<![CDATA[Pendukung diagnosis epilepsi adalah dengan menggunakan EEG. Namun, langkah ini membutuhkan waktu yang relatif lama dan membutuhkan tenaga ahli. Untuk membedakan antara pola sinyal EEG epilepsi dan normal, diperlukan fungsi untuk setiap pola. Berdasarkan fitur tersebut, sinyal EEG diidentifikasi dan diklasifikasikan menggunakan Pengklasifikasi. Ciri yang akan mewakili sinyal EEG epilepsi dan normal berasal dari 2 ciri mean,standar deviasi dan energi. Elektroda yang digunakan merupakan superposisi dari FP1 dan FP2. Sinyal yang diekstraks berdasarkan ciri domain waktu frekuensi menggunakan dwt Daubechies 8 (db8) . Kemampuan ciri-ciri dalam membedakan sinyal EEG epilepsi dan sinyal EEG normal dianalisa menggunakan metode seleksi ciri F score, Ciri terbaik hasil seleksi diuji menggunakan klasifikasi algoritme Back Propagation Neural Networks (BPNN), K-nearest Neighbor (KNN), Support Vector Machine dan Extreme Learning Machine (ELM). Teknik berbasis DWT dengan klasifikasi Extreme Learning Machine mempunyai akurasi 98 % pada D5 dengan menggunakan ciri standar deviasi. Sedangkan ciri energi, akurasi tertinggi pada D5 dengan klasifikasi yang sama dan mempunyai akurasi yang lebih rendah]]>
Copyrights © 2023
