Epilepsi adalah penyakit kronis yang ditandai dengan kejang berulang. Sekitar 50 juta orang di seluruh dunia menderita epilepsi. Diagnosis epilepsi dapat dilakukan melalui pemeriksaan electroencephalogram (EEG). Ada dua periode penting dalam rekaman EEG, periode interictal (secara klinis tidak ada kejang) dan ictal (kejang klinis).

Temuan abnormalitas berupa gambaran sinyal interictal akan membantu klinisi dalam mendiagnosis epilepsi serta menentukan waktu yang tepat untuk memulai dan menghentikan obat antikejang. Sementara itu, inspeksi visual EEG sinyal untuk mendeteksi periode interictal dan ictal sering melibatkan unsur subjektivitas dan itu membutuhkan pengalaman. Sehingga deteksi otomatis periode interictal sangat dibutuhkan.

Dalam penelitian ini, Least Square Support Vector Metode mesin (LS SVM) untuk klasifikasi interictal dan ictal digunakan. Data preprocessing dilakukan dengan menggunakan Discrete Wavelet Transform (DWT). Hasil penelitian menunjukkan bahwa klasifikasi menggunakan LS SVM dengan metode kernel RBF mencapai akurasi di bawah kurva (AUC) sebesar 96,3%.  Hasil penelitian menunjukkan bahwa klasifikasi menggunakan SVM dan LS SVM memiliki akurasi yang lebih konsisten daripada Smooth SVM (SSVM), Lagrangian SVM (L SVM), Proximal SVM (P SVM), dan Mesin Vektor Relevansi (RVM).  

Hasil penelitian ini sangat bermanfaat, terutama dalam membantu ahli neurologi untuk mengidentifikasi sinyal interictal dan ictal, khususnya di Rumah Sakit Universitas Airlangga Surabaya, Indonesia. Selanjutnya, dengan deteksi otomatis dapat berupa peringatan dini (identifikasi interictal) sebelum kejang terjadi (ictal).

Penulis: Wardah Rahmatul Islamiyah

Referensi

Purnami, S.W., Nuraisyah, T., Islamiyah, W.R., Wulandari, D.P., Juniani, A.I. (2021). Least Square Support Vector Machine for Interictal Detection Based on EEG of Epilepsy Patients at Airlangga University Hospital Surabaya-Indonesia. In: Hemanth, J., Yigit, T., Patrut, B., Angelopoulou, A. (eds) Trends in Data Engineering Methods for Intelligent Systems. ICAIAME 2020. Lecture Notes on Data Engineering and Communications Technologies, vol 76. Springer, Cham. https://doi.org/10.1007/978-3-030-79357-9_20