Implementasi Algoritma Naïve Bayes dalam Identifikasi Kejang Epilepsi dengan Menggunakan Sinyal EEG

Agrifa Insani Napitupulu; Dhanny Rukmana Manday; William Owen Wijaya; Yennimar; Mardi Turnip

doi:10.30865/json.v7i1.8990

Authors

Agrifa Insani Napitupulu Universitas Prima Indonesia
Dhanny Rukmana Manday Universitas Prima Indonesia
William Owen Wijaya Universitas Prima Indonesia
Yennimar Universitas Prima Indonesia
Mardi Turnip Universitas Prima Indonesia

DOI:

https://doi.org/10.30865/json.v7i1.8990

Keywords:

EEG, PCA, Epilepsi, Naive Bayes, Machine Learning

Abstract

Epilepsi merupakan gangguan neurologis kronis yang ditandai dengan aktivitas listrik abnormal di otak, yang dapat dideteksi melalui sinyal elektroensefalogram (EEG). Deteksi dini epilepsi sangat penting untuk mencegah dampak yang lebih serius terhadap kesehatan penderita. Penelitian ini bertujuan untuk mengklasifikasikan kondisi epileptik dan non-epileptik berdasarkan data EEG menggunakan algoritma Naive Bayes. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 11.500 sampel sinyal EEG dengan 178 fitur numerik. Data mengalami tahap pra-pemrosesan berupa binarisasi label, normalisasi, serta reduksi dimensi menggunakan Principal Component Analysis (PCA). Selanjutnya, dilakukan pelatihan dan pengujian model Gaussian Naive Bayes dengan proporsi data latih dan uji sebesar 80:20. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes mampu memberikan performa yang baik dengan akurasi sebesar 96%, precision dan recall masing-masing sebesar 90% untuk kelas epileptik, serta nilai F1-score sebesar 90%. Temuan ini mengindikasikan bahwa model ini cukup andal dan efisien untuk klasifikasi sinyal EEG, meskipun dengan keterbatasan asumsi independensi antar fitur. Dengan demikian, algoritma Naive Bayes dapat menjadi solusi awal dalam pengembangan sistem deteksi dini epilepsi berbasis machine learning.

References

A. Madani et al., “Peningkatan Pengetahuan Mengenai Epilepsi Pada Pasien Poli Saraf Rumah Sakit Ulin Banjarmasin,” J. Pengabdi. Masy. Panacea, vol. 2, no. 2, hal. 126–132, 2024.

W. Zeng, L. Shan, B. Su, dan S. Du, “Epileptic seizure detection with deep EEG features by convolutional neural network and shallow classifiers,” Front. Neurosci., vol. Volume 17, 2023, [Daring]. Tersedia pada: https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2023.1145526

E. Abdullayeva dan H. K. Örnek, “Diagnosing Epilepsy from EEG Using Machine Learning and Welch Spectral Analysis.,” Trait. du Signal, vol. 41, no. 2, 2024.

S. Noertjahjani, “Rancang Bangun Klasifikasi Sinyal Elektroensefalografi Pada Kasus Epilepsi Dengan Random forest GSO,” J. ICT Inf. Commun. Technol., 2023.

N. U. R. S. B. A. AZIZ, “ELECTROENCEPHALOGRAPHY SIGNAL CLASSIFICATION USING NEURAL NETWORK, DECISION TREE AND ENSEMBLE BAGGED TREE FOR EPILEPSY DISEASE,” 2022.

M. Kurniawan, A. Rachman, dan A. Pakarbudi, “Review Pemanfataan Data Electroencephalogram (EEG) dengan metode Convolution Neural Network,” INTEGER J. Inf. Technol., vol. 6, no. 2, 2021.

P. Grant dan M. Z. Islam, “EEG Signal Processing using Wavelets for Accurate Seizure Detection through Cost Sensitive Data Mining,” arXiv Prepr. arXiv2109.13818, 2021.

