Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI)
Mita Amara
Universitas Jendral Achmad Yani
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Identifikasi Sinyal EEG dari Pasien PascaStroke Menggunakan Backpropagation dan Algoritma Genetika Mita Amara; Esmeralda C Djamal; Asri Maspupah S; Daswara Djajasasmita
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Rehabilitasi terhadap pasien pasca-stroke dilakukan guna mengembalikan fungsi tubuh yang hilang. Pendekatan pada rehabilitasi stroke mencakup aktivitas fisik motorik, kognitif dan mental. Aktivitas listrik di otak yang direkam atau Elektroensephalogram (EEG) juga dapat digunakan dalam proses rehabilitasi untuk mengetahui perkembangan pasien. Dokter akan mengamati sinyal EEG yang direkam berdasarkan kerapatan, amplitudo, bentuk gelombang dan perbandingan sinyal pada setiap kanal, namun analisa tersebut tidaklah mudah. Oleh karena itu dibutuhkan model komputasi yang dapat mengidentifikasi sinyal EEG dari pasien pasca-stroke. Sinyal EEG diperoleh dari 50 pasien pasca-stroke, 25 orang normal menggunakan emotiv EEG 14 kanal. Sinyal EEG selama 120 detik dengan segmentasi per-tiga detik dan ekstraksi sinyal untuk mendapatkan gelombang Alfa, Beta, Teta, Delta dan Mu. Identifikasi dilakukan menggunakan Backpropagation dengan fitur masukkan kelima gelombang dan amplitudo. Pelatihan pada Backpropagation menggunakan bobot awal hasil optimalisasi Algoritma Genetika. Hal tersebut akan berpengaruh pada bobot akhir masing-masing kelas, no stroke, minor stroke dan moderate stroke. Representasi kromosom terdiri dari bobot v dan w sebanyak 46.224 gen dengan mengadopsi banyaknya neuron input dan hidden pada arsitektur Backpropagation. Individu terbaik hasil optimalisasi menjadi masukkan untuk proses pelatihan pada Backpropagation. Hasil penelitian menunjukan akurasi yang diperoleh untuk data latih sebesar 73% dan untuk data baru sebesar 55%.
Co-Authors Asri Maspupah Daswara Djajasasmita Esmeralda C Djamal