Representasi Distribusi Energi EEG Multi-Channel untuk Deteksi Aktivitas Epilepsi Menggunakan SVM

Abstract

Deteksi epilepsi berbasis electroencephalogram (EEG) menghadapi tantangan berupa ketidakseimbangan kelas, data leakage, dan variasi sinyal antarpasien. Penelitian ini mengusulkan representasi distribusi energi EEG multikanal menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Dataset CHB-MIT dipreproses dan disegmentasi menjadi window berdurasi 2 detik dengan overlap 25%. Setiap window direpresentasikan oleh 23 fitur energi domain waktu dan 23 fitur Power Spectral Density (PSD) metode Welch, sedangkan energy map berukuran 23 × 16 digunakan sebagai visualisasi distribusi energi kanal–waktu dan bukan sebagai masukan model. Evaluasi dilakukan menggunakan independent file-wise testing, grouped file-wise 5-fold cross-validation, dan patient-wise Leave-One-Subject-Out (LOSO). Untuk mencegah data leakage, pembagian data dilakukan pada tingkat file atau pasien sebelum segmentasi, sedangkan undersampling dan standardisasi hanya diterapkan pada data pelatihan. Hasil file-wise testing menunjukkan akurasi 93,247%, sensitivitas 98,387%, F1-score 42,958%, dan ROC-AUC 0,9880. Pada evaluasi LOSO, akurasi, sensitivitas, dan F1-score menurun menjadi 78,071%, 51,909%, dan 20,550%, yang menunjukkan adanya inter-subject variability. Uji Mann–Whitney menunjukkan perbedaan distribusi energi yang signifikan antara kelas seizure dan non-seizure (p = 2,1804 × 10⁻¹⁴⁰). Metode ini efektif untuk deteksi antarfile pada pasien yang sama, namun masih memerlukan validasi lintas pasien dan dataset eksternal untuk meningkatkan kemampuan generalisasi.
Kata kunci: CHB-MIT, deteksi epilepsi, distribusi energi EEG, patient-wise LOSO, SVM.