Electronic Theses and Dissertation

Deteksi dini autism spectrum disorder (asd) merupakan tantangan krusial dalam intervensi perkembangan anak. penelitian ini mengusulkan sebuah pendekatan deep learning untuk klasifikasi asd secara otomatis sebagai alat bantu skrining yang objektif. tujuan dari penelitian ini adalah untuk merancang dan mengevaluasi kinerja model convolutional neural network (cnn) vgg19 yang diadaptasi menggunakan pendekatan transfer learning.metodologi penelitian menggunakan representasi landmark wajah yang berfokus secara eksklusif pada area mata dan dahi melalui proses pra-pemrosesan dua-tahap menggunakan dlib dan mediapipe. model dilatih menggunakan dataset yang terdiri dari 1.238 citra dengan komposisi seimbang antara kelas asd dan non-asd. meskipun batas maksimal pelatihan ditetapkan sebanyak 150 epoch, sistem mencapai titik konvergensi optimal pada epoch ke-27 melalui mekanisme early stopping yang dipicu oleh kestabilan nilai validation loss.hasil pengujian pada data uji menunjukkan tingkat akurasi yang sangat tinggi sebesar 94,35% dengan nilai auc mencapai 0,9844. model juga menunjukkan performa yang seimbang dengan nilai f1-score sebesar 94,4% untuk kelas asd dan 94,3% untuk kelas normal. temuan ini membuktikan bahwa isolasi fitur geometris pada area mata dan dahi sangat efektif dalam mendeteksi pola asd, sehingga metode ini memiliki potensi besar untuk dikembangkan sebagai alat bantu skrining digital yang valid dan akurat bagi anak-anak.

Early detection of Autism Spectrum Disorder (ASD) is a crucial challenge in child development intervention. This study proposes a deep learning approach for automatic ASD classification as an objective screening tool. The aim of this study is to design and evaluate the performance of a VGG19 Convolutional Neural Network (CNN) model adapted using a transfer learning approach. The research methodology uses facial landmark representation that focuses exclusively on the eye and forehead areas through a two-stage preprocessing process using Dlib and MediaPipe. The model was trained using a dataset consisting of 1,238 images with a balanced composition between ASD and non-ASD classes. Although the maximum training limit was set at 150 epochs, the system reached an optimal convergence point at the 27th epoch through an Early Stopping mechanism triggered by the stability of the validation loss value. The test results on the test data showed a very high accuracy rate of 94.35% with an AUC value of 0.9844. The model also demonstrated balanced performance, with an F1-score of 94.4% for the ASD class and 94.3% for the normal class. These findings demonstrate that isolating geometric features in the eye and forehead areas is highly effective in detecting ASD patterns, thus offering significant potential for development as a valid and accurate digital screening tool for children.