Electronic Theses and Dissertation

Abstrak - autism spectrum disorder (asd) merupakan gangguan perkembangan saraf yang memengaruhi interaksi sosial, komunikasi, dan perilaku individu. salah satu pendekatan non-invasif yang digunakan untuk mengamati aktivitas otak penderita asd adalah electroencephalography (eeg). namun, sinyal eeg mentah seringkali terkontaminasi oleh noise dan artefak, sehingga diperlukan proses pre-processing yang efektif untuk meningkatkan kualitas sinyal. penelitian ini membandingkan dua metode pre-processing, yaitu multiscale principal component analysis (ms-pca) dan multiscale independent component analysis (ms-ica), dalam membersihkan sinyal eeg dari gangguan. evaluasi performa dilakukan menggunakan tiga parameter, yaitu mean absolute error (mae), mean square error (mse), dan signal to noise ratio (snr). hasil menunjukkan bahwa ms-ica memiliki nilai mae lebih rendah sebesar 0,37 μv² dibandingkan ms-pca sebesar 0,56 μv², yang mengindikasikan kesalahan rata-rata yang lebih kecil. namun, ms-pca unggul pada aspek snr dan mse, dengan nilai snr sebesar 25,11 db dan mse sebesar 0,45 μv², menunjukkan kemampuannya dalam meningkatkan kejernihan sinyal dan menekan noise secara lebih konsisten. berdasarkan hasil tersebut, ms-pca lebih direkomendasikan untuk aplikasi yang membutuhkan sinyal eeg dengan kualitas tinggi, sedangkan ms-ica lebih cocok jika prioritas utama adalah mempertahankan bentuk sinyal asli dengan kesalahan minimum.

Abstract - Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects social interaction, communication, and behavior in individuals. One non-invasive approach used to observe brain activity in individuals with ASD is electroencephalography (EEG). However, raw EEG signals are often contaminated by noise and artifacts, necessitating effective pre-processing to improve signal quality. This study compares two pre-processing methods, Multiscale Principal Component Analysis (MS-PCA) and Multiscale Independent Component Analysis (MS-ICA), in cleaning EEG signals from disturbances. Performance evaluation was conducted using three parameters: Mean Absolute Error (MAE), Mean Square Error (MSE), and Signal to Noise Ratio (SNR). The results showed that MS-ICA had a lower MAE value of 0.37 μV² compared to MS-PCA at 0.56 μV², indicating smaller average errors. However, MS-PCA outperforms MS-ICA in terms of SNR and MSE, with an SNR value of 25.11 dB and an MSE value of 0.45 μV², demonstrating its ability to enhance signal clarity and suppress noise more consistently. Based on these results, MS-PCA is more recommended for applications requiring high-quality EEG signals, while MS-ICA is more suitable if the primary priority is to preserve the original signal shape with minimal error.