Electronic Theses and Dissertation

Autism spectrum disorder (asd) merupakan gangguan perkembangan saraf yang evaluasi klinisnya hingga saat ini masih didominasi oleh observasi perilaku subjektif. sinyal electroencephalography (eeg) berpotensi menjadi alat deteksi yang objektif, namun evaluasi arsitektur deep learning dan ansambel machine learning dalam mengklasifikasikan data eeg sering terkendala oleh dataset yang terbatas. kebaruan penelitian ini terletak pada evaluasi kinerja model secara head to-head yang diintegrasikan dengan ekstraksi fitur fundamental untuk mencegah kebocoran data (data leakage). penelitian ini bertujuan untuk mengevaluasi efektivitas variational mode decomposition (vmd) dalam mengekstraksi fitur sinyal, serta mengevaluasi dan membandingkan kinerja klasifikasi antara temporal convolutional network (tcn) dan algoritma extreme gradient boosting (xgboost). data direkam dari 18 subjek (9 asd, 9 neurotipikal) menggunakan perangkat openbci cyton 16-channel. sinyal diproses melalui bandpass filter, disegmentasi, dan didekomposisi melalui vmd menjadi matriks spasial-temporal. evaluasi model dilakukan menggunakan skema subject-wise balanced 9-fold cross-validation. hasil penelitian menunjukkan kedua model mencapai kinerja keseluruhan yang setara secara statistik. tcn memperoleh rata-rata akurasi 96,41% dan f1-score 96,37%, sedangkan xgboost mencapai akurasi 96,37% dan f1-score 96,40%. berdasarkan uji statistik, tcn terbukti memiliki keunggulan yang signifikan pada metrik presisi, menjadikannya sangat spesifik dalam meminimalisir diagnosis positif palsu. sebaliknya, xgboost menunjukkan keunggulan praktis yang kuat pada metrik sensitivitas (recall), yang sangat krusial untuk mencegah kegagalan deteksi (negatif palsu). berdasarkan hasil tersebut, xgboost direkomendasikan sebagai sistem skrining awal untuk memastikan tidak ada penderita autisme yang terlewat, sedangkan tcn lebih optimal digunakan sebagai alat diagnosis lanjutan untuk memastikan individu neurotipikal tidak salah didiagnosis sebagai autis.

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder whose clinical evaluation is currently still dominated by subjective behavioral observation. Electroencephalography (EEG) signals have the potential to serve as an objective detection tool, yet the evaluation of Deep Learning architectures and Machine Learning ensembles in classifying EEG data is often constrained by limited datasets. The novelty of this research lies in the head-to-head performance evaluation of the models integrated with fundamental feature extraction to prevent data leakage. This study aims to evaluate the effectiveness of Variational Mode Decomposition (VMD) in extracting signal features, as well as to evaluate and compare the classification performance between Temporal Convolutional Network (TCN) and eXtreme Gradient Boosting (XGBoost) algorithms on a limited dataset. Data were recorded from 18 subjects (9 ASD, 9 Neurotypical) using a 16-channel OpenBCI Cyton device. The signals were processed through a Bandpass Filter, segmented, and decomposed using VMD into a spatial-temporal matrix. Model evaluation was conducted using a Subject-Wise Balanced 9-Fold Cross-Validation scheme. The results showed that both models achieved statistically equivalent overall performance. TCN obtained an average accuracy of 96.41% and an F1 Score of 96.37%, while XGBoost achieved an accuracy of 96.37% and an F1-Score of 96.40%. Based on statistical tests, TCN demonstrated a significant advantage in the precision metric, making it highly specific in minimizing false positive diagnoses. Conversely, XGBoost showed a strong practical advantage in the sensitivity (recall) metric, which is crucial for preventing detection failure (false negatives). Based on these results, XGBoost is recommended as an early screening system to ensure no autistic individuals are missed, while TCN is more optimally used as an advanced diagnostic tool to ensure neurotypical individuals are not falsely diagnosed with autism.