Electronic Theses and Dissertation

Neurodevelopmental adalah sebuah sindrom pada Autism Spectrum Disorder (ASD) dimana seseorang mengalami gangguan pada saraf kranial sehingga berdampak pada kurangnya interaksi sosial, kemampuan berkomunikasi, serta penyampaian emosi. Akibat semakin berkembangnya zaman, pendeteksian ASD dapat dilakukan dengan memanfaatkan teknologi yang disebut dengan Elektroensefalogram (EEG). EEG akan memunculkan sinyal elektrik pada komputer melalui perangkat BCI sehingga dapat memudahkan proses diagnosis. Namun akibat bentuk sinyal EEG yang kompleks dan bervariasi terhadap waktu, sehingga dibutuhkan solusi lain seperti memanfaatkan skema machine learning untuk mengolah sinyal. Penelitian ini akan memanfaatkan EEG penyandang autis dan normal guna mendukung studi klasifikasi skema machine learning pada sindrom ASD. Metode Fisher Linear Discriminant Analysis (FLDA) merupakan salah satu teknik supervised learning yang digunakan untuk mengklasifikasikan sinyal EEG autis dan normal. Metode ini berfungsi sebagai reduksi dimensi sekaligus pengklasifikasian data dengan memanfaatkan fungsi within dan between. Pada beberapa penelitian, FLDA dapat menghasilkan akurasi diatas 85%. Metode FLDA akan dikombinasikan dengan metode Stationary Wavelet Transform (SWT) untuk mengekstraksi dan mentapis sinyal EEG dengan memanfaatkan fungsi threshold dan sampling melalui proses low dan high pass filter. Ektsraksi fitur SWT akan menghasilkan tiga atribut berupa komponen level 3, level 4, dan level 6 yang masing-masing merepresentasikan sinyal gama, beta, dan teta. Fitur-fitur tersebut digunakan sebagai parameter dalam menguji performa FLDA dalam mengklasifikasi atau memisahkan kelas secara efektif. Berdasarkan hasil penelitian, performa FLDA menghasilkan akurasi diatas 90% pada EEG autis dan normal. Namun, akurasi terbaik FLDA diperoleh sebesar 96% pada klasifikasi EEG normal dengan bantuan confusion matrix.

Neurodevelopmental is a syndrome in Autism Spectrum Disorder (ASD) where an individual experiences cranial nerve impairments, resulting in a lack of social interaction, communication abilities, and emotional regulation. With the advancement of technology, the detection of ASD can be done using a technology called Electroencephalogram (EEG). EEG generates electrical signals on a computer through a Brain-Computer Interface (BCI) device, facilitating the diagnostic process. However, due to the complex and time-varying nature of EEG signals, alternative solutions such as utilizing machine learning techniques are needed to process the signals. This study aims to utilize EEG data from individuals with autism and typically developing individuals to support the classification study using machine learning algorithms in ASD syndromes. Fisher Linear Discriminant Analysis (FLDA) is one of the supervised learning techniques used to classify autistic and normal EEG signals. This method serves as a dimensionality reduction and data classification technique by utilizing within-class and between-class functions. In several studies, FLDA has achieved accuracies above 85%. This method will be combined with the Stationary Wavelet Transform (SWT) method to extract and filter EEG signals using thresholding and sampling via low-pass and high-pass filters. Feature extraction using SWT will yield three attributes representing gamma, beta, and theta signals, respectively, at levels 3, 4, and 6. These features will be used as parameters to evaluate the performance of FLDA in effectively classifying or solving classes. Based on the research results, the performance of FLDA achieved accuracies above 90% for both autistic and normal EEG signals. However, the best accuracy of FLDA was obtained at 96% for classifying normal EEG signals with the assistance of the Confusion Matrix.