Electronic Theses and Dissertation

Diagnosis dini autism spectrum disorder (asd) secara konvensional seringkali subjektif dan memakan waktu. penelitian ini bertujuan untuk mengembangkan sistem skrining objektif menggunakan teknologi deep learning dengan memanfaatkan dismorfisme wajah sebagai biomarker. inovasi utama yang diusulkan adalah integrasi segmentasi fitur wajah kunci (mata, hidung, mulut) menggunakan algoritma dlib dengan mekanisme atensi convolutional block attention module (cbam) pada arsitektur resnet-50. segmentasi region of interest (roi) berlatar abu-abu netral diterapkan untuk mengeliminasi gangguan latar belakang, sehingga modul cbam dapat memfokuskan ekstraksi fitur pada area anatomis yang relevan. pengujian dilakukan menggunakan dataset piosenka dan dataset gabungan. hasil evaluasi pada dataset gabungan skala masif menunjukkan bahwa model resnet-50 + cbam dengan masukan roi mencapai akurasi sebesar 96,60% dan nilai auc-roc sebesar 0.9908. validasi kualitatif menggunakan grad-cam membuktikan bahwa model secara presisi memusatkan perhatian pada fitur periorbital dan bukal/oral tanpa terdistraksi oleh latar belakang. sistem yang dikembangkan ini terbukti sangat andal dan telah diimplementasikan dalam bentuk prototipe web (face-cbam dx) untuk memfasilitasi skrining awal asd yang lebih akurat, cepat, dan non-invasif bagi tenaga medis. kata kunci: autism spectrum disorder, convolutional neural network, resnet-50, cbam, segmentasi wajah, grad-cam

Conventional early diagnosis of Autism Spectrum Disorder (ASD) is often subjective and time-consuming. This research aims to develop an objective screening system using Deep Learning technology by utilizing facial dysmorphology as a biomarker. The proposed main innovation is the integration of key facial feature segmentation (eyes, nose, mouth) using the Dlib algorithm with the Convolutional Block Attention Module (CBAM) attention mechanism on the ResNet-50 architecture. A neutral gray background Region of Interest (ROI) segmentation is applied to eliminate background noise, enabling the CBAM module to focus feature extraction on relevant anatomical areas. Testing was conducted using the Piosenka Dataset and a Full Combined Dataset. Evaluation results on the Full Combined Dataset's massive scale showed that the ResNet-50 + CBAM model with ROI input achieved an accuracy of 96.60% and an AUC-ROC value of 0.9908. Qualitative validation using Grad-CAM proved that the model precisely focuses on the periorbital and buccal/oral features without being distracted by the background. This developed system is proven to be highly reliable and has been implemented as a web prototype (FACE-CBAM DX) to facilitate a more accurate, fast, and non-invasive early ASD screening for medical professionals. Keywords: Autism Spectrum Disorder, Convolutional Neural Network, ResNet-50, CBAM, Face Segmentation, Grad-CAM