Perpustakaan Digital ITB

Kejang epilepsi merupakan kejang yang disebabkan oleh aktivitas sinyal otak yang abnormal. Dengan begitu, EEG menjadi salah satu cara yang paling umum digunakan untuk diagnosis kejang epilepsi. Namun, proses review manual memakan banyak waktu dan rentan kesalahan akibat kompleksitas sinyal EEG. Berdasarkan itu, banyak dikembangkan automasi deteksi EEG berbasis machine learning. Terdapat berbagai macam dataset EEG yang tersedia terkait dengan kejang epilepsi. Dataset satu kanal banyak digunakan dalam penelitian, sementara dataset multi kanal lebih merepresentasikan kondisi praktikal. Dataset yang digunakan pada penelitian ini adalah dataset Bonn dan Hauz Khas sebagai dataset satu kanal, serta dataset Siena sebagai dataset multi kanal. Sebelum diklasifikasi menjadi kejadian kejang epilepsi atau bukan kejadian kejang epilepsi, ketiga dataset tersebut melalui tahapan preprocessing berupa bandpass filter, ekstraksi 19 fitur, serta optimasi kanal (khusus dataset Siena). Untuk tahapan klasifikasi, dibandingkan empat model machine learning konvensional, yaitu Random Forest, KNN, SVM RBF, dan SVM Poly dalam kemampuan generalisasi mereka pada tiga dataset EEG. Penelitian ini juga membandingkan dua pendekatan pemilihan kanal pada dataset Siena. Metode yang digunakan adalah cumulative feature importances serta NSGA-II. Secara rata-rata, Random Forest menunjukkan performa keseluruhan yang sangat stabil dan tinggi di ketiga dataset, dengan rata-rata akurasi 97.16%, sensitivitas 96%, spesifisitas 97.33%, dan F1 score 95.72%, menjadikannya model yang paling robust di antara keempat model yang diuji. Random Forest juga memiliki performa yang superior dan stabil untuk seluruh konfigurasi kanal pada percobaan khusus dataset Siena. Dari hasil, kanal tunggal Fp1 dan 5 kanal hasil channel importances sudah memberikan informasi yang cukup untuk mencapai performa yang baik. Namun, metode optimasi kanal menggunakan NSGA-II secara umum memberikan hasil yang lebih unggul dengan F1 score 99.09% pada konfigurasi NSGA-II 5 kanal menggunakan model Random Forest.