Deteksi Penyakit Epilepsi Secara Real-Time Menggunakan Algoritma K-Nearest Neighbors (KNN) Berbasis Sinyal Electroencephalography

Abstract

Epilepsi adalah gangguan saraf kronis yang ditandai dengan kejang yang terjadi berulang kali akibat aktivitas listrik yang tidak normal di dalam otak. Menurut informasi dari WHO, lebih dari 50 juta orang di seluruh dunia menderita epilepsi, dengan sekitar 80% dari mereka berada di negara-negara yang sedang berkembang, termasuk Indonesia. Di Indonesia sendiri, diperkirakan ada antara 2,7 sampai 5,4 juta orang yang mengalami epilepsi, sementara fasilitas untuk diagnosis yang cepat dan tepat masih terbatas. Proses untuk mendiagnosis epilepsi umumnya bergantung pada analisis manual dari sinyal EEG yang memerlukan waktu lama dan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit epilepsi secara real-time dengan menggunakan algoritma K-Nearest Neighbors (KNN), sebagai opsi yang efisien dan terjangkau. Berbagai metode sebelumnya, seperti SeizureTransformer, CNN-LSTM, serta teknik yang berbasis entropi dan ensemble, telah menunjukkan hasil yang menggembirakan tetapi terhambat oleh kompleksitas dan kebutuhan komputasi yang tinggi. KNN memiliki kelebihan dalam hal kecepatan dan kemudahan implementasi, meskipun pemanfaatannya dalam konteks EEG epilepsi masih cukup minim. Melalui penelitian ini, sistem berbasis KNN dirancang untuk mendeteksi penyakit secara langsung dari sinyal EEG, dengan harapan dapat meningkatkan akurasi diagnosis dan efisiensi waktu dalam layanan kesehatan. Diharapkan sistem ini dapat memberikan alternatif praktis dalam penanganan epilepsi, terutama di daerah-daerah yang memiliki keterbatasan dalam fasilitas medis seperti Kota Medan.