Perancangan Sistem Seleksi Kanal Sinyal Stroke Eeg Menggunakan Metode Spatial Selection

Penulis

DOI:

https://doi.org/10.34818/eoe.v7i2.13002

Abstrak

Stroke dapat diartikan sebagai gangguan fungsi sistem saraf yang terjadi secara mendadak dan disebabkan oleh tersumbatnya pembuluh darah yang terjadi di otak. Umumnya upaya yang digunakan untuk mengurangi jumlah pasien stroke yaitu dengan metode diagnosis menggunakan Magnetic Resonance Imaging (MRI). Namun, biaya pemeriksaan menggunakan metode MRI relative mahal dan tidak portable. Salah satu cara untuk mengatasi permasalahan tersebut yaitu menggunakan alat Electroencephalograph (EEG) untuk mendeteksi sinyal stroke pada bagian otak. EEG merupakan alat yang dilakukan untuk mengukur aktivitas kelistrikan pada otak untuk mendeteksi adanya kelainan dari otak. Tindakan ini menggunakan sensor khusus yaitu elektroda yang dipasang di kepala dan dihubungkan melalui kabel menuju komputer. Pada penelitian sebelumnya pengolahan sinyal stroke EEG telah dilakukan menggunakan metode Brain Symmetry Index dan Hilbert Huang Transform (BSI-HHT). Akan tetapi, pada penelitian tersebut tidak membahas secara spesifik tentang seleksi kanal pada sinyal stroke EEG. Dengan adanya permasalahan tersebut, pada penelitian ini penulis akan mengolah sinyal stroke EEG menggunakan metode Spatial Selection yang dimodifikasi menggunakan metode Fast Fourier Transform (FFT) melalui konfigurasi komposisi kanal aktif agar dapat diolah untuk mendapatkan hasil yang relevan. Dan proses klasifikasi yang dilakukan yaitu menggunakan metode k- Nearest Neighbor (k-NN) dan Extreme Learning Machine (ELM). Pada implementasi klasifikasi k-NN menunjukan bahwa metode spatial selection dapat menemukan komposisi kanal yang tepat dengan hasil akurasi yang sama dengan data normal pada beberapa wilayah. Sedangkan pada klasifikasi ELM mampu meningkatkan hasil akurasi sebesar 2% lebih besar dibandingkan data normal pada wilayah Highmean dengan komposisi kanal yang sedikit.

Kata Kunci : Stroke, Electroencephalogram (EEG), Spatial Selection.

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] V. Adelina, D. E. Ratnawati, and M. A. Fauzi, “Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA-Fuzzy Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA- Fuzzy Tsukamoto,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. September, pp. 3015–3021, 2018.

[2] KEMENKES, “Hasil Utama Riskesdas Tentang Prevalensi Diabetes Mellitus di Indonesia 2018,” Has. Utama Riskesdas Tentang Prevalensi Diabetes Melitus di Indones. 2018, p. 8, 2018.

[3] E. Yulianto, A. Susanto, T. S. Widodo, and S. Wibowo, “Spektrum Frekuensi Sinyal EEG Terhadap Pergerakan Motorik dan Imajinasi Pergerakan Motorik,” Forum Tek., vol. 35, pp. 21–32, 2013.

[4] G. Y. C. R. Kabi, R. Tumewah, and M. A. H. N. Kembuan, “Gambaran Faktor Risiko Pada Penderita Stroke Iskemik Yang Dirawat Inap Neurologi Rsup Prof. Dr. R. D. Kandou Manado Periode Juli 2012 - Juni 2013,” e-CliniC, vol. 3, no. 1, pp. 1–6, 2015.

[5] S. Hemoragik and K. Bengkulu, “S riwijaya j ournal of m edicine :,” 2018.

[6] M. Arvaneh, S. Member, C. Guan, K. K. Ang, and C. Quek, “Optimizing the Channel Selection and Classification Accuracy in  Introduction  Experiments  Results And  Conclusion,” IEEE Trans. Biomed. Eng., vol. 58, no. 6, pp. 1865–1873, 2012.

[7] L. Bi, X. A. Fan, and Y. Liu, “EEG-based brain-controlled mobile robots: A survey,” IEEE Trans. Human-Machine Syst., vol. 43, no. 2, pp. 161–176, 2013.

[8] Y. Akbar, “Pola Gelombang Otak Abnormal Pada,” no. May 2014, pp. 1–6, 2014.

[9] H. Fauzi, M. I. Shapiai, S. Shah Abdullah, and Z. Ibrahim, “Automatic Energy Extraction Methods for EEG Channel Selection,” Proc. - 2018 Int. Conf. Control. Electron. Renew. Energy Commun. ICCEREC 2018, pp. 70–75, 2019.

[10] S. N. Farihah, K. Y. Lee, W. Mansor, N. B. Mohamad, Z. Mahmoodin, and S. A. Saidi, “EEG average FFT index for dyslexic children with writing disorder,” ISSBES 2015 - IEEE Student Symp. Biomed. Eng. Sci. By Student Student, pp. 118–121, 2016.

[11] V. L. Kaundanya, A. Patil, and A. Panat, “Performance of k-NN classifier for emotion detection using EEG signals,” 2015 Int. Conf. Commun. Signal Process. ICCSP 2015, pp. 1160–1164, 2015.

[12] A. S. M. M. S. Ramakrishnan, “Hierarchical multi ‑ class SVM with ELM kernel for epileptic EEG signal classification,” Med. Biol. Eng. Comput., 2015.

[13] G. Bin Huang, Q. Y. Zhu, and C. K. Siew, “Extreme learning machine: A new learning scheme of feedforward neural networks,” IEEE Int. Conf. Neural Networks - Conf. Proc., vol. 2, pp. 985–990, 2004.

Diterbitkan

2020-08-01

Terbitan

Halaman

4034-4041

Bagian

Program Studi S1 Teknik Telekomunikasi

Cara Mengutip

Arvianda, I., Putra, H. F. T. S., & Fu’adah, R. Y. N. (2020). Perancangan Sistem Seleksi Kanal Sinyal Stroke Eeg Menggunakan Metode Spatial Selection. eProceedings of Engineering, 7(2), 4034-4041. https://doi.org/10.34818/eoe.v7i2.13002