Jurusan Elektro

ABSTRAK Epilepsi merupakan gangguan sistem syaraf otak manusia dan menyebabkan berbagai reaksi terhadap tubuh manusia. Epilepsi dapat dideteksi dengan menggunakan Electroencephalogram (EEG). Pengamatan EEG secara visual tidak mung-kin dilakukan secara rutin, sehingga dibutuhkan deteksi otomatis pada EEG. Sistem deteksi EEG secara otomatis terdiri dari 2 langkah, yaitu ekstraksi fitur dan klasifikasi. Power Spectral Density (PSD) adalah metode ekstraksi fitur yang sering dipakai untuk memunculkan karakteristik EEG dengan mengelompokkan energi pada EEG. Pada proses klasifikasi metode Convolution Neural Network (CNN) dapat mereduksi fitur hasil PSD dan digunakan mengklasifikasikan multiclass dari EEG. Namun, data EEG memiliki kecenderungan bercampur noise berupa sinyal yang lain saat perekaman, oleh karena itu sebelum data EEG diklasifikasikan, perlu dilakukan pengolahan terlebih dahulu. Pada penelitian ini diusulkan penggabungan metode Singular Spectrum Analysis (SSA) untuk penghilang noise, PSD se-bagai ekstraksi fitur dan CNN sebagai klasifier. Penelitian ini dilakukan melalui beberapa fase, pertama adalah menghilangkan noise yang bercampur dengan sinyal EEG menggunakan SSA. Selanjutnya ekstraksi fitur menggunakan PSD untuk diambil energi dari sinyalnya, dan terakhir diklasifikasi dengan CNN. Pengujian klasifikasi akan dilakukan ke 500 sinyal dengan target 5 kelas dan 3 kelas. Untuk mengetahui performa terhadap metode yang diusulkan, akan dilakukan pen-gujian antara gabungan PSD dengan CNN yang akan dibandingkan dengan gabungan SSA, PSD dan CNN. Berdasarkan hasil uji coba, metode yang diusulkan yaitu SSA, PSD dan CNN dapat meningkatkan rata-rata hasil akurasi klasifikasi sebesar 1,2% dari 93,2% menjadi 94,4%, untuk kasus 3 kelas dan meningkatkan 13,4% dari 78,6% menjadi 92%, untuk kasus 5 kelas dibandingkan metode PSD dengan CNN. ABSTRACT Epilepsy is a disorder of the human brain and causes a variety reactions to the human body. Epilepsy can be detected using Electroencephalogram (EEG). Visual analysis can't be done routinely, automatic computer system is needed. Automatic system for EEG detection consists of feature extraction and classification. Power Spectral Density (PSD) is feature extraction methods that can bring up the EEG characteristics. In the classification process, Convolution Neural Network (CNN) useful for multiclass EEG classification. However, the EEG data have a problem with noise during recording, so prepro-cessing needs to be done first. In this study, we proposed the combination of Singular Spectrum Analysis (SSA) for reducing noise, PSD for feature extraction and CNN as a classifier. It is expected that the combination can improve the accuracy of EEG classification for five classes. The study was conducted through several phases, the first phase is to eliminate noise mixed with the EEG signals using SSA. Furthermore, feature were extracted using PSD and classified with CNN. The tests were for the classification of 500 signals with target of 5 classes and 3 classes. Performance of the proposed method that consists of SSA, PSD and CNN was compared with the combination method of PSD and CNN. Based on results of the experiment, proposed method can increase the average accuracy results for epileptic disease classification by 1.2% from 93.2% to 94.4%, for 3 class case and increase 13.4% from 78.6% to 92%, for 5 class case compared to the combination method without SSA processing.