BAB 5 KESIMPULAN DAN SARAN PENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION.

BAB 5
KESIMPULAN DAN SARAN

5.1. Kesimpulan
Berdasarkan hasil eksperimen
eksp
sper
erimen yang meliputi pelatihan
jari
rin
ngan untuk klasifikasi
klasi
sifikasi serta analisis
dan pengujian jaringan
klasifik
ikasi yang telah dilakukan
dilakuk
ukan
a
hasil klasifikasi
, maka dapat

disimpulka
kan beberapa hal
hal sebagai berikut:
disimpulkan
a.

Klasifikas
asi
i penyakit
p nyakit epilepsi
pe
epi
ile
eps
psi
i dari
da
E G dapat
EE
Klasifikasi

data EEG

dilakuka
di
an dengan menggunakan
men
enggunakan
n teknik
tek
e nik External
Ex
xte
tern
r al Temporal
Tem
e poral
dilakukan
a Mining.
Min
ining

g . Dalam melakukan klasifikasi
klasif
ifikas
si menggunakan
menggun
me
nakan
Data
da
ata EEG
G ini diperlukan pemotongan terhadap
ter
rha
h da
ap data
dat EEG
EEG
data
sebe
se

b lu
um
sebelum

diproses.

inter
in
rval
interval

waktu

dime
mensi
dimensi

waktu

inf

formasi
informasi

Pemotongan

tertentu
yang

tertentu

berfungsi

pada

menunjukan

wakt
k u
waktu

pemotongan

maka

be
Selai
ain proses
pros
oses
besar.
Selain

ta
tahapan

pada
yang

data
harus

untuk

ya
yang

yang

mena
nan
ngani
i
menangani

tersebut.
t.
tersebut.

n
semakin

bany
nyak
k
banyak

dicap
pai
dicapai

aka
an
akan

pemot
ton
onga
gan, ekstraksi
ekstrak
ksi

pemotongan,

dipotong

dilalui.

dala
am
dalam

men
nga
gamb
m il
mengambil

waktu

bahwa

akurasi

EEG
EEG

untuk

interval

eksperimen

parameter

a
data

digunakan

Has
sil

Hasil

semakin

pada

Data

juga
yang

men
nja
jadi
di
menjadi
di
ipo
poto
ton
ng
dipotong

kemu
ke
mudi
dian disajikan
dis
isaj
ajik
ikan
an kedalam
kedalam
am 5 parameter
par
aram
a et
eter yaitu
yai
aitu
tu
kemudian

Mea
Me
an,
Mean,

Stan
St
a dard Deviation,
Dev
evia
iati
ion
on, Variance,
Vari
Va
rian
ance, Skewness,
Skewne
Sk
ness
ss, dan Kurtosis.
Kurt
Ku
rto
osis.
Standard
Ke
emu
mudian
Kemudian

barulah
barulah

dat
ata
data

dik
klasifikasik
ikan
a
diklasifikasikan

men
eng
ggunakan
menggunakan

Backpropagat
tion.
jaringan Backpropagation.
b.

kl
lasifika
asi dapat dilakukan dengan
Analisis hasil klasifikasi

pemot
otonga
an interval waktu pada data
melihat pengaruh pemotongan
akur
ras
si klasifikasi, MAE dan waktu
EEG terhadap hasil akurasi
pelatihan Analisis juga dapat dilakukan menggunakan
pelatihan.
confusion matrix hasil klasifikasi serta curva ROC.

5.2. Saran
Pada

penelitian

menambahkan
bervariasi

selanjutnya,

peneliti

dapat

percobaan

pemotongan

waktu

yang

lebih

agar dapat

mengetahui

secara

pasti

waktu

pen
ngk
gkl
lasi
sifi
fikasian epilepsi pada data
yang terbaik untuk pengklasifikasian
Kekuran
ngan juga masih terdapat
ter
rda
d pat pada parameter
EEG ini. Kekurangan
yang

digun
nak
akan
digunakan

pada

ekstraksi

para
ame
m ter
parameter

sehingga

dibutuhk
kan teknik ektraksi
ektr
trak
aksi
si parameter
par
aram
ameter yang paling
p ling tepat
pa
dibutuhkan
mere
me
repr
p esen
enta
tasika
ikan
n informasi
info
in
form
rmas
a i dari
i data EEG
untuk dapat merepresentasikan
ke

m
dalam

klasifik
kl
ikas
asi.
i
klasifikasi.

er
parameter

ter
erte
tent
ntu
u
tertentu

untuk

m maks
me
sim
i alkan
memaksimalkan

DAFTAR PUSTAKA
Andrzejak, R. G. et al., 2001. Indications of nonlinear
deterministic and finite-dimensional structures in
time

.
series.

