MIK.umsida.ac.id – Epilepsi merupakan gangguan neurologis yang berdampak besar secara global, memengaruhi sekitar 50 juta orang di seluruh dunia. Penyakit ini ditandai dengan kejang berulang akibat perubahan mendadak dalam fungsi listrik otak. Kejang, yang sering kali menyebabkan kehilangan kesadaran, gerakan tak terkendali, hingga gangguan fungsi tubuh, menjadi tantangan besar dalam diagnosis dan pengelolaannya.
Baca juga: Meningkatkan Efisiensi Pelepasan Informasi Rekam Medis di Rumah Sakit Bhayangkara Lumajang
Salah satu alat utama dalam mendeteksi epilepsi adalah elektroensefalogram (EEG), yang merekam aktivitas listrik otak melalui kulit kepala. Namun, sinyal EEG memiliki sifat non-stasioner dan acak, sehingga analisis manual membutuhkan waktu dan keahlian tinggi. Kesalahan dalam mendeteksi pola abnormal dapat berdampak serius pada diagnosis dan pengobatan pasien. Oleh karena itu, pendekatan otomatis yang mampu menganalisis sinyal EEG dengan akurasi tinggi sangat dibutuhkan.
Solusi Baru dengan Discrete Wavelet Transform dan SVM
Peneliti dari Universitas Muhammadiyah Sidoarjo menawarkan solusi inovatif dengan menggabungkan metode Discrete Wavelet Transform (DWT) dan Support Vector Machine (SVM) untuk mendeteksi epilepsi secara otomatis. DWT digunakan untuk ekstraksi fitur penting dari sinyal EEG, seperti nilai maksimum, minimum, rata-rata, dan deviasi standar. Fitur ini menjadi representasi karakteristik sinyal yang relevan untuk klasifikasi kondisi epilepsi.
Dataset yang digunakan dalam penelitian ini berasal dari CHB-MIT EEG, yang dikumpulkan di Children’s Hospital Boston. Dataset tersebut mencakup sinyal EEG dari 24 pasien anak-anak yang terdiri dari dua kategori: interiktal (tanpa kejang) dan iktal (dengan kejang). Peneliti membagi data ini menjadi tiga skenario pengujian, dengan kombinasi data latih dan data uji sebesar 90:10, 80:20, dan 70:30, untuk mengevaluasi performa metode.
Hasil penelitian menunjukkan bahwa kombinasi DWT dan SVM menghasilkan tingkat akurasi yang sangat baik. Pengujian dengan 90% data latih dan 10% data uji menghasilkan akurasi sempurna sebesar 100%. Meskipun akurasi menurun menjadi 95% dan 90% pada skenario data latih yang lebih kecil, hasil ini tetap menunjukkan efektivitas metode yang diusulkan. Selain itu, pengujian menggunakan tiga variasi kernel SVM linear, radial, dan sigmoid membuktikan bahwa akurasi tidak dipengaruhi oleh jenis kernel yang digunakan.
Masa Depan Deteksi Epilepsi dengan Teknologi Otomatis
Hasil penelitian ini menjadi bukti kuat bahwa pendekatan otomatis dapat menjadi solusi yang andal dalam mendeteksi epilepsi. Kombinasi DWT untuk ekstraksi fitur dan SVM untuk klasifikasi tidak hanya mempercepat proses diagnosis, tetapi juga mengurangi risiko kesalahan yang sering kali muncul dalam analisis manual. Sistem ini dapat membantu dokter mengenali pola epilepsi dengan cepat dan akurat, terutama di daerah yang kekurangan tenaga ahli neurologi.
Namun, tantangan tetap ada. Salah satu temuan penting dari penelitian ini adalah jumlah data latih yang signifikan memengaruhi akurasi klasifikasi. Untuk itu, diperlukan upaya untuk mengumpulkan dataset yang lebih besar dan beragam agar sistem dapat beradaptasi dengan berbagai kondisi epilepsi.
Integrasi metode ini ke dalam perangkat medis seperti EEG portabel dapat membuka jalan bagi diagnosis epilepsi yang lebih mudah diakses. Hal ini sangat relevan di wilayah-wilayah terpencil, di mana pasien sering kali mengalami keterlambatan diagnosis karena keterbatasan infrastruktur medis.
Penelitian ini juga membuka peluang untuk pengembangan lebih lanjut, seperti penggabungan teknologi kecerdasan buatan (AI) untuk meningkatkan kemampuan prediksi sistem. Dengan memanfaatkan teknologi terkini, deteksi dini epilepsi dapat ditingkatkan, sehingga pasien mendapatkan pengobatan yang tepat waktu dan kualitas hidup yang lebih baik.
Pendekatan menggunakan Discrete Wavelet Transform dan Support Vector Machine memberikan terobosan signifikan dalam mendeteksi epilepsi. Dengan akurasi tinggi yang dihasilkan, metode ini menunjukkan potensi besar untuk menggantikan atau melengkapi analisis manual yang memakan waktu. Di masa depan, penerapan teknologi ini tidak hanya akan mempermudah diagnosis epilepsi, tetapi juga membawa harapan baru bagi pasien untuk hidup lebih sehat dan produktif. Inovasi ini menandai langkah penting dalam menjadikan teknologi otomatis sebagai bagian integral dari layanan kesehatan modern.
Sumber: Umi khoirun Nisak Ekstraksi Fitur Rekaman Sinyal EEG menggunakan Metode Discrete Wavelet Transform (DWT) Untuk Klasifikasi Iktal Epileps
Penulis: Ayunda H
