sumber ilustrasi AI dwt

Keunggulan Metode DWT dan SVM untuk Diagnosis Epilepsi yang Lebih Akurat

Fikes.umsida.ac.id – Epilepsi merupakan gangguan neurologis kronis yang memengaruhi lebih dari 50 juta orang di dunia, dengan karakteristik utama berupa kejang berulang yang dikenal sebagai episode iktal. Selama episode ini, pelepasan listrik berlebihan di otak menyebabkan gangguan perilaku, seperti kehilangan kesadaran dan gerakan tak terkendali. Untuk mendeteksi kondisi ini, sinyal EEG (Electroencephalogram) digunakan karena merekam aktivitas listrik otak secara detail. Namun, sifat sinyal EEG yang acak dan tidak stasioner membuat analisis manual menjadi tantangan besar, rentan terhadap kesalahan, dan membutuhkan waktu yang lama.

Baca juga: Solusi Inovatif Meningkatkan Berat Badan Balita di Indonesia

Untuk mengatasi masalah ini, penelitian terbaru dari Universitas Muhammadiyah Sidoarjo menggunakan kombinasi metode Discrete Wavelet Transform (DWT) dan Support Vector Machine (SVM) sebagai solusi inovatif. Dengan pendekatan ini, analisis sinyal EEG untuk mendeteksi iktal epilepsi dapat dilakukan secara otomatis dengan akurasi tinggi. Artikel ini mengupas delapan keunggulan utama dari metode tersebut yang menjadikannya sebagai terobosan baru dalam diagnosis epilepsi.

sumber ilustrasi AI dwt

Ilustrasi AI

Delapan Keunggulan Utama Metode DWT dan SVM
  1. Ekstraksi Fitur Mendalam dengan DWT
    DWT menjadi komponen utama dalam analisis sinyal EEG karena mampu memecah sinyal menjadi empat level dekomposisi. Dari setiap level, empat fitur penting seperti nilai maksimum, minimum, rata-rata, dan deviasi standar diambil untuk dianalisis lebih lanjut. Pendekatan ini memungkinkan pengenalan karakteristik unik dari sinyal iktal dan interiktal.
  2. Efisiensi Komputasi yang Tinggi
    Berbeda dengan metode Continuous Wavelet Transform (CWT), DWT lebih efisien secara komputasi. Dengan teknik penskalaan frekuensi, DWT hanya memproses data yang relevan sehingga menghemat sumber daya tanpa mengurangi kualitas analisis. Hal ini menjadikannya ideal untuk aplikasi klinis yang memerlukan hasil cepat dan akurat.
  3. Akurasi Klasifikasi yang Luar Biasa
    Metode SVM yang digunakan untuk klasifikasi sinyal menghasilkan tingkat akurasi hingga 100% pada pengujian dengan rasio pelatihan 90% dan pengujian 10%. Hal ini membuktikan bahwa kombinasi DWT dan SVM sangat andal dalam mengenali pola sinyal EEG yang kompleks dan membedakan antara episode iktal dan interiktal.
  4. Fleksibilitas Variasi Kernel pada SVM
    SVM menawarkan fleksibilitas dalam penggunaan kernel, seperti linier, radial, dan sigmoid, untuk meningkatkan hasil klasifikasi. Meskipun variasi kernel tidak secara signifikan memengaruhi akurasi, fleksibilitas ini memungkinkan penyesuaian model sesuai kebutuhan aplikasi atau dataset tertentu.
  5. Efisiensi Penggunaan Data
    Penelitian ini menggunakan dataset publik CHB-MIT EEG yang berisi data dari 24 pasien epilepsi, termasuk anak-anak. Hanya 10% data yang digunakan untuk pelatihan, sedangkan 90% untuk pengujian. Pendekatan ini menunjukkan bahwa model mampu memberikan hasil optimal meskipun data pelatihan yang digunakan relatif kecil.
  6. Penerapan Teknik Multiresolusi
    Dengan DWT, sinyal EEG dapat dianalisis pada berbagai skala resolusi. Teknik multiresolusi ini memungkinkan identifikasi detail pola sinyal yang tidak dapat ditemukan dalam analisis pada skala tunggal, memberikan keakuratan lebih tinggi dalam diagnosis.
  7. Kemampuan Deteksi Otomatis
    Salah satu keunggulan terbesar metode ini adalah kemampuan deteksi otomatis. Dengan memanfaatkan fitur yang dihasilkan DWT dan klasifikasi berbasis SVM, sistem ini dapat mengurangi ketergantungan pada analisis manual yang memakan waktu dan rentan terhadap kesalahan manusia.
  8. Potensi Implementasi Klinis yang Luas
    Metode ini memberikan dasar kuat untuk pengembangan perangkat medis otomatis berbasis teknologi. Dengan akurasi tinggi dan efisiensi komputasi, model ini memiliki potensi besar untuk diterapkan dalam sistem diagnosis epilepsi di klinik atau rumah sakit, meningkatkan aksesibilitas diagnosis yang akurat.
Masa Depan Teknologi Deteksi Epilepsi

Penelitian ini menawarkan langkah maju dalam diagnosis epilepsi. Dengan menggabungkan kekuatan DWT untuk ekstraksi fitur dan SVM untuk klasifikasi, metode ini menunjukkan keunggulan dalam hal akurasi, efisiensi, dan fleksibilitas. Hasil penelitian ini membuka peluang besar bagi integrasi teknologi dalam dunia kesehatan, terutama dalam menangani tantangan diagnosis epilepsi yang cepat dan akurat.