The

Amer
ric
ican
American

Physical

Society

(Physical
l Review E), 64(061907(
7(E)), pp. 061907-1
64(061907(E)),
- 061907-8.
0619
1907-8.
Bashas
shati, A.,
A. Fatourechi,
Fatour
Fa
urec
echi
hi, M.,
M., Rabab,
Raba
Ra
bab,
b W. K. & Birch,
Bashashati,
G.

E.,
E.,

2007.
2007.

A

Sur
urve
vey
y
Survey

Of

Signa
nal
l
Signal

Proc
ocessing
Processing

Al
lgo
gori
rithms
ms In Brain–Computer Interfaces
Int
n erfa
ace
ces
s Based
Base
ed On
Algorithms
El
Electr
rical
Electrical

Brain

Signals.

JOUR
RNA
N L
JOURNAL

OF

NEU
URAL
NEURAL

ENGI
GINEERING, 4(2), pp. 32-57.
ENGINEERING,
Bo
Bour
u ge
eois, D. T., 2014. Information System for
or Business
Bus
usin
iness
s
Bourgeois,
and Beyond. 1 penyunt. s.l.:The Saylor Academy.
Ac
cade
emy
my.
.
Cohen
n, M. X., 2014. Analyzing Neural Time Series
Serie
es Data
a :
Cohen,
Theory and Practice. 1 penyunt. London: The
e MIT
T
Press.
Dj
D
amal, E. C., Tjokronegoro,
Tjokronegor
oro
o, H. A. & Soegijanto, 2005.
200
005.
5.
Djamal,
The Use Of Wavelet Power Spectrum For Detection
De
etect
ctio
ion
And
And

Iden
Id
enti
tifi
fica
cati
tion
o
Identification

Of
Of

Thin
Th
inki
king
ng-I
Ind
nduc
uced
ed
Thinking-Induced

Eeg
Eeg

Sign
g al
als.
s. Ma
Maja
jala
lah IPTEK,
IP
PTE
TEK
K, 16(1),
16(1
16
(1),
), pp.
p. 12-21.
12-21.
.
Signals.
Majalah
Gao,

X.

Z.

et

al.,

2014. Optimal Classification
2014.

of

Epileptic EEG Signals
Si
ignals Using
Using Neural Networks and
Harmony

Search

Methods
ds.
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

1(4), pp. 31-33.

of

Computer

Applications,

Han,

J.,

Kamber,

Concepts

M.

and

&

Pei,

J.,

Techniques

2012.

Data

Mining
Waltham

Third Edition.

USA: Morgan Kaufman Publisher & Elsevier Inc..
, E. & Pfurtscheller,
, G.,
, 2000. Using
g TimeHaselstainer,
Dependent

Ne
Neural

Network
rks
Networks

for

EEG.

IEEE

TRANSACT
TIONS ON REHABILITATION ENGINEERING,
ENG
N INEERING, 8(4),
TRANSACTIONS
457-463.
pp. 457-463.
Hasugi
gian,
Hasugian,

J.,

Sa
artik
ka,
Sartika,

Klas
sif
ifikasi
Klasifikasi

E.

Kond
Ko
ndi
isi
i
Kondisi

M
M.

&

Jant
Ja
ntung
Jantung

Edwin,
Edwin,

M.
M.,

2011.

Me
eng
nggunaka
an
Menggunakan

JST

Berd
Be
rda
asar
rka
kan Pemodelan Sinyal Electricardiography.
Ele
lectri
ica
card
rdiograp
aphy.
Berdasarkan
Electr
El
trical Engineering Journal, 2(1),
2(1)
1), pp.
pp 1-12.
1Electrical
Hu
usa
s in, S. J. & Rao, K. S., 2014. An Artificial
Artific
icia
al Neural
Neur
Ne
u al
l
Husain,
Network
Network

Model

Seizures

for

Classification

Using

of

Huang-Hilbert

Epil
ilep
eptic
c
Epileptic
Tra
r ns
sfo
form
m.
Transform.

