Transform (DWT) method as a feature extractor and 1 Dimensional Convolutional Neural Network (CNN) as a classifier. The dataset used is the CHB-MIT Scalp dataset with the data used for the classification process, namely all data in the dataset. The process consists of 4 main stages, the first is preprocessing by exploring the dataset to get the frequency line, the second is feature extraction by decomposition using statistical calculations and crossings, the third is data training to get the model, and the fourth is classification test with data files. input. The results of this final project indicate that epilepsy can be classified into three classes, namely normal, interictal, and ictal with an accuracy of 97.4% (there is an increase of 1.7%) using DWT Bioorthogonal 3.1 with level 4 and CNN 1 Dimension with Optimizer. Adam with all the data in the dataset, which is 141 data used.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Epilepsi, Klasifikasi, Convolutional Neural Network, Discrete Wavelet Transform ========================================= Epilepsy, Classification, Convolutional Neural Network, Discrete Wavelet Transform.
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User: Arini Indah Nur Fuadah
Date Deposited: 15 Aug 2021 04:37
Last Modified: 15 Aug 2021 04:37
URI: https://repository.its.ac.id/id/eprint/86758

Actions (login required)

View Item View Item