Electronic Theses and Dissertation

Autism spectrum disorder (asd) merupakan suatu gangguan pada syaraf otak yang mempengaruhi perkembangan kemampuan seorang anak. untuk mendeteksi kondisi neurologis pada asd dapat dilakukan menggunakan electroencephalograph (eeg) dengan sistem pemrosesan sinyal eeg dalam mengambil informasi tertentu. pada penelitian ini dilakukan pengolahan sinyal eeg pada anak asd menggunakan ekstraksi fitur dengan continuous wavelet transform (cwt) dan klasifikasi dengan support vector machine (svm). pengkombinasian metode klasifikasi sinyal ini dapat meningkatkan kinerja sistem dalam klasifikasi sinyal eeg asd pada penelitian sebelumnya. implementasi penelitian ini nantinya dapat membantu dalam mendeteksi sinyal eeg asd berdasarkan karakteristik gelombang otak. pada penelitian ini sinyal eeg diklasifikasi dengan dua skenario yaitu klasifikasi koefisien cwt dan klasifikasi fitur statistik dari cwt. hasil dari penerapan cwt dan svm menghasilkan klasifikasi terbaik berbasis koefisien cwt didapatkan akurasi sebesar 95% lebih tinggi jika dibandingkan dengan klasifikasi berbasis fitur statistik dari cwt yang memperoleh akurasi sebesar 65%. kata kunci : autism spectrum disorder (asd), continuous wavelet transform (cwt), electroencephalograph (eeg), support vector machine (svm).

Autism Spectrum Disorder (ASD) is a disorder of the nerves of the brain that affects the development of a child's abilities. To detect neurological conditions in ASD can be done using an Electroencephalograph (EEG) with an EEG signal processing system in retrieving certain information. In this study, EEG signal processing in ASD children was carried out using feature extraction with Continuous Wavelet Transform (CWT) and classification with Support Vector Machine (SVM). The combination of these signal classification methods can improve system performance in the classification of EEG ASD signals in previous studies. The implementation of this research can later assist in detecting ASD EEG signals based on brain wave characteristics. In this study, the EEG signal was classified in two scenarios, namely the classification of the CWT coefficients and the classification of statistical features of the CWT. The results of the application of CWT and SVM resulted in the best classification based on the CWT coefficient, which obtained an accuracy of 95% higher when compared to the statistical featurebased classification of the CWT which obtained an accuracy of 65%. Keywords : Autism Spectrum Disorder (ASD), Continuous Wavelet Transform (CWT), Electroencephalograph (EEG), Support Vector Machine (SVM)