Keunggulan Metode DWT dan SVM Untuk Diagnosis Epilepsi 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.

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