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.
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.