Article Sidebar
Main Article Content
Abstract
Rehabilitasi terhadap pasien pasca-stroke dilakukan
guna mengembalikan fungsi tubuh yang hilang. Pendekatan pada
rehabilitasi stroke mencakup aktivitas fisik motorik, kognitif dan
mental. Aktivitas listrik di otak yang direkam atau
Elektroensephalogram (EEG) juga dapat digunakan dalam proses
rehabilitasi untuk mengetahui perkembangan pasien. Dokter
akan mengamati sinyal EEG yang direkam berdasarkan
kerapatan, amplitudo, bentuk gelombang dan perbandingan
sinyal pada setiap kanal, namun analisa tersebut tidaklah mudah.
Oleh karena itu dibutuhkan model komputasi yang dapat
mengidentifikasi sinyal EEG dari pasien pasca-stroke. Sinyal EEG
diperoleh dari 50 pasien pasca-stroke, 25 orang normal
menggunakan emotiv EEG 14 kanal. Sinyal EEG selama 120 detik
dengan segmentasi per-tiga detik dan ekstraksi sinyal untuk
mendapatkan gelombang Alfa, Beta, Teta, Delta dan Mu.
Identifikasi dilakukan menggunakan Backpropagation dengan
fitur masukkan kelima gelombang dan amplitudo. Pelatihan pada
Backpropagation menggunakan bobot awal hasil optimalisasi
Algoritma Genetika. Hal tersebut akan berpengaruh pada bobot
akhir masing-masing kelas, no stroke, minor stroke dan moderate
stroke. Representasi kromosom terdiri dari bobot v dan w
sebanyak 46.224 gen dengan mengadopsi banyaknya neuron input
dan hidden pada arsitektur Backpropagation. Individu terbaik
hasil optimalisasi menjadi masukkan untuk proses pelatihan pada
Backpropagation. Hasil penelitian menunjukan akurasi yang
diperoleh untuk data latih sebesar 73% dan untuk data baru
sebesar 55%.