(IJSC)
C),
,
International Journal on Soft Computing (IJSC),
5(3), pp. 23-33.
Ari
ifi
f n, A.
. Z. & Saikhu,
Sai
aikh
khu, A.,
A., 2011.
201
11.
Karyawan, M. A., Arifin,
Klasifikasi

al
Sinyal

EEG
EEG

Menggunakan

Koefisi
sien
en
Koefisien

Sup
uppo
por
rt
Autoregresif, F-score, dan Least Squares Support
Vect
ctor
or Machine.
Machi
hine
ne. Jurnal
J rnal Teknik
Ju
Tek
ekni
nik
k Informatika
Info
In
form
rmat
ati
ika
a (JTIF),
(JTI
(J
TIF
F),
Vector
pp. 21-30.
21-30
3 .
2(1), pp
T., 2010. Temporal
Tempor
ral Data
Da
ata Mining. 1 penyunt.
pen
pe
nyunt. Boca
Mitsa, T.,
Hall/CR
RC Taylor & Francis Group.
Raton: Chapman & Hall/CRC
P, H. K. & Ahmed, F., 2012.
Nandish, M., Michahial, S., P,
Feature
Signal

on
Extraction
Using

International

Neura
al
Neural

and
and

Classification

Network

Journal

of

Based

of

EEG

Techniques.

Engineering

Innovative Technology (IJEIT), 2(4), pp. 1-5.

and

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.
Kundr
dra, D., 2014. Classification
Classification of EEG
Pandey, B. & Kundra,
based Diseases
Di
Mini
ing
ng. International
using Data Mining.
Jour
rnal of Computer
Compu
puter Applications, 90(18),
90
Journal
pp. 1115
15.
Patn
tnaik, L.
L. M. & Manyam,
Man
anyam, O.
O. K.,
K.
E ilepti
Ep
tic EEG
Patnaik,
2008. Epileptic
De
Dete
tect
c io
on
Detection

Using

Neural

Net
two
works
Networks

a d
an
and

P stPo
Post-

Cl
Classi
sification. computer methods and
n programs
pro
rogr
gram
a s in
Classification.
bio
omedicine , 9(I), pp. 100-109.
biomedicine
Risk
Ri
s a,
,
Riska,

S.

Y.,

Cahyani,

Klasifikasi

Jenis

L.

&

Rosadi,

Tanaman

M.

Mangga

I.,
I.,
Gad
dung
g
Gadung

201
0 5.
2015.
da
an
dan

Jurn
nal Buana
Bua
ana
a
Mangga Madu Berdasarkan Tulang Daun. Jurnal
Informatika, 6(1), pp. 41-50.
, K.
K. & Thanushkodi,
Thanu
ush
s kodi,
, K., 2014.
2014
4. An
A Improved EEG
EEG
Sivasankar,
Classificat
tio
i n Using Neural Network with
wit
ith
h
Signal Classification
the Consequence of ICA and STFT.

Elec
ctr Eng
Eng
J Electr

T ch
Te
chno
nol
l , 9(3),
9(3)
9(
3),
, pp.
pp 1060-1071.
1060
0-1
-107
071.
1.
Technol
So
ong
ng,
, Y.,
Y., 2011.
2011
20
1. A review
re
evi
v ew of developments
develo
de
opm
pmen
nts of
of EEG
EEG -based
Song,
aut
tomatic
automatic

l
medical

supp
pport
support

diagnosis

seizure
and seizure

systems

detection.

for
for
J.

epilepsy

Biomedical

Engin
neering,
, 4(1), pp. 788-796.
Science and Engineering,
Srinivasan,

V.,

Artificial

Eswara
an,
Eswaran,
Neural

C.

&

Network

Sriram,
Based

N.,

2005.

Epileptic

Detection Using Time-Domain and Frequency-Domain
Features. Journal of Medical Systems, 29(6), pp.
648-660.

Subasi, A. & Erc¸elebi, E., 2005. Classification of EEG
signals
and

using neural

Programs

in

network. Computer Methods

Biomedicine

(ELSEVIER),

78(1),

pp. 87-99.
Sweeney,

K.

T.

Validati
tin
ng
Validating

et
et

al.,

2012
2.
2012.

Artifact

Phys
siological
Physiological

Signals.

A

Removal
IEEE

Methodology

for

Techniques

for

TRA
ANS
N ACTIONS
TRANSACTIONS

ON

IN
INFORMAT
TIO
ION
N TECHNOLOGY
TECH
HNO
NOLO
LOGY
GY IN
IN BIOMEDICINE,
BIOM
BI
O EDICINE, 16(5), pp.
INFORMATION
918-9
926.
918-926.
T
zalla
as,
Tzallas,

A.

T.,
T.,

Tsipouras,

M.

G.

&

.,
I.,

D.,
D.,

2009.
2009.

Ep
Epilep
eptic Seizure Detection in EEGs
EEG
EGs Using
Usin
Us
ing
g Time–
Tim
me–
Epileptic
Fre
equency
Frequency

Analysis.

IEEE

TRANS
SAC
A TI
ION
ONS
S
TRANSACTIONS

ON
ON

IN
INFORMATION
13(5
5), pp.
.
TECHNOLOGY IN BIOMEDICINE, 13(5),
703-710.