Namun, ada beberapa tantangan yang perlu diatasi. Pengujian lebih lanjut dengan populasi pasien yang lebih luas dan beragam diperlukan untuk memastikan model dapat diterapkan secara universal. Selain itu, integrasi metode ini ke dalam perangkat EEG portabel akan memungkinkan diagnosis lebih cepat, bahkan di wilayah terpencil.

Delapan keunggulan metode DWT dan SVM menjadikannya sebagai solusi inovatif dalam deteksi epilepsi. Pendekatan ini tidak hanya meningkatkan efisiensi dan akurasi diagnosis, tetapi juga membuka jalan bagi pengembangan sistem diagnostik berbasis teknologi yang lebih maju. Dengan implementasi yang tepat, metode ini memiliki potensi besar untuk meningkatkan kualitas diagnosis dan perawatan pasien epilepsi secara global. Masa depan diagnosis epilepsi kini berada di tangan teknologi, membawa harapan baru bagi pasien dan tenaga medis di seluruh dunia.

Sumber: Umi khoirun Nisak Ekstraksi Fitur Rekaman Sinyal EEG menggunakan Metode Discrete Wavelet Transform (DWT) Untuk Klasifikasi Iktal Epileps

Penulis: Ayunda H

Berita Terkini

Profesi Kebidanan
Mahasiswa Profesi Kebidanan Umsida Siap Jalani Praktik di Puskesmas Selama Dua Bulan
February 8, 2025By
Aplikasi
Inovasi Aplikasi Deteksi Dini untuk Pencegahan Stunting pada Anak
February 6, 2025By
Praktik Kinik
Praktik Klinik Mahasiswa S1 Kebidanan Umsida Kesiapan Hadapi Tantangan di Rumah Sakit
February 6, 2025By
PKL 2 Prodi MIK
PKL 2 Prodi MIK Umsida, Mahasiswa Siap Terapkan Manajemen Rekam Medis di Rumah Sakit
February 5, 2025By
PKL 4 MIK
Fikes Umsida Gelar Pembukaan PKL 4 MIK, Siapkan Mahasiswa Menghadapi Dunia Kerja
February 4, 2025By
Pra Klinik Prodi Kebidanan Umsida Persiapan Matang Mahasiswa Jelang Praktik
February 1, 2025By
Pembekalan Praktik Kerja Lapangan (PKL) Dasar dan Lanjut Prodi D-IV TLM Umsida
January 31, 2025By
fikes talk bullying
Membangun Empathy in Action Anti Bullying diKampus, Fikes Umsida gelar Podcast #11
January 24, 2025By

Prestasi

sumber istimewah fitriani
Fitrian Desi Prameswari: Lulusan Terbaik TLM UMSIDA yang Inspiratif, Berprestasi, dan Berdaya Juang Tinggi
December 4, 2024By
dok istimewah flash
Inovasi Flash Card Anatomi Medis, Laboran MIK Lolos Kilab 2024
November 15, 2024By
dok istimewah inovasi
Inovasi Mannequin Akupresur dengan Indikator LED, Langkah Baru dalam Pembelajaran Kebidanan
November 14, 2024By
dok istimewah internasional
Mahasiswi S1 Kebidanan Umsida Raih Prestasi Internasional di The 5 Borneo Global Summer Camp
November 6, 2024By
dok istimewah umsida
Mahasiswa Fikes Umsida Raih Juara 1 di Kompetisi Internasional dengan Poster Bertema “Begadang di Kalangan Gen Z
November 5, 2024By
dok istimewah jujitsu
Rifka Nur Amelya, Mahasiswa Fikes Umsida, Raih Prestasi di Ajang Jujitsu Unesa Open Se-Asia 2024
November 4, 2024By
dok istimewah fikes
Faradiva Fannysah, Mahasiswa Fikes Umsida, Raih Prestasi Nasional dan Lulus dengan Cepat
October 31, 2024By
dok istimewah umsida
Mahasiswi Fikes Umsida Raih Wisudawan Terbaik dengan IPK 3,91 dalam Waktu Singkat
October 30, 2024By

Opini

Produktivitas
Produktivitas Pekerja Meningkat dengan Peran Fisioterapi dalam Mencegah Cedera Kerja
February 9, 2025By
tidur sehat
Mitos vs. Fakta Seputar Tidur, Makanan, dan Gaya Hidup. 7 Fakta Kesehatan yang Wajib Anda Ketahui
February 5, 2025By
sumber AI turi
Potensi Tersembunyi Daun Turi Putih: Fakta Ilmiah dan Peluang Inovasi dalam Dunia Kesehatan
January 17, 2025By
sumber pexels berat
Solusi Inovatif Meningkatkan Berat Badan Balita di Indonesia
January 14, 2025By
sumber pexels tubuh
Pentingnya Postur Tubuh yang Baik untuk Generasi Muda dalam Meningkatkan Kesehatan
January 10, 2025By