KLASIFIKASI SINYAL EEG EPILEPSI MENGGUNAKAN HYBRID CONVOLUTIONAL NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION

SARI, TRI KURNIA and Rini, Dian Palupi and Samsuryadi, Samsuryadi (2022) KLASIFIKASI SINYAL EEG EPILEPSI MENGGUNAKAN HYBRID CONVOLUTIONAL NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION. Masters thesis, Sriwijaya University.

[thumbnail of RAMA_55101_09012682024007.pdf] Text
RAMA_55101_09012682024007.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (5MB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_TURNITIN.pdf] Text
RAMA_55101_09012682024007_TURNITIN.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (4MB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_01_front_ref.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_01_front_ref.pdf - Accepted Version
Available under License Creative Commons Public Domain Dedication.
Download (598kB)
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_02.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_02.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (407kB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_03.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_03.pdf - Accepted Version
Available under License Creative Commons Public Domain Dedication.
Download (244kB)
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_04.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_04.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (1MB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_05.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_05.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (65kB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_06_ref.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_06_ref.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (133kB) | Request a copy
[thumbnail of RAMA_55101_09012682024007_0023027804_0004027101_07_lamp.pdf] Text
RAMA_55101_09012682024007_0023027804_0004027101_07_lamp.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.
Download (3MB) | Request a copy

Abstract

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 CNN￾PSO 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.

Item Type: Thesis (Masters)
Subjects: T Technology > T Technology (General) > T58.5-58.64 Information technology > T58.6.E9 Management information systems -- Congresses.
Divisions: 09-Faculty of Computer Science > 55101-Informatics (S2)
Depositing User: Tri Kurnia Sari
Date Deposited: 16 Jun 2023 05:45
Last Modified: 16 Jun 2023 08:24
URI: http://repository.unsri.ac.id/id/eprint/111334

Actions (login required)

View Item View Item