Veri analiz ve sınıflandırma tekniklerinin gelişmesinin sonucu olarak biyomedikal çalışmalarda akıllı hesaplama yöntemlerinin kullanımı oldukça önemli bir yer tutmaktadır. Normal ve hasta kişilerden alınan biyoelektriksel işaretlerin (Elektroensefalografi-EEG, Elektrokardiyografi-EKG ve Elektromiyografi-EMG gibi) sınıflandırılması için elde edilen eğrilerin yorumlanması, üzerinde durulması gereken önemli bir noktadır. Bu çalışmanın amacı, biyoelektriksel işaretlerden biri olan EEG verilerinin Receiving Operation Curve (ROC) eğrileri ve hata matrisleri kullanılarak sınıflandırmanın ne oranda yapıldığını tespit etmektir. Böylece ağa yeni bir veri girdisi durumunda ağın doğru bir şekilde sınıflandırma yapması sağlanacaktır. Yapay sinir ağları (YSA), deneme yanılma yolu ile öğrenme ve genelleştirme yapabilmekte ve az da olsa hata payı ile öğrenme işlemine devam etmektedir. Yani amaç ağın ezberlemesini engelleyip, öğrenmesini sağlamaktır ki ancak bu durumda farklı veri girişlerinde doğru bir tespit yapılır. Bu çalışmada, sağlam ve epilepsi hastalarına ait veriler yapay sinir ağları ile eğitilerek, normal ve epilepsi tespiti performans analizi, hata matrisi ve ROC eğrisi ile incelenmesine imkân sağlar

As a consequence of the development of data analysis and classification techniques, the use of intelligent computation methods in biomedical researches is very important. Interpretation of the curves obtained for the classification of electrical signals (such as Electroencephalography-EEG, Electrocardiography-ECG, and Electromyography-EMG) from normal and patient persons is an important point to be emphasized. The aim of the study is to determine what percentage of classification EEG data, which is one of the electrical signals, using Receiving Operation Curve (ROC) and confusion matrix. So, the network will be to classify correctly in case of a new group of data entry. Neural networks can learn and generalization by trial and error and continue to learn with little tolerance. Therefore, the aim of blocking the memorization of the network, but in this case is to ensure that the learning is done in a correct identification of different data entry. Therefore, the aim of blocking the memorization of the network is to ensure that learning. In this case, an accurate determination is made at different data entry. In this study, used normal and epileptic data are examined by performance analysis, ROC curve and confusion matrix.