Epilepsi adalah gangguan neurologis yang mempengaruhi banyak individu,
dengan serangan kejang sebagai gejala utamanya. Penelitian ini memiliki tujuan
mengembangkan sistem otomatis untuk mengenali pola-pola yang terkait dengan
serangan kejang berdasarkan sinyal EEG. Pada sinyal EEG pasien epilepsi
terdapat empat buah kondisi yaitu interictal, preictal (preseizure),
ictal (seizure), dan postictal (post-seizure). Pendeteksian kondisi
preseizure dilakukan untuk memprediksi kejang pada pasien epilepsi.
Deteksi kondisi preseizure dilakukan dengan menggunakan machine learning
dimana sistem dapat secara otomatis mendeteksi kondisi preseizure
berdasarkan berkas-berkas yang sudah dimasukkan pada pelatihan dalam membuat machine
learning. Pada penelitian ini digunakan machine learning dengan
menggunakan dua buah metode sebagai perbandingan yaitu metode K-Nearest
Neighbor (KNN) dan metode Long Short Term Memory (LSTM). Kedua
metode tersebut digunakan untuk memprediksi adanya kondisi preseizure
pada sinyal EEG pasien. Dalam proses prediksi terdapat lima buah tahapan yaitu preprocessing,
segmentasi, ekstraksi fitur, pengklasifikasian, dan prediksi akhir. Sistem yang
telah dirancang kemudian diterapkan dalam aplikasi berbasis python dengan
tujuan memudahkan para pengguna dalam menggunakannya. Sistem pada penelitian
ini diuji menggunakan data 10 pasien dari CHB-MIT dengan jumlah 150 rekaman dan
total durasi 147 jam. Dihasilkan sistem mampu memberikan nilai sensitivitas sebesar
80%, spesifisitas sebesar 92%, dan akurasi sebesar 91?ngan menggunakan
metode KNN dan sensitivitas sebesar 82%, spesifisitas sebesar
87%, dan akurasi sebesar 86?ngan menggunakan metode LSTM. Dengan pemahaman
yang lebih baik tentang penyebab dan pola kejang, penelitian ini diharapkan
dapat memberikan pembaharuan terhadap metode dalam penanganan pasien epilepsi.
