Jurnal Informatika Polinema ISSN: 2614-6371 E-ISSN: 2407-070X Halaman | 1 EKSTRAKSI CIRI SINYAL EEG UNTUK GANGGUAN PENYAKIT EPILEPSI MENGGUNAKAN TEKNIK SAMPLING Siti Nur Azizatul Hasanah 1) , Hindarto Hindarto 2) 1) Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sidoarjo Jl. Raya Gelam No. 250 Candi Sidoarjo 61271 E-mail : sitinurazizah305@gmail.com 1) , hindarto@umsida.ac.id 2) Abstrak Epilepsi memiliiki gejala yang menyerupai gangguan histeria yaitu hilangnya kesadaran dan kontrol terhadap anggota tubuh. Sinyal EEG pada serangan epilepsi memiliki pola karakteristik yang memungkinkan professional kesehatan untuk membedakannya dari kondisi normal. Masalah lain yang muncul adalah kurangnya perbedaan yang jelas pada sinyal EEG antara serangan epilepsi dan non epilepsi. Penelitian ini bertujuan untuk mengekstrasi ciri sinyal EEG menggunakan metode teknik sampling. Penelitian ini menggunakan metode Teknik Sampling dan Backpropogation sebagai klasifikasinya.. Pada tahap pelatihan (training) menggunakan 80 data set dari masing- masing Set A dan Set E, data sen ini diambil dari Departemen Epileptology, University of Bonn, Sigmund Freud- Strasse 25, 53105Bonn – Jerman. Sedangkan pada tahap pengujian (testing) menggunakan 100 data set. Penelitian ini menggunakan metode back- propagation (20-40-2) yaitu 2 input sinyal EEG, satu hidden layer dengan 20 unit dan dua target epilepsi dan non epilepsi . Dari pengujian data tersebut didapat nilai akurasi sebesar 100%. Kata kunci: Teknik Sampling, Backpropagation, Sinyal EEG. Abstract Epilepsy has symptoms resembling a disorder of hysteria that is the loss of awareness and control over the members of the body. EEG signals epilepsy attacks have characteristics that allow health professionals of distinguish it from normal conditions. Another problem that emerged was the lack of a clear distinction between EEG signals epilepsy seizures and non epilepsy. This research aims to characterize the EEG signal using extraction method of sampling. This research using the method of sampling techniques and Backpropogation as its classification. At this stage of training ( training) users data sets from the 80 each set A and set E, sen was taken from Departement of Epileptology, University of Bonn, Sigmund Freud – Strasse 25, 53105 Bonn- Germany. While in testing phase (testing) using 100 data sets. This research method using Backpropogation ( 20-40-2 ) i.e EEG signal input 2, one hidden layer with 20 units and 2 epilepsy and non epilepsy target. The data obtained from testing of the accuracy value of 100%. Key words: Sampling Techniques, Backpropogation, EEG Signals, 1. Pendahuluan Epilepsi memiliiki gejala yang menyerupai gangguan hysteria yaitu hilangnya kesadaran dan kontrol terhadap anggota tubuh. Epiepsi merupakan gangguan yang terjadi karena adanya fungsi ketidak normalan seluruh atau sebagian otak yang dapat dilihat melalui pemeriksaan Elektro Ensefalo Grafy (EEG) atau Magnetic Resonance Imaging (MRI). Sedangkan pada penderita hysteria tidak ditemukan adanya gangguan fisik yang dapat menjelaskan gejala-gejala tersebut dan terdapat bukti adanya penyebab secara psikologis dalam bentuk hubungan kurun waktu yang jelas dengan masalah-masalah atau kejadian yang menimbulkan stress atau hubungan interpersonal yang terganggu (PPGDJ- III,2002.h 81) Anonym (2002). Sinyal EEG pada serangan epilepsi memiliki pola karakteristik yang memungkinkan professional kesehatan untuk membedakannya dari kondisi normal. Tetapi analisis secara visual tidak mungkin dilakukan secara rutin, karena sinyal EEG yang dihasilkan dari sistem monitoring EEG sangat besar dan cukup memakan waktu. Masalah lain yang muncul adalah kurangnya perbedaan yang jelas pada sinyal EEG antara serangan epilepsi dan non epilepsi. Dalam penelitian ini metode yang digunakan adalah menggunakan Teknik Sampling pada jaringan saraf tiruan. Langkah pertama menggunakan teknik sampling untuk mengubah / ekstraksi sebuah sinyal menjadi komponen frekuensi dasarnya sehingga dipeorolehkan beberapa fitur untuk menangkap karakteristik spesifik dari EEG