Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2026
- Tujuan
- Nomor
- 463ad2c7-ba94-492b-8328-67c2657bee94
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan kegiatan yang dapat direproduksi dan sepenuhnya berbasis data untuk mengorganisasi representasi fitur domain waktu elektroensefalogram melalui pengelompokan tanpa supervisi pada tingkat epoch. Kegiatan ini melibatkan Sulistyono, Marcelinus Yosep Teguh; De Setiadi, Rosal Ignatius Moses; Soeleman, Moch Arief; Mohamed, Mohamad Afendee; Marjuni, Aris; dan Sambas, Aceng sebagai peserta kegiatan. Kegiatan tersebut menggunakan rekaman EEG tugas motorik dari empat peserta, dengan lima percobaan untuk setiap peserta. Rekaman disegmentasi menjadi fase baseline, gerakan, dan relaksasi menggunakan jendela geser tetap berdurasi dua detik dengan tumpang tindih 50%.
Universitas Dian Nuswantoro mengekstraksi fitur statistik dari 2.540 epoch yang dibentuk sebelum penekanan artefak. Fitur tersebut meliputi mean absolute value, standar deviasi, root mean square, varians, skewness, dan parameter Hjorth. Kriteria penolakan artefak yang terstandar diterapkan melalui ambang amplitudo, deteksi garis datar, dan penyaringan penyimpangan varians. Setelah proses tersebut, 2.396 epoch bersih dipertahankan untuk analisis pengelompokan.
Kegiatan ini mengevaluasi dua algoritma tanpa supervisi yang saling melengkapi, yaitu K-Means dan K-Medoids, menggunakan kerangka validasi internal multidimensi. Kerangka tersebut mencakup Davies-Bouldin Index, Silhouette Score, Calinski-Harabasz Index, Dunn Index, Within-Cluster Dispersion, dan Cluster Quality Ratio. Hasil menunjukkan bahwa konfigurasi enam klaster memberikan keseimbangan paling baik antara kekompakan dan keterpisahan, dengan Davies-Bouldin Index minimum 0,1366 dan Silhouette Score maksimum 0,7287. Kesepakatan lintas algoritma dan berbagai metrik validasi menunjukkan struktur statistik laten yang stabil dalam ruang fitur EEG yang telah distandardisasi.
Kegiatan ini mengintegrasikan pemodelan tanpa supervisi tingkat epoch, validasi lintas metrik, dan dokumentasi reproduktibilitas dalam satu alur analitis. Dokumentasi mencakup pencatatan epoch, parameter segmentasi, aturan pengecualian, dan konfigurasi pengelompokan untuk memungkinkan verifikasi independen terhadap metrik validitas numerik. Klaster yang diidentifikasi merupakan pengelompokan berdasarkan kemiripan statistik dan tidak berhubungan dengan kategori klinis, tingkat keparahan penyakit, atau klasifikasi diagnosis. Dengan memperhatikan batasan institusional dan etis, matriks fitur yang telah diproses dan skrip pengelompokan tersedia berdasarkan permintaan yang wajar.