BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil eksperimen yang meliputi pelatihan dan pengujian jaringan untuk klasifikasi serta analisis hasil klasifikasi yang telah dilakukan , maka dapat disimpulkan beberapa hal sebagai berikut:
a. Klasifikasi penyakit epilepsi dari data EEG dapat dilakukan dengan menggunakan teknik External Temporal Data Mining. Dalam melakukan klasifikasi menggunakan
data EEG ini diperlukan pemotongan terhadap data EEG sebelum diproses. Pemotongan pada data EEG da lam interval waktu tertentu digunakan untuk menangani dimensi waktu yang berfungsi untuk mengambil informasi tertentu pada interval waktu tersebut. Hasil eksperimen menunjukan bahwa semakin banyak waktu pemotongan maka akurasi yang dicapai akan semakin besar. Selain proses pemotongan, ekstraksi parameter pada data yang dipotong juga menjadi tahapan yang harus dilalui. Data yang dipotong kemudian disajikan kedalam 5 parameter yaitu Mean, Standard Deviation, Variance, Skewness, dan Kurtosis.
Kemudian barulah data diklasifikasikan menggunakan jaringan Backpropagation.
b. Analisis hasil klasifikasi dapat dilakukan dengan melihat pengaruh pemotongan interval waktu pada data EEG terhadap hasil akurasi klasifikasi, MAE dan waktu pelatihan. Analisis juga dapat dilakukan menggunakan confusion matrix hasil klasifikasi serta curva ROC.
Berdasarkan hasil ekspspererimen yang meliputi pelatihan
dan pengujian jaririnngan untuk klasisifikasi serta analisis
hasil klasifikikasi yang telah dilakukukana , maka dapat
disimpulkakan beberapa hhal sebagai berikut:
a. KKlasifikasasii pep nyakit epiileepspsii dadari data EEE G dapat di
dilakukaann dengan mmenenggunakann tteke nik Exxteternr al TTeme poral
Dataa MMininingg. Dalam melakukan klasififikassii memenggunnakan
daatata EEGG ini diperlukan pemotongan terrhah daapp dadatat EEEG se
sebeb luumm diproses. Pemotongan pada dataa EEEGEG da laam
in
interrval waktu tertentu digunakan untuk menanannganii dimemensi waktu yang berfungsi untuk menngagambm il infformasi tertentu pada interval waktu ttersebut.t.
Hassil eksperimen menunjukan bahwa semakin n banynyakk
waktk u pemotongan maka akurasi yang dicappai akaan n
semakin bebesar. Selaiain prososes ppemottonongagan, ekstrakksisi parameter pada data yayang dipotong juga mennjajadidi
ta
tahapan yang harus dilalui. Data yang diipopototonng
ke
kemumudidian ddisisajajikikanan kkedalamam 55 ppararama eteter yyaiaitutu MeMeaan,
St
Stana dard DDeveviaiatiionon, VaVaririanance, SkSkewnenessss, dan KuKurtrtoosis.
Keemumudian bbarulah datata dikklasifikasikikana menengggunakan jaringan Backpropagattion.
b. Analisis hasil kllasifikaasi dapat dilakukan dengan
melihat pengaruh pemototongaan interval waktu pada data
EEG terhadap hasil akurrassi klasifikasi, MAE dan waktu
5.2. Saran
Pada penelitian selanjutnya, peneliti dapat menambahkan percobaan pemotongan waktu yang lebih bervariasi agar dapat mengetahui secara pasti waktu yang terbaik untuk pengklasifikasian epilepsi pada data EEG ini. Kekurangan juga masih terdapat pada parameter yang digunakan pada ekstraksi parameter sehingga dibutuhkan teknik ektraksi parameter yang paling tepat untuk dapat merepresentasikan informasi dari data EEG ke dalam parameter tertentu untuk memaksimalkan klasifikasi.
yang terbaik untuk penngkgkllasisififikasian epilepsi pada data
EEG ini. Kekurannggan juga masih terrdad pat pada parameter
yang digunnakakan pada ekstraksi paraamem ter sehingga
dibutuhkkaan teknik ektrtrakaksisi ppararamameter yang pap ling tepat
untuk dapat memerereprp esenentata isikakann ininfoformrmasa i darii data EEG ke dalamm parameterer tterertetentntuu untuk mem makssimi alkan
kl
DAFTAR PUSTAKA
Andrzejak, R. G. et al., 2001. Indications of nonlinear deterministic and finite-dimensional structures in time series. The American Physical Society (Physical Review E), 64(061907(E)), pp. 061907-1
- 061907-8.
Bashashati, A., Fatourechi, M., Rabab, W. K. & Birch, G. E., 2007. A Survey Of Signal Processing Algorithms In Brain–Computer Interfaces Based On Electrical Brain Signals. JOURNAL OF NEURAL ENGINEERING, 4(2), pp. 32-57.
