Skripsi
KLASIFIKASI SINYAL EEG EPILEPSI MENGGUNAKAN HYBRID CONVOLUTIONAL NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION.
Kejang epilepsi merupakan salah satu gangguan sistem saraf pusat otak yang memiliki banyak gejala, seperti kehilangan kesadaran, perilaku yang tidak biasa dan kebingungan. Dalam banyak kasus, gejala-gejala ini menyebabkan cedera karena jatuh atau bahkan menggigit lidahnya sendiri. Pendeteksian kemungkinan kejang epilepsi bukanlah tugas yang mudah. Sebagian besar kejang terjadi secara tidak terduga dan menemukan cara untuk mendeteksi kemungkinan kejang sebelum terjadi merupakan tugas yang menantang bagi banyak peneliti. Sinyal EEG dapat membantu kita mendapatkan informasi untuk mendiagnosis aktivitas otak normal atau epilepsi. Convolutional Neural Network (CNN) memiliki kemampuan untuk mengidentifikasi dan mengklasifikasikan serangan epilepsi. CNN telah menunjukkan akurasi yang cukup tinggi, namun masih terdapat banyak potensi untuk memperbaikinya. CNN peka terhadap nilai hyperparameternya karena memiliki efek yang cukup besar pada perilaku dan efisiensi arsitektur CNN. Pada penelitian ini diusulkan metode Particle Swarm Optimization (PSO) untuk menginisialisasi nilai hyperparameter, yaitu learning rate, epoch, dan batch size. Hasil klasifikasi dievaluasi menggunakan confussion matrix. Metode hybrid CNNPSO yang diusulkan dapat memberikan nilai akurasi, precision, recall dan f1-score yang lebih tinggi dibandingkan CNN. Metode yang usulkan ini dapat mengklasifikasi sinyal EEG epilepsi secara tepat dengan nilai akurasi 71-77%, precision 93-99%, recall 94-95%, f1-score 94-96% untuk 5 kelas dan nilai akurasi 98-99%, precision 93-99%, recall 92-97%, f1-score 95-97% untuk 2 kelas.
Inventory Code | Barcode | Call Number | Location | Status |
---|---|---|---|---|
2307002196 | T111334 | T1113342023 | Central Library (Referens) | Available |
No other version available