Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Deteksi Attention Deficit Hyperactivity Disorder (ADHD) Berbasis Electroencephalogram (EEG): Pendekatan Klasifikasi Dengan Random Forest

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 2 (2025) · hlm. 516–526

DOI
10.51454/decode.v5i2.1164
ISSN
2775-1813, 2775-2984
Terbit
2025-07-31
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan perkembangan yang sering dijumpai pada anak-anak dan berdampak signifikan terhadap proses belajar serta kualitas hidup. Proses diagnosis ADHD saat ini masih didominasi oleh observasi klinis yang bersifat subjektif, sehingga diperlukan pendekatan yang lebih objektif. Penelitian ini bertujuan untuk mendeteksi ADHD menggunakan data Electroencephalogram (EEG) yang diproses melalui algoritma klasifikasi Random Forest. Data EEG dianalisis melalui tahapan pra-pemrosesan, ekstraksi fitur, dan klasifikasi. Hasil penelitian menunjukkan bahwa model Random Forest mampu membedakan antara data EEG penderita ADHD dan kelompok kontrol dengan akurasi sebesar 0,74. Penelitian ini berkontribusi pada upaya memperluas aplikasi machine learning di bidang kesehatan, khususnya dalam upaya diagnosis dini dan penanganan ADHD yang lebih baik, objektif, dan terintegrasi teknologi. Selain itu, aplikasi deteksi ADHD berbasis Streamlit dikembangkan untuk memfasilitasi proses deteksi secara interaktif dan visualisasi data EEG. Temuan ini menunjukkan potensi pemanfaatan algoritma Random Forest dalam deteksi ADHD berbasis EEG secara lebih akurat dan efisien, meskipun peningkatan akurasi dan eksplorasi metode klasifikasi lain masih diperlukan. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi ADHD yang lebih objektif dan konsisten.

Jaringan kolaborasi para penulis

5 penulis · 10 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Deteksi Attention Deficit Hyperactivity Disorder (ADHD) Berbasis Electroencephalogram (EEG) : Pendekatan Klasifikasi Dengan Random Forest</dc:title><dc:creator>Simarmata, Allwin M.</dc:creator><dc:creator>Akbar, Mizanul</dc:creator><dc:creator>Pakpahan, Alexander</dc:creator><dc:creator>Sihombing, Godlieb</dc:creator><dc:creator>Ginting, M. Syaidin Abdiyanuarsyah</dc:creator><dc:description>&lt;jats:p&gt;Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan perkembangan yang sering dijumpai pada anak-anak dan berdampak signifikan terhadap proses belajar serta kualitas hidup. Proses diagnosis ADHD saat ini masih didominasi oleh observasi klinis yang bersifat subjektif, sehingga diperlukan pendekatan yang lebih objektif. Penelitian ini bertujuan untuk mendeteksi ADHD menggunakan data Electroencephalogram (EEG) yang diproses melalui algoritma klasifikasi Random Forest. Data EEG dianalisis melalui tahapan pra-pemrosesan, ekstraksi fitur, dan klasifikasi. Hasil penelitian menunjukkan bahwa model Random Forest mampu membedakan antara data EEG penderita ADHD dan kelompok kontrol dengan akurasi sebesar 0,74. Penelitian ini berkontribusi pada upaya memperluas aplikasi machine learning di bidang kesehatan, khususnya dalam upaya diagnosis dini dan penanganan ADHD yang lebih baik, objektif, dan terintegrasi teknologi. Selain itu, aplikasi deteksi ADHD berbasis Streamlit dikembangkan untuk memfasilitasi proses deteksi secara interaktif dan visualisasi data EEG. Temuan ini menunjukkan potensi pemanfaatan algoritma Random Forest dalam deteksi ADHD berbasis EEG secara lebih akurat dan efisien, meskipun peningkatan akurasi dan eksplorasi metode klasifikasi lain masih diperlukan. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi ADHD yang lebih objektif dan konsisten.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-07-31</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i2.1164</dc:identifier><dc:identifier>10.51454/decode.v5i2.1164</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 2 (2025); 516-526</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1164/609</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>