Peningkatan Akurasi Prediksi Cnn-Lstm Dan Cnn-Gru Untuk Mendiagnosa Skizofrenia Melalui Sinyal Eeg

Abstract

Abstrak

Skizofrenia adalah gangguan jiwa yang umumnya muncul dalam bentuk halusinasi pendengaran, paranoia, atau cara berbicara dan berpikir yang kacau. Diagnosa penderita Skizofrenia dapat dilakukan dengan menggunakan pemeriksaan sinyal EEG. Penelitian ini melakukan analisa perbandingan metode yang terbaik untuk melakukan klasifikasi EEG menggunakan metode Deep Learning (DL). Penulis menggunakan metode 1D Convolutional Neural Network (1D CNN) yang menggunakan layer berbeda. 1D-CNN pertama menggunakan layer Long short-term memory (LSTM) dan 1D-CNN kedua menggunakan layer Gated Recurrent Unit (GRU). Dataset yang digunakan adalah 28 jenis sinyal EEG yang terdiri dari 14 penderita Skizofrenia dan 14 subjek normal. Hasil pengujian akurasi F1 Score dari CNN yang menggunakan layer LSTM memiliki nilai sebesar 95% dan CNN yang menggunakan layer GRU memiliki nilai 96%. Pengujian kedua metode tersebut menunjukkan bahwa nilai dari CNN-GRU lebih besar dari CNN-LSTM.