Electronic Theses and Dissertation

Autism spectrum disorder (asd) adalah gangguan perkembangan saraf yang memengaruhi kemampuan anak dalam mengelola emosi, berinteraksi sosial, dan merespons lingkungan. tantangan utama dalam memantau kondisi fisiologis anak adalah terbatasnya ketersediaan metode observasi objektif yang sangat bergantung pada tenaga profesional kesehatan. salah satu pendekatan objektif yang potensial adalah menganalisis sinyal ecg. namun, sinyal ecg pada anak dengan asd umumnya memiliki noise yang tinggi karena gerakan tubuh selama perekaman, sehingga analisis manual dan metode konvensional menjadi sulit. studi ini bertujuan untuk mengembangkan sistem klasifikasi kondisi fisiologis anak dengan asd berdasarkan sinyal ecg, khususnya untuk membedakan antara keadaan tenang dan aktif. dataset terdiri dari 2000 sinyal kelas aktif dan 2000 sinyal kelas tenang. karena adanya noise pada sinyal ecg yang disebabkan oleh gerakan tubuh, sinyal ecg diproses menggunakan dwt untuk meningkatkan kualitas sinyal, dan kemudian diklasifikasikan menggunakan tiga algoritma machine learning yaitu svm (support vector machine), random forest, dan adaboost. kinerja setiap model dievaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. hasil evaluasi menunjukkan bahwa tanpa dwt, random forest mencapai akurasi tertinggi sebesar 91,00%, diikuti oleh svm sebesar 88,87%, dan adaboost sebesar 87,25%. sedangkan dengan menggunakan dwt, random forest mencapai akurasi tertinggi sebesar 93,75%, diikuti oleh svm sebesar 91,37%, dan adaboost sebesar 90,25%. hal ini menunjukkan bahwa dwt dapat menghasilkan kualitas sinyal yang lebih baik. berdasarkan hasil ini, random forest dipilih sebagai model yang paling optimal dan diintegrasikan ke dalam sistem berbasis web menggunakan streamlit. studi ini menunjukkan bahwa kombinasi dwt dan random forest efektif untuk mengklasifikasikan kondisi fisiologis anak autis dan berpotensi menjadi alat objektif untuk memantau mereka.

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects a child's ability to manage emotions, interact socially, and respond to the environment. The main challenge in monitoring a child's physiological condition is the limited availability of objective observation methods that rely heavily on healthcare professionals. One potential objective approach is to analyze ECG signals. However, ECG signals in children with ASD generally have a high level of noise due to body movements during recording, making manual analysis and conventional methods difficult. This study aims to develop a classification system for the physiological conditions of children with ASD based on ECG signals, specifically to distinguish between calm and active states. The dataset consists of 2000 active class signals and 2000 quiet class signals. Due to the presence of noise in the ECG signals caused by body movements, the ECG signals were processed using DWT to improve signal quality, and then classified using three machine learning algorithms, namely SVM (Support Vector Machine), Random Forest, and AdaBoost. The performance of each model was evaluated using accuracy, precision, recall, and F1-score metrics. The evaluation results showed that without DWT, Random Forest achieved the highest accuracy of 91.00%, followed by SVM at 88.87%, and AdaBoost at 87.25%. Meanwhile, using DWT, Random Forest achieved the highest accuracy of 93.75%, followed by SVM at 91.37%, and AdaBoost at 90.25%. This indicates that DWT can produce better signal quality. Based on these results, Random Forest was selected as the most optimal model and integrated into a web-based system using Streamlit. This study demonstrates that the combination of DWT and Random Forest is effective for classifying the physiological conditions of autistic children and has the potential to serve as an objective tool for monitoring them.