KLASIFIKASI GELOMBANG INTERICTAL EPILEPTIFORM DISCHARGES PADA PASIEN EPILEPSI BERDASARKAN SPEKTRUM GELOMBANG MENGGUNAKAN DEEP LEARNING

Epilepsi merupakan gangguan neurologis yang ditandai dengan munculnya
gelombang Interictal Epileptiform Discharges (IEDs) pada sinyal
elektroensefalografi (EEG). Identifikasi IEDs masih menjadi tantangan karena
karakteristik sinyal yang kompleks dan bervariasi. Penelitian ini bertujuan
mengembangkan model klasifikasi berbasis deep learning dengan pendekatan
Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM)
untuk menganalisis spektrum frekuensi EEG hasil transformasi Fast Fourier
Transform (FFT). Dataset penelitian terdiri dari 230 sampel EEG pasien epilepsi
(120 epilepsi dan 110 normal), yang direpresentasikan dalam bentuk matriks fitur
25×12 mencakup tiga segmen waktu (sebelum, saat, dan sesudah kejadian), empat
parameter statistik (minimum, maksimum, rata-rata, dan standar deviasi), serta lima
pita frekuensi utama (delta, theta, alpha, beta, gamma). Hasil menunjukkan bahwa
LSTM memperoleh akurasi tertinggi sebesar 85,51?ngan F1-score 0,86,
sedangkan CNN mencapai akurasi 73,91%. Temuan ini mengindikasikan bahwa
LSTM lebih unggul dalam menangkap pola temporal EEG.
Kata kunci: Elektroensafalografi, Epilepsi, Fast Fourier Transform, Convotional
Neural Network, Long Short Term Memory, Interictal Epileptiform Discharges