D. R. Manday, A. C. Sembiring, N. Lumbantoruan, A. S. Ginting, R. M. Simanjuntak, dan D. Sitanggang, “Application Of Decision Tree Algorithm In Classifying The Level Of Impulsivity In EEG Signals,” in 2024 2nd International Conference on Technology Innovation and Its Applications (ICTIIA), IEEE, 2024, hal. 1–6.

O. Nurdiawan, F. Fathurrohman, dan A. Faqih, “Optimisasi Model Backpropagation untuk Meningkatkan Deteksi Kejang Epilepsi pada Sinyal Electroencephalogram,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 9, no. 2, hal. 151–160, 2024.

A. S. Fitrani, U. khoirun Nisak, E. Agustin, dan A. T. Zahputra, “Deteksi prakejang pada pasien epilepsi berdasarkan rekam sinyal EEG menggunakan metode LSTM,” INTEGER J. Inf. Technol., vol. 10, no. 1, 2025.

M. Dastgoshadeh dan Z. Rabiei, “Detection of epileptic seizures through EEG signals using entropy features and ensemble learning.,” Front. Hum. Neurosci., vol. 16, hal. 1084061, 2022, doi: 10.3389/fnhum.2022.1084061.

M. Dastgoshadeh dan Z. Rabiei, “Detection of epileptic seizures through EEG signals using entropy features and ensemble learning,” Front. Hum. Neurosci., vol. Volume 16, 2023, [Daring]. Tersedia pada: https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2022.1084061

I. Ahmad et al., “EEG-Based Epileptic Seizure Detection via Machine/Deep Learning Approaches: A Systematic Review.,” Comput. Intell. Neurosci., vol. 2022, hal. 6486570, 2022, doi: 10.1155/2022/6486570.

M. S. Nafea dan Z. H. Ismail, “Supervised Machine Learning and Deep Learning Techniques for Epileptic Seizure Recognition Using EEG Signals—A Systematic Literature Review,” Bioengineering, vol. 9, no. 12. 2022. doi: 10.3390/bioengineering9120781.

N. L. A. Nuril Lutvi Azizah, “Unplag Deteksi Penyakit Epilepsi Melalui Sinyal EEG,” 2023.

T. M. Johan, “Sistem Pendeteksi Epilepsi Dengan Algoritma K-Means Clustering Sebagai Pendeteksi Penyakit Berbasis Sistem Pakar Pada Masa Pandemi Covid-19,” J. Tika, vol. 6, no. 02, hal. 173–183, 2021.

F. P. Lestari, M. Haekal, R. Edmi Edison, F. Ravi Fauzy, S. Nurul Khotimah, dan F. Haryanto, “Epileptic Seizure Detection in EEGs by Using Random Tree Forest, Naïve Bayes and KNN Classification,” J. Phys. Conf. Ser., vol. 1505, no. 1, hal. 12055, 2020, doi: 10.1088/1742-6596/1505/1/012055.

S. A. Karthik, K. N. Bharath, B. R. Ramji, K. Puttegowda, B. Aruna, dan D. S. S. Kumar, “Enhanced EEG Signal Processing for Accurate Epileptic Seizure Detection,” SN Comput. Sci., vol. 6, no. 6, hal. 608, 2025, doi: 10.1007/s42979-025-04148-1.

N. N. Sabilla, M. Fatchan, dan A. Aguswin, “MENGOPTIMALKAN KLASIFIKASI SINYAL ELECTROENCEPHALOGRAM UNTUK MENDETEKSI KEJANG EPILEPSI DENGAN BACKPROPAGATION NEURAL NETWORK,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, hal. 3501–3509, 2025.

M. K. Siddiqui, R. Morales-Menendez, X. Huang, dan N. Hussain, “A review of epileptic seizure detection using machine learning classifiers,” Brain Informatics, vol. 7, no. 1, hal. 5, 2020, doi: 10.1186/s40708-020-00105-1.