Electronic Theses and Dissertation

Elektroensefalografi (eeg) adalah teknik non-invasif yang digunakan untuk merekam aktivitas listrik sel saraf di otak. penggunaan eeg umum dalam diagnosis autism spectrum disorder (asd), yang biasanya melibatkan observasi berbagai indikator fisik dan perilaku. penelitian ini bertujuan untuk mengembangkan algoritma deteksi asd dengan mengekstraksi fitur eeg dari visualisasi spasial citra topografi eeg heatmap menggunakan efficientnetv2s dan convnext-tiny. preprocessing dataset sinyal eeg dilakukan menggunakan pemrograman python, mencakup pembacaan sinyal eeg, filtering noise, dan sinyal slicing dengan overlap menghasilkan dataset 4248. penelitian ini berhasil membangun model yang mampu mendeteksi autisme pada citra topografi eeg heatmap menggunakan arsitektur efficientnetv2s dengan learning rate 0.00001 menghasilkan performa yang stabil dan efektif tanpa indikasi overfitting, dapat ditinjau pada parameter evaluasi model yaitu accuracy mencapai 99.29%, precision 99%, recall 99%, dan f1-score 99%. untuk convnext-tiny hasil terbaik pada learning rate 0.0001 yaitu accuracy mencapai 99.29%, precision 99%, recall 99%, dan f1-score 99%. pada tahap pengujian menggunakan test set, model ini menunjukkan kemampuan generalisasi yang baik dengan akurasi 99.97% untuk kategori autisme dan 99.74% untuk kategori normal. temuan ini menunjukkan bahwa metode yang digunakan efektif dalam mendeteksi asd, memberikan peluang besar dalam deteksi dini autisme secara lebih akurat sehingga membantu penderitanya mendapatkan penanganan lebih cepat dan tepat. kata kunci: asd, elektroensefalografi, topografi-heatmap, efficientnetv2s, convnext-tiny

Electroencephalography (EEG) is a non-invasive technique used to record the electrical activity of nerve cells in the brain. The use of EEG is common in the diagnosis of Autism Spectrum Disorder (ASD), which typically involves observing various physical and behavioral indicators. This study aims to develop an ASD detection algorithm by extracting EEG features from spatial visualization of EEG heatmap topography images using EfficientNetV2S and ConvNeXt-Tiny. Preprocessing of the EEG signal dataset was carried out using Python programming, including reading EEG signals, filtering noise, and slicing signals with overlap resulting in a dataset of 4248. This study succeeded in building a model capable of detecting autism in EEG heatmap topography images using the EfficientNetV2S architecture with a learning rate of 0.00001 producing stable and effective performance without indications of overfitting, which can be reviewed in the model evaluation parameters, namely accuracy reaching 99.29%, precision 99%, recall 99%, and F1-Score 99%. For ConvNeXt-Tiny, the best results at a learning rate of 0.0001 were accuracy reaching 99.29%, precision 99%, recall 99%, and F1-Score 99%. During testing with the test set, the model demonstrated good generalization ability with an accuracy of 99.97% for the autism category and 99.74% for the normal category. These findings indicate that the method used is effective in detecting ASD, providing significant opportunities for early and accurate autism detection, thereby helping individuals receive faster and more appropriate treatment. Keyword: ASD, Electroencephalography, Topography-Heatmap, EfficientNetV2S, ConvNeXt-Tiny