PENINGKATAN AKURASI PREDIKSI CNN-LSTM DAN CNN-GRU UNTUK MENDIAGNOSA SKIZOFRENIA MELALUI SINYAL EEG

PENINGKATAN AKURASI PREDIKSI CNN-LSTM DAN CNN-GRU UNTUK MENDIAGNOSA SKIZOFRENIA MELALUI SINYAL EEG

skizofrenia, elektroensefalografi, deep learning, convolutional neural network, gated recurrent unit, long short-term memory

Skizofrenia adalah gangguan jiwa yangumumnya muncul dalam bentuk halusinasi pendengaran, paranoia, atau cara berbicara dan berpikir yang kacau. Diagnosa penderita Skizofrenia dapat dilakukan dengan menggunakan pemeriksaan sinyal EEG. Penelitian ini melakukan analisaperbandinganmetode yang terbaik untuk melakukan klasifikasi EEG menggunakan metode Deep Learning (DL).Penulis menggunakan metode1DConvolutional Neural Network (1D CNN)yang menggunakanlayer berbeda.1D-CNN pertama menggunakan layer Longshort-term memory(LSTM)dan1D-CNNkedua menggunakan layerGated Recurrent Unit(GRU).Dataset yang digunakanadalah 28 jenis sinyal EEG yang terdiri dari 14 penderita Skizofrenia dan 14 subjek normal.Hasil pengujian akurasi F1 Score dariCNNyangmenggunakan layerLSTM memiliki nilai sebesar 95% dan CNN yang menggunakan layer GRU memiliki nilai 96%.Pengujian kedua metode tersebut menunjukkan bahwa nilai dari CNN-GRU lebih besar dari CNN-LSTM

Gabriel Ekoputra Hartono Cahyadi1, Sukemi2, Dian Palupi Rini3

https://jsi.ejournal.unsri.ac.id/index.php/jsi/article/view/89/84

Universitas Sriwijaya

Oktober 2022

Fajar bagus W

PDF

Indonesia

Text