Bourgeois, D. T., 2014. Information System for Business and Beyond. 1 penyunt. s.l.:The Saylor Academy.
Cohen, M. X., 2014. Analyzing Neural Time Series Data : Theory and Practice. 1 penyunt. London: The MIT
Press.
Djamal, E. C., Tjokronegoro, H. A. & Soegijanto, 2005. The Use Of Wavelet Power Spectrum For Detection And Identification Of Thinking-Induced Eeg Signals. Majalah IPTEK, 16(1), pp. 12-21.
Gao, X. Z. et al., 2014. Optimal Classification of Epileptic EEG Signals Using Neural Networks and Harmony Search Methods. JOURNAL OF SOFTWARE, 9(1), pp. 230-239.
Geetha, R., Sumathi, N. & Sathiyabama, S., 2008. A SURVEY OF SPATIAL, TEMPORAL AND SPATIO-TEMPORAL DATA MINING. Journal of Computer Applications, 1(4), pp. 31-33.
time series.. The Amerricican Physical Society
(Physicall Review E), 64(061907(7(E)), pp. 061907-1
- 06191907-8.
Bashasshhati, A.A., FaFatoururecechihi, M.M.,, RaRababab,b W. K. & Birch,
G. EE., 22007. AA SurSurveveyy Of Signanall Prococessing
Allgogoririthmsms In Brain–Computer IIntn erfaacecess Baseed On El
Electrriical Brain Signals. JOURRNAN L OFOF NEUURAL
ENGIGINEERING, 4(2), pp. 32-57.
Bo
Bouru geeoois, D. T., 2014. Information System foror Bususininesss
and Beyond. 1 penyunt. s.l.:The Saylor Accadeemymy..
Cohenn, M. X., 2014. Analyzing Neural Time Seriees Dataa :
Theory and Practice. 1 penyunt. London: Thee MITT
Press.
Dj
D amal, E. C., Tjokronegororoo, H. A. & Soegijanto, 2200005.5.
The Use Of Wavelet Power Spectrum For Deettectctioion
An
Andd IdIdenentitifificacatitiono OOff ThThininkikingng-IIndnducuceded EEeg
Signg alals.s. MaMajajalalah IPPTETEKK, 1616(1(1),), pp.p. 112-21..
Gao, X. Z. et al., 22014. Optimal Classification of
Epileptic EEG Siignals UUsing Neural Networks and
Harmony Search Methodsds. JOURNAL OF SOFTWARE,
9(1), pp. 230-239.
Han, J., Kamber, M. & Pei, J., 2012. Data Mining Concepts and Techniques Third Edition. Waltham
USA: Morgan Kaufman Publisher & Elsevier Inc.. Haselstainer, E. & Pfurtscheller, G., 2000. Using
Time-Dependent Neural Networks for EEG. IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, 8(4), pp. 457-463.
Hasugian, J., Sartika, E. M. & Edwin, M., 2011. Klasifikasi Kondisi Jantung Menggunakan JST Berdasarkan Pemodelan Sinyal Electricardiography. Electrical Engineering Journal, 2(1), pp. 1-12. Husain, S. J. & Rao, K. S., 2014. An Artificial Neural
Network Model for Classification of Epileptic Seizures Using Huang-Hilbert Transform. International Journal on Soft Computing (IJSC), 5(3), pp. 23-33.
Karyawan, M. A., Arifin, A. Z. & Saikhu, A., 2011. Klasifikasi Sinyal EEG Menggunakan Koefisien Autoregresif, F-score, dan Least Squares Support Vector Machine. Jurnal Teknik Informatika (JTIF), 2(1), pp. 21-30.
Mitsa, T., 2010. Temporal Data Mining. 1 penyunt. Boca Raton: Chapman & Hall/CRC Taylor & Francis Group. Nandish, M., Michahial, S., P, H. K. & Ahmed, F., 2012.
Feature Extraction and Classification of EEG Signal Using Neural Network Based Techniques. International Journal of Engineering and Innovative Technology (IJEIT), 2(4), pp. 1-5.
, , , g
Dependent NeNeural Networkrks for EEG. IEEE
TRANSACTTIIONS ON REHABILITATION EENGN INEERING, 8(4),
pp. 4457-463.
Hasugigian, J., Saartikka, E. M.M && EEdwin, M.M., 2011.
Klassififikasi KoKondndiisii JaJantntung Meengnggunakaann JST
Be
Berdrdaasarrkakan Pemodelan Sinyal Elelectriicacardrdiograpaphy. El
Electrtrical Engineering Journal, 2(1)1), pppp. 1-1-12.
Huusas in, S. J. & Rao, K. S., 2014. An Artificiciaall NeNeuru all
N
Network Model for Classification of Epililepeptic c
Seizures Using Huang-Hilbert Trar nssfoformm.. International Journal on Soft Computing (IJSC)C),,
5(3), pp. 23-33.
