Identifikasi Epilepsi Dengan Segmentasi 5 S Pada Klasifikasi Extreme Learning Machine

Siswandari, Noertjahjani and Yanuarita, Tursinawati and Pinandita, Tito (2022) Identifikasi Epilepsi Dengan Segmentasi 5 S Pada Klasifikasi Extreme Learning Machine. Jurnal ICT : Information Communication & Technology.

Preview	Text 01 Turnitin_Identifikasi Epilepsi Dengan Segmentasi 5 S PadaKlasifikasi Extreme Learning Machine.pdf Download (1MB) | Preview
Preview	Text 01 bukti korespondensi Identifikasi Epilepsi Dengan Segmentasi 5 S Pada(1).pdf Download (1MB) | Preview
Preview	Text 01 Identifikasi Epilepsi Dengan Segmentasi 5 S Pada.pdf Download (408kB) | Preview

Abstract

Abstract- Epilepsy is a non-infectious disease characterized by seizures due to inappropriate or numerous episodic electrical discharges from nerve cells with various etiologies. EEG is a tool to record epileptic brain waves. EEG recordings that are too long will require high costs and be tedious. Reading a lot of EEG data will also be tiring and confusion can occur. With good digital signal processing, this research uses a method with segmented 5 s signal data in the Temporal region (T3) then after segmentation the mean, variance, standard deviation, kurtosis, and skewness characteristics are calculated. The data used in this research are 75 epileptics and 75 normals. To achieve high accuracy, the classification used Extreme Learning Machine (ELM) on the signal is filtered with least square linear phase FIR convolution. The accuracy results obtained are 99.8% with standard deviation characteristics with 93.3% sensitivity and 96.3% specificity, then variant characteristics with 82.2% accuracy, 80.6% sensitivity and 81.4% specificity. Kata Kunci: Mean, Epilepsi, Normal Abstrak- Epilepsi adalah penyakit tidak menular yang ditandai dengan kejang akibat pelepasan listrik episodik tidak wajar atau banyak dari sel saraf dengan bermacam etiologinya. EEG adalah alat untuk merekam gelombang otak epilepsi. Perekaman EEG yang terlalu lama akan membutuhkan biaya tinggi dan membosankan. Pembacaan data EEG yang banyak juga akan melelahkan dan bisa terjadi kekeliruan. Dengan pengolahan sinyal digital yang baik maka penelitian ini menggunakan metode dengan data yang disegmentasi sinyal 5 s di daerah Temporal (T3) kemudian setelah disegmentasi dihitung ciri mean, varian, standar deviasi, kurtosis, dan skewness. Data yang digunakan pada penelitian ini adalah 75 epilepsi dan 75 normal. Untuk mencapai akurasi yang tinggi maka klasifikasi yang digunakan Extreme Learning Machine (ELM) pada sinyal di filter dengan konvolusi least square linier phase FIR. Hasil akurasi yang diperoleh 99,8 % dengan ciri standar deviasi dengan sensivity 93,3 % dan spesitivity 96,3% kemudian ciri varian dengan akurasi 82,2% , sensitivity 80,6% dan spesitivity 81,4%.

Actions (login required)

View Item