Fikes.umsida.ac.id – Kolaborasi antara Program Studi Informatika dan Manajemen Informasi Kesehatan Universitas Muhammadiyah Sidoarjo (Umsida) mengembangkan metode Discrete Wavelet Transform (DWT) untuk mengoptimalkan ekstraksi fitur sinyal Electroencephalogram (EEG) dalam mendeteksi iktal epilepsi.
Baca Juga: Seminar SPINA 2025 Ungkap Strategi Penanggulangan TBC bagi Ibu Hamil
“Analisis sinyal EEG ini penting untuk mendeteksi penyakit, salah satunya epilepsi. Namun, sinyal ini bisa jadi rumit dan membutuhkan keahlian manusia,” ungkap peneliti dalam publikasinya.
Metode ini diharapkan dapat mempercepat proses analisis dan meningkatkan akurasi deteksi, sekaligus menjadi solusi efisien bagi diagnosis epilepsi yang selama ini memerlukan waktu dan tenaga ahli yang cukup besar.
Pentingnya Ekstraksi Fitur EEG dalam Deteksi Epilepsi
Epilepsi adalah gangguan neurologis yang mempengaruhi sekitar 50 juta orang di seluruh dunia. Penyakit ini ditandai dengan kejang berulang atau yang dikenal dengan istilah iktal, yaitu perubahan mendadak pada fungsi listrik otak yang memicu perubahan perilaku, kehilangan kesadaran, hingga gerakan tak terkendali.
EEG menjadi alat penting dalam merekam aktivitas listrik otak, tetapi sinyalnya bersifat non-stasioner dan acak sehingga sulit dianalisis secara visual.
Melalui kolaborasi antara Program Studi Informatika dan Manajemen Informasi Kesehatan Umsida menjelaskan, “Perilaku sinyal EEG yang acak dan tidak stasioner membuat prediksi iktal menjadi sulit. Jadi deteksi dan prediksi iktal merupakan isu yang sangat penting.”
Di sinilah peran ekstraksi fitur menjadi krusial. Proses ini bertujuan mengambil atribut penting dari sinyal untuk diolah lebih lanjut oleh sistem klasifikasi. Dengan ekstraksi fitur yang tepat, ciri khas sinyal epilepsi dapat diidentifikasi lebih akurat, meminimalkan kesalahan, dan mempercepat proses diagnosis.
DWT: Teknologi Pemrosesan Sinyal Multiresolusi
Metode DWT digunakan peneliti untuk memecah sinyal EEG menjadi beberapa level dekomposisi agar setiap komponen frekuensi dapat dipelajari secara detail.
“Dengan sifat pensekalaannya, wavelet dapat memilah-milah suatu sinyal data berdasarkan komponen frekuensi berbeda-beda,” jelas tim peneliti.
Dalam penelitian ini, sinyal EEG sepanjang 10 detik yang terdiri dari 2565 sampel diproses melalui dekomposisi 4 level menggunakan low-pass filter dan high-pass filter. Proses ini menghasilkan komponen frekuensi rendah dan tinggi yang kemudian dianalisis lebih lanjut.
Empat fitur utama diambil dari setiap hasil dekomposisi, yakni nilai maksimum, minimum, rata-rata (mean), dan standar deviasi. Keempat fitur ini terbukti mampu membedakan sinyal iktal (kejang) dan interiktal (tidak kejang) secara efektif.
Pendekatan ini tidak hanya memberikan gambaran menyeluruh terhadap data, tetapi juga menjaga detail penting yang dibutuhkan untuk proses klasifikasi. Dengan kata lain, DWT menjadi “penyaring cerdas” yang mengekstraksi informasi inti dari sinyal EEG yang kompleks.
Dampak pada Akurasi Deteksi Epilepsi
Penelitian ini menggunakan data EEG dari 24 pasien yang diambil dari dataset publik CHB-MIT EEG milik Children’s Hospital, Boston. Data terdiri dari 50 sinyal iktal dan 50 sinyal interiktal, yang kemudian diproses untuk mendapatkan fitur melalui DWT sebelum diklasifikasikan menggunakan algoritma Support Vector Machine (SVM).
Hasilnya sangat menjanjikan. Pada skenario pengujian dengan 90% data latih dan 10% data uji, tingkat akurasi yang dicapai adalah 100%. Peneliti menegaskan, “Semakin banyak data latih maka semakin tinggi tingkat akurasi dalam mengenali pola iktal epilepsi.”
Menariknya, variasi kernel yang digunakan pada SVM (linier, radial, sigmoid) tidak berpengaruh signifikan terhadap akurasi. Faktor kunci terletak pada banyaknya data pelatihan yang digunakan.
Keberhasilan ini menunjukkan bahwa optimalisasi ekstraksi fitur menggunakan DWT dapat menjadi langkah strategis dalam deteksi dini epilepsi. Dengan memanfaatkan metode ini, analisis sinyal EEG bisa dilakukan lebih cepat, akurat, dan dengan sumber daya yang lebih efisien.
Baca Juga: HIMA MIK Umsida Gelar MIKCAMP 2025, Dorong Optimalisasi Diri Penuh Inspirasi
Metode DWT membuka peluang besar bagi pengembangan teknologi deteksi epilepsi berbasis sinyal EEG. Dengan kemampuannya mengekstraksi fitur penting dari sinyal yang kompleks, DWT dapat mempermudah dan mempercepat proses diagnosis, sekaligus meningkatkan akurasi hasil deteksi.
Sebagai institusi yang mendorong inovasi, Universitas Muhammadiyah Sidoarjo melalui riset ini menunjukkan kontribusi nyata dalam bidang kesehatan dan teknologi. “Diharapkan dengan metode yang diusulkan dapat mendeteksi iktal epilepsi menggunakan rekaman sinyal EEG,” tulis tim peneliti, menegaskan komitmen mereka dalam memberikan solusi inovatif untuk tantangan di dunia medis.
Sumber: Umi Khoirun Nisak
Penulis: Novia
