PENGEMBANGAN MODEL KLASIFIKASI AKTIVITAS OTAK BERBAHAYA DENGAN ELECTROENCEPHALOGRAPHY SPEKTOGRAM MENGGUNAKAN TRANSFER LEARNING

ABSTRAK Klasifikasi aktivitas otak yang berbahaya telah menjadi fokus penelitian yang sangat penting, dengan dampak yang besar dalam diagnosis dan pencegahan gangguan neurologis. Penelitian ini bertujuan untuk memperdalam pemahaman dan meningkatkan identifikasi aktivitas otak yang berbahaya dengan mengembangkan algoritma klasifikasi yang lebih optimal. Dengan menerapkan teknik transfer learning dan augmentasi data, penelitian ini berupaya meningkatkan performa dalam mengklasifikasikan dan mendeteksi pola otak yang tidak normal, terutama yang berkaitan dengan kondisi seizure, pola ritmik dan periodik. Penelitian ini memanfaatkan data spektogram elektroensefalografi sebagai input untuk melatih model deep learning dengan menggunakan metode transfer learning dan augmentasi data. Hasil penelitian menunjukkan bahwa penerapan teknik augmentasi dan pembelajaran transfer EfficientnNetV2 pada model deep learning dapat meningkatkan akurasi klasifikasi aktivitas otak yang berbahaya. Model terbaik mencapai akurasi validasi 69% dengan validation loss sebesar 0.9603, yang lebih baik dari model awal. Kontribusi penelitian ini tidak hanya signifikan dalam bidang pengolahan sinyal elektroensefalografi, tetapi juga berpotensi besar dalam pengembangan sistem deteksi dan intervensi dini untuk berbagai kondisi medis yang berkaitan dengan gangguan otak.

Kata Kunci - EfficientnNetV2, EEG, Elektroensefalografi, Aktivitas Otak Berbahaya, Seizure, Spektogram, Transfer Learning.