Electronic Theses and Dissertation

Austism specturm disorder (asd) merupakan gangguan perkembangan saraf yang mempengaruhi sistem sensorik, kognitif, dan motorik seseorang dan perlu dideteksi sejak dini untuk mendapatkan penanganan lebih lanjut secara cepat. penelitian ini bertujuan untuk menganalisis penggunaan metode thresholding pada model support vector machine (svm) dan membandingkannya dengan model cnn menggunakan arsitektur efficentnetb3, dalam mengklasifikasikan tulisan tangan anak kedalam dua kategori: asd dan normal. dataset yang digunakan terdiri dari 4.815 citra tulisan tangan, yang kemudian akan diproses melalui tahapan preprocessing, meliputi segmentasi, augmentasi data (rotasi, flip, zoom, brightness) dan ekstraksi fitur dengan histogram of oriented gradient (hog) serta reduksi fitur dengan principal component analysis (pca) yang diterapkan pada model svm. model efficientnetb3 diimplementasikan menggunakan pretrained weights dari imagenet dengan seluruh lapisan backbone dibekukan, sehingga proses pelatihan hanya dilakukan pada lapisan tambahan yang dibangun diatasnya. hasil menunjukkan bahwa model svm memberikan performa akurasi sebesar 75,70%. efficientnetb3 mencapai akurasi 83,49%, sehingga memberikan performa yang jauh lebih baik dibandingkan svm, dengan nilai loss sebesar 4,4%. hasil ini mengindikasikan bahwa model cnn efficientnetb3 lebih layak digunakan untuk diimplementasikan pada sistem klasifikasi tulisan tangan anak dalam mendukung skrining awal terhadap anak asd secara lebih efektif dan efisien.

Austism Specturm Disorder (ASD) is a neurodevelopmental disorder that affects a person’s sensory, cognitive, and motor systems and needs to be detected eearly to receive further treatment quickly. This study aims to analyze the use of the thresholding method in the Support vector Machine (SVM) model and compare it with the CNN model using the EfficientNetB3 architecture, in classifying children’s handwriting into two categories: ASD and Normal. The dataset consists of 4,815 handwritten images, which will the be processed through preprocessing stages, incuding segmentation, data augmentation (rotation, flip, zoom, brightness) and feature extraction with Histogram of Oriented Gradient (HOG) as well as feature reduction with Proncipal Componenet Analyisis (PCA) apllied to the SVM model. The EffiecientNetB3 model was implemented using pretrained weights from ImageNet, with all backbone layers frozen, allowing training only on the additional layes built on top. Results showed that the SVM model achieved an accuracy of 75.70%. EfficientNetB3 achieved an accuracy of 83.49%, significantly outperforming the SVM, wih a loss of 4.4%. These result indicate that the EfficientNetB3 CNN model is more suitable for implementation in a child’s handwriting classification system to support early screening of ASD children more effectively and efficiently.