Identifikasi Epilepsi Dengan Segmentasi 5 S Pada Klasifikasi Extreme Learning Machine

Abstract

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%.