Rancang Bangun Perangkat Lunak Web Waktu Terjadinya Epilepsi Menggunakan Metode Convolutional Neural Network

Narni, Risky Aswi (2021) Rancang Bangun Perangkat Lunak Web Waktu Terjadinya Epilepsi Menggunakan Metode Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111740000014-Undergraduate_Thesis.pdf] Text
05111740000014-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (2MB) | Request a copy

Abstract

Epilepsi adalah ganguan pada sistem saraf pusat dimana
aktivitas otak menjadi tidak normal, menyebabkan kejang atau iktal sampai tidak sadarkan diri bagi penderita. Epilepsi haruslah segera dikenali dengan cepat dan akurat dengan membaca hasil pemeriksaan rekaman signal EEG, karena apabila epilepsi terlambat dikenali akan menyebabkan kerusakan otak yang berakibat fatal . Oleh karena itu memprediksi waktu terjadinya epilepsi akan bermanfaat karena dapat mempersiapkan langkah penanganan sebelum serangan epilepsi terjadi pada penderita.
Penelitian tentang prediksi waktu terjadinya epilepsi yang pernah dilakukan yaitu dengan menerapkan Empirical Mode Decomposition (EMD) dalam preprocessing dengan cara mengekstraksi fitur domain waktu dan frekuensi untuk melatih model prediksi. Menggunakan CHB-MIT sebagai dataset untukmelakukan prediksi waktu. Penelitiantersebut diperoleh hasil bahwa sinyal dapat diprediksi 33 menit sebelum seizure/kejang terjadi dengan sensitivity 92.23% dan specifity 93.38%. Nilai sensitivity dan specifity masih dapat ditingkatkan dengan mengimplementasikan sebuah perangkat lunak website menggunakan metode CNN untuk mengklasifikasi longtime interiktal agar dapat memperbaiki presentase sensitivity dan specifity dari penelitian sebelumnya. Bertujuan mendapatkan hasil prediksi yang lebih akurat. Dataset yang digunakan yaitu dataset CHB-MIT Scalp EEG, data rekam sinyal EEG pada Children’s Hospital Boston. Mengimplementasikan metode Convolutional Neural Network (CNN) untuk mendekteksi, mengenali kelas-kelas dari epilepsi dan melakukan klasifikasi waktu. Proses terdiri dari 3 tahap utama, pertama yaitu preprocessing dengan melakukan filter sinyal interiktal dan perhitungan waktu, kedua yaitu pembentukan model dan pelatihan menggunakan algoritma CNN, dan yang ketiga yaitu uji klasifikasi input.
Hasil dari penelitian menunjukkan bahwa epilepsi dapat
diperkirakan terjadi dalam 5 menit sebelum terjadinya kejang/iktal dengan sensitivity 98.55% (ada peningkatan sebesar 6.32%) yang dapat dimaknai sebagai derajat keandalan model untuk mendeteksi data berlabel positif dengan benar dan specifity 97.50% (ada peningkatan sebesar 4.12%) yaitu derajat keandalan model untuk mendeteksi data berlabel negatif dengan benar.
====================================================================================================
Epilepsy is a disorder of the central nervous system in
which brain activity becomes abnormal, causing seizures or ictal pain until the patient is unconscious. Epilepsy must be recognized quickly and accurately by reading the results of the EEG signal recording examination, because if epilepsy is detected too late, it will cause brain damage that can be fatal. Therefore predicting the
time of occurrence of epilepsy will be useful because it can prepare treatment steps before epileptic seizures occur in patients.
Research on predicting the time of epilepsy that has been
done is by applying Empirical Mode Decomposition (EMD) in
preprocessing by extracting time and frequency domain features to train predictive models. Using CHB-MIT as a dataset to perform time predictions. The study showed that the signal could be predicted 33 minutes before a seizure occurred with a sensitivity of 92.23% and a specificity of 93.38%. The sensitivity and specificity
values can still be increased by implementing a website software using the CNN method to classify interictal longtime in order to improve the sensitivity and specificity percentages from previous studies. Aims to get more accurate prediction results. The dataset
used is the CHB-MIT Scalp EEG dataset, data recording EEG
signals at Children's Hospital Boston. Implementing the Convolutional Neural Network (CNN) method to detect, recognize classes of epilepsy and perform time classification. The process consists of 3 main stages, the first is preprocessing by filtering the interictal signal and calculating the time, the second is model
formation and training, and the third is input classification test.
The results of the study indicate that epilepsy can be
expected to occur within 5 minutes before the occurrence of seizures/ictal with a sensitivity of 98.55% (there is an increase of 6.32%) which can be interpreted as the degree of reliability of the model to correctly detect positive labeled data and a specificity of 97.50% (there is an increase of 97.50%). 4.12%) is the degree of model reliability to correctly detect negative labeled data.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Epilepsi, Deteksi, EEG, CNN.Epilepsy, Detection,
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T57.62 Simulation
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Risky Aswi Narni
Date Deposited: 12 Aug 2021 06:27
Last Modified: 12 Aug 2021 06:38
URI: http://repository.its.ac.id/id/eprint/85566

Actions (login required)

View Item View Item