Electronic Theses and Dissertation

Deteksi Gangguan Spektrum Autisme (ASD) pada anak-anak sangat penting untuk intervensi dini, namun metode diagnostik tradisional mungkin terbukti tidak efisien atau tidak dapat diakses. Penelitian ini mengusulkan pendekatan baru yang memanfaatkan gambar termal wajah anak-anak untuk klasifikasi ASD. Kontribusi penelitian ini terletak pada pengembangan model baru untuk klasifikasi citra termal dalam diagnosis ASD, dengan memanfaatkan kumpulan data yang ada. Penelitian sebelumnya menganjurkan penggunaan pencitraan termal karena tidak bergantung pada intensitas cahaya. Selain itu, penelitian ini berpotensi memajukan metode non-invasif dan membantu dokter mengambil keputusan yang lebih akurat. Metodologi ini melibatkan pengembangan model pengenalan gambar menggunakan arsitektur ResNet (ResNet-18, ResNet-34, dan ResNet-50) dengan kecepatan pembelajaran yang bervariasi sebesar 0,01, 0,001, dan 0,0001. Dataset terdiri dari 2.550 gambar termal wajah yang dibagi menjadi set pelatihan, validasi, dan pengujian. Hasilnya menunjukkan bahwa ResNet-18 mencapai akurasi terendah sebesar 94,71% dengan learning rate 0,01, sedangkan ResNet-50 dengan learning rate 0,0001 mencapai akurasi tertinggi sebesar 99,22%, yang dianggap berhasil dalam menunjukkan seberapa tepat model tersebut dalam mengklasifikasikan data dengan benar, presisi sebesar 99,61% menggambarkan hasil autisme yang benar, sedangkan sensitivitas sebesar 98,82% mengukur kemampuan model dalam mengidentifikasi seluruh kasus autisme yang sebenarnya, spesifisitas sebesar 99,61% menunjukkan kemampuan model dalam mengidentifikasi seluruh kasus normal yang sebenarnya. Kesimpulannya, perbedaan lapisan arsitektur ResNet dan learning rate dapat berdampak signifikan terhadap akurasi dalam mengklasifikasikan ASD dari citra wajah termal anak-anak

Detecting Autism Spectrum Disorders (ASD) in children is critical for early intervention, but traditional diagnostic methods may prove inefficient or inaccessible. This study proposes a novel approach that utilizes thermal images of children's faces for ASD classification. The contribution of this research lies in the development of a new model for thermal image classification in ASD diagnosis, utilizing existing data sets. Previous research advocates the use of thermal imaging because it does not depend on light intensity. Additionally, this research has the potential to advance non-invasive methods and help doctors make more accurate decisions. This methodology involves developing image recognition models using ResNet architectures (ResNet-18, ResNet-34, and ResNet-50) with varying learning rates of 0.01, 0.001, and 0.0001. The dataset consists of 2,550 facial thermal images divided into training, validation, and test sets. The results show that ResNet-18 achieved the lowest accuracy of 94.71% with a learning rate of 0.01, while ResNet-50 with a learning rate of 0.0001 achieved the highest accuracy of 99.22%, which is considered successful in showing how precisely the model is in classifying data. correctly, precision of 99.61% describes the proportion of correct autism results, while sensitivity of 98.82% measures the model's ability to identify all actual autism cases, specificity of 99.61% shows the model's ability to identify all actual normal cases. In conclusion, differences in ResNet architectural layers and learning rates can have a significant impact on accuracy in classifying ASD from children's thermal images.