Karyawan, M.M. A., Ariifif n, A.. Z. & SSaiaikhkhu, AA., 20111.1.
Klasifikasi Sinyalal EEEG Menggunakan Koefisisienen
Autoregresif, F-score, dan Least Squares SSupuppoporrt
Vectctoror MMaachihinene. JuJ rnal TTekekninikk InInfoformrmatatiikaa (J(JTITIFF),
2(1), pppp. 21-303 .
Mitsa, TT., 2010. Temporral Daata Mining. 1 pepennyunt. Boca
Raton: Chapman & Hall/CRRC Taylor & Francis Group.
Nandish, M., Michahial, S., PP, H. K. & Ahmed, F., 2012.
Feature Extractionon aand Classification of EEG
Panat, A. & Patil, A., 2012. Analysis of emotion disorders based on EEG. International Journal of Computer Science, Engineering and Applications (IJCSEA), 2(4), pp. 19-24.
Pandey, B. & Kundra, D., 2014. Classification of EEG based Diseases using Data Mining. International Journal of Computer Applications, 90(18), pp. 11-15.
Patnaik, L. M. & Manyam, O. K., 2008. Epileptic EEG Detection Using Neural Networks and Post-Classification. computer methods and programs in biomedicine , 9(I), pp. 100-109.
Riska, S. Y., Cahyani, L. & Rosadi, M. I., 2015. Klasifikasi Jenis Tanaman Mangga Gadung dan Mangga Madu Berdasarkan Tulang Daun. Jurnal Buana Informatika, 6(1), pp. 41-50.
Sivasankar, K. & Thanushkodi, K., 2014. An Improved EEG Signal Classification Using Neural Network with the Consequence of ICA and STFT. J Electr Eng Technol , 9(3), pp. 1060-1071.
Song, Y., 2011. A review of developments of EEG -based automatic medical support systems for epilepsy diagnosis and seizure detection. J. Biomedical Science and Engineering, 4(1), pp. 788-796.
Srinivasan, V., Eswaran, C. & Sriram, N., 2005. Artificial Neural Network Based Epileptic Detection Using Time-Domain and Frequency-Domain Features. Journal of Medical Systems, 29(6), pp. 648-660.
Pandey, B. & Kundrdra, D., 2014. CClassification of EEG
based DiDiseases using Data Miniingng. International
Jourrnnal of Compuputer Applications, 9090(18), pp.
11-15
bioomedicine , 9(I), pp. 100-109.
Ri
Risks a,, S. Y., Cahyani, L. & Rosadi, M. II., 22010 5. Klasifikasi Jenis Tanaman Mangga Gaddung g daan n
Mangga Madu Berdasarkan Tulang Daun. Jurnnal Buaanaa
Informatika, 6(1), pp. 41-50.
Sivasankar,, KK. & Thanuushs kodi,, K., 20144. AnA Improved EEEEGG
Signal Classificattioi nn Using Neural Network wwitithh
the Consequence of ICA and STFT. J Elecctrtr EEnng
Te
T chchnonoll , 9(9(3)3),, pppp. 10600-1-107071.1.
Soongng,, YY., 2020111. A reeviv ew of dedeveloopmpmenntsts ooff EEEEG -G -based auttomatic medicall supppport systems ffor epilepsy
diagnosis and sseizure detection. J. Biomedical
Science and Enginneering,, 4(1), pp. 788-796.
Srinivasan, V., Eswaraan, C. & Sriram, N., 2005.
Subasi, A. & Erc¸elebi, E., 2005. Classification of EEG signals using neural network. Computer Methods and Programs in Biomedicine (ELSEVIER), 78(1), pp. 87-99.
Sweeney, K. T. et al., 2012. A Methodology for Validating Artifact Removal Techniques for Physiological Signals. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, 16(5), pp.
918-926.
Tzallas, A. T., Tsipouras, M. G. & I., D., 2009. Epileptic Seizure Detection in EEGs Using Time – Frequency Analysis. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, 13(5), pp. 703-710.
Sweeney, K. T. eet al., 20122. A Methodology for
Validatitinng Artifact Removal Techniques for
Physsiiological Signals. IEEE TRAANSN ACTIONS ON
IN
INFORMATTIOION N TECHHNONOLOGYLOGY IINN BIBIOMO EDICINE, 16(5), pp.
918-9926.
T
Tzallaas,s, A. TT., Tsipouras, M. G. && I.,., DD., 22009.
Ep
Epilepeptic Seizure Detection in EEGEGs UsUsining g Timme –
Freequency Analysis. IEEE TRANSSACA TIIONONSS OON
IN
INFORMATION TECHNOLOGY IN BIOMEDICINE, 13(55),), pp..
