Deteksi Penyakit Epilepsi Menggunakan Sinyal Electroencephalograph dengan Metode Fast Fourier Transform untuk Ekstraksi Fitur dan Random Forest untuk Klasifikasi
Epilepsi merupakan gangguan neurologis yang ditandai oleh aktivitas listrik otak yang tidak normal dan berulang, yang dapat diamati melalui sinyal EEG (Electroencephalography). Penelitian ini bertujuan untuk mendeteksi perubahan spektrum frekuensi kondisi normal dan epilepsi melalui ekstraksi fitur Fast Fourier Transform (FFT) dan mengklasifikasikannya menggunakan Random Forest. Data EEG diperoleh dari CHB-MIT Scalp EEG Database melalui PhysioNet, yang terdiri dari 23 channel dan disegmentasi berdasarkan periode sebelum, saat, dan setelah kejang. Preprocessing dilakukan dengan menerapkan Bandpass Filter menggunakan empat jenis window: Rectangular, Hamming, Hanning, dan Blackman, dengan rentang frekuensi 1–50 Hz. Ekstraksi fitur dilakukan menggunakan FFT untuk mengubah sinyal dari domain waktu ke domain frekuensi, kemudian dilakukan analisis menggunakan nilai statistik seperti rata-rata, maksimum, minimum, standar deviasi, dan energi. Selanjutnya, proses klasifikasi dilakukan menggunakan Random Forest dengan tuning hyperparameter melalui GridSearchCV, serta evaluasi model menggunakan Stratified 5-Fold Cross Validation. Berdasarkan hasil penelitian, diperoleh variasi akurasi klasifikasi berdasarkan jenis window yang digunakan dalam proses filtering. Hanning window memberikan akurasi tertinggi sebesar (86.82%), disusul oleh Hamming window (86.73%), Blackman window (86.04%), dan Rectangular window (85.73%). Hasil ini menunjukkan bahwa jenis window memiliki peran penting dalam memengaruhi kinerja model klasifikasi sinyal EEG.
URI
https://repository.itera.ac.id/depan/submission/SB2509220091
Keyword
Bandpass Filter Electroencephalography Fast Fourier Transform Random Forest