Electronic Theses and Dissertation

Deteksi dini autism spectrum disorder (asd) memainkan peran penting dalam memungkinkan intervensi tepat waktu yang dapat secara signifikan meningkatkan perkembangan kognitif dan sosial anak. metode diagnostik tradisional sering kali mengandalkan observasi klinis dan laporan dari orang tua, yang dapat bersifat subjektif dan menyebabkan keterlambatan diagnosis, terutama di daerah dengan akses terbatas ke spesialis. penelitian ini menyajikan sebuah aplikasi mobile berbasis flutter yang mengintegrasikan model deep learning langsung di perangkat (on-device) untuk mengklasifikasikan citra wajah anak autis dan non-autis. model klasifikasi dibangun menggunakan arsitektur mobilenetv3-small yang ringan dan dioptimalkan untuk inferensi waktu nyata pada perangkat mobile menggunakan tensorflow lite. dataset terdiri dari 600 citra wajah asli (300 autis dan 300 non-autis) yang dikumpulkan dari sekolah-sekolah di banda aceh, indonesia, dan diperluas menjadi 1.860 citra menggunakan teknik augmentasi seperti flipping, gaussian noise, dan penyesuaian kontras. model ini dilatih menggunakan transfer learning dan mencapai akurasi, presisi, recall, dan f1-score sebesar 97% pada data uji yang belum pernah dilihat sebelumnya. pengguna dapat mengunggah citra melalui kamera atau galeri, dengan hasil klasifikasi ditampilkan dalam waktu 1–2 detik dan disimpan di firebase untuk pelacakan riwayat. sistem yang diusulkan menawarkan alat skrining asd yang cepat, mudah diakses, dan hemat biaya, yang sangat bermanfaat di wilayah dengan sumber daya terbatas atau daerah terpencil. berbeda dengan banyak studi sebelumnya, penelitian ini menekankan eksekusi penuh di perangkat tanpa ketergantungan pada server, yang meningkatkan kecepatan dan privasi. namun, karena dataset dikumpulkan dari satu lokasi dengan keragaman demografis yang terbatas, validasi lebih lanjut pada dataset multi-lokasi diperlukan untuk memastikan generalisasi dan keadilan dalam penerapan di masa depan.

Early detection of Autism Spectrum Disorder (ASD) plays a crucial role in enabling timely interventions that can significantly improve a child's cognitive and social development. Traditional diagnostic methods often rely on clinical observations and parental reports, which can be subjective and lead to delayed diagnoses—especially in areas with limited access to specialists. This study presents a mobile application developed using Flutter that integrates an on-device deep learning model to classify facial images of autistic and non-autistic children. The classification model is built using the lightweight MobileNetV3-Small architecture, optimized for real-time inference on mobile devices through TensorFlow Lite. The dataset consists of 600 original facial images (300 autistic and 300 non-autistic) collected from schools in Banda Aceh, Indonesia, and was expanded to 1,860 images using augmentation techniques such as flipping, Gaussian noise, and contrast adjustment. The model was trained using transfer learning and achieved 97% accuracy, precision, recall, and F1-score on previously unseen test data. Users can upload images via the camera or gallery, with classification results displayed within 1–2 seconds and stored in Firebase for history tracking. The proposed system offers a fast, accessible, and cost-effective ASD screening tool, which is particularly beneficial in resource-limited or remote areas. Unlike many previous studies, this research emphasizes fully on-device execution without reliance on server infrastructure, thereby enhancing speed and privacy. However, as the dataset was collected from a single location with limited demographic diversity, further validation on multi-location datasets is necessary to ensure generalization and fairness in future applications.