Sistem Klasifikasi ADHD Menggunakan Sinyal EEG Dengan Metode Xgboost

Abstract

Attention Deficit Hyperactivity Disorder (ADHD) merupakan salah satu gangguan Neurodevelopmental yang dapat memengaruhi perhatian, impulsivitas, dan hiperaktivitas pada anak hingga dewasa. Proses deteksi ADHD saat ini umumnya masih bergantung pada observasi perilaku dan kuesioner yang bersifat subjektif, sehingga diperlukan pendekatan yang lebih objektif. Penelitian ini mengembangkan sistem klasifikasi ADHD berbasis sinyal elektroensefalogram (EEG) menggunakan algoritma Machine learning XGBoost. Data yang digunakan merupakan gabungan dua dataset EEG publik dengan 19 kanal yang diproses melalui tahap Preprocessing dan pembagian data terstratifikasi. Model dilatih menggunakan pendekatan Baseline, optimasi hyperparameter dengan Optuna, serta CrossvalidatedTraining untuk meningkatkan kemampuan generalisasi. Hasil eksperimen menunjukkan bahwa model mampu mengklasifikasikan ADHD dan Non-ADHD dengan baik, dengan akurasi sebesar 80,79% dan nilai AUC sebesar 89,53% pada data uji. Hasil ini menunjukkan potensi sistem sebagai alat bantu deteksi ADHD berbasis EEG yang objektif dan berbasis data.
Kata kunci— Attention Deficit Hyperactivity Disorder (ADHD), Electroencephalogram (EEG), XGBoost, Klasifikasi.