Electronic Theses and Dissertation

Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan
saraf yang memengaruhi kemampuan komunikasi, interaksi sosial, serta memicu
perilaku repetitif pada individu yang mengalaminya. Salah satu pendekatan yang
dapat digunakan untuk mendiagnosis ASD adalah electroencephalography (EEG),
yang merekam aktivitas kelistrikan otak melalui elektroda yang ditempatkan pada
kulit kepala. Sinyal EEG memiliki karakteristik yang kompleks dan rentan terhadap
gangguan atau artefak, sehingga memerlukan metode ekstraksi fitur yang efektif
agar informasi yang relevan dapat diperoleh secara optimal. Penelitian ini
membandingkan dua metode ekstraksi fitur pada sinyal EEG penyandang ASD,
yaitu Empirical Mode Decomposition (EMD) dan Empirical Wavelet Transform
(EWT). Hasil penelitian menunjukkan bahwa EMD mampu menurunkan artefak
dan gangguan secara signