Electronic Theses and Dissertation

Abstrak- Autism Spectrum Disorder (ASD) dikenal dengan kelainan pada saraf otak sehingga cenderung mempengaruhi interaksi sosial, komunikasi dan perilaku serta tingkat fokus yang rendah. Sehingga semasa pertumbuhannya, ASD harus diberikan terapi untuk membantunya belajar berkomunikasi, berinteraksi sosial, dan memperoleh keterampilan hidup hingga beranjak dewasa. Perubahan frekuensi gelombang otak disebabkan suasana hati ASD yang berubah-ubah membuat pemberian terapi berdasarkan pengamatan visual kurang efektif. Sehingga penelitian ini bertujuan membangun sistem berbasis pemrograman python pada Raspberry Pi yang dikonfigurasikan dengan Blynk App yang dapat mengidentifikasi sinyal Electroensephalography (EEG) dari ASD dan memberikan rekomendasi terapi kepada terapis untuk membantu dalam memberikan terapi kepada ASD berdasarkan kondisi frekuensi gelombang otak ASD yang terdeteksi. Dalam penelitian ini digunakan dataset sekunder sinyal EEG sebanyak 11 sampel. Sinyal EEG diinterpretasikan menggunakan library BCI2kReader dan difilterisasi dari noise menggunakan Fast Fourier Transform (FFT). Hasil FFT diekstraksi fitur sinyal menggunakan Power Spectrum Density (PSD) dan periodogram Welch yang membagi segmen sinyal per 30 detik dari waktu rekaman. Berdasarkan hasil analisis salah satu sampel diperoleh hasil rata-rata PSD pada segmen pertama, kedua dan ketiga masing-masing senilai 55,0349 〖μV〗^2/Hz, 55,8791 〖μV〗^2/Hz dan 138,4144〖μV〗^2/Hz dengan nilai rata-rata frekuensi segmen pertama, kedua dan ketiga masing-masing diperoleh 7,4185 Hz, 7,4753 Hz dan 11,7650 Hz. Sehingga diperoleh pada segmen pertama dan kedua dengan status frekuensi Theta dengan rekomendasi terapi fisik/nutrisi dan pada segmen ketiga berstatus frekuensi Alpha dengan rekomendasi terapi perilaku, dan hasil akhir per segmen tersebut dikirimkan pada Blynk App.

Kata Kunci : ASD, Terapi, EEG, FFT, PSD.

Abstract- Autism Spectrum Disorder (ASD) is known as a disorder of the brain nerves that tends to affect social interaction, communication and behavior as well as a low level of focus. So that during its growth, ASD must be given therapy to help it learn to communicate, interact socially, and gain life skills until it grows up. Changes in brain wave frequency induced by ASD mood fluctuations make visual observation-based treatment less effective. So, the goal of this study is to create a python programming-based system on a Raspberry Pi configured with the Blynk App that can identify Electroencephalography (EEG) signals from ASD and provide therapeutic recommendations to therapists to help with ASD therapy based on the detected ASD brainwave frequency conditions. In this study, 11 samples of EEG signal secondary dataset were used. EEG signals are interpreted using the BCI2kReader library and filtered from noise using Fast Fourier Transform (FFT). The FFT results are extracted signal features using Power Spectrum Density (PSD) and Welch periodogram which divides signal segments per 30 seconds of recording time. Based on the analysis of one of the samples, the average PSD results for the first, second and third segments were 55.0349 〖μV〗^2/Hz, 55.8791 µ〖μV〗^2/Hz and 138.4144 〖μV〗^2/Hz with an average segment frequency value first, second and third respectively obtained 7.4185 Hz, 7.4753 Hz and 11.7650 Hz. So that the first and second segments were obtained with Theta frequency status with physical/nutritional therapy recommendations and in the third segment Alpha frequency status with behavioral therapy recommendations, and the final results per segment were sent to the Blynk App. Keywords: ASD, Therapy, EEG, FFT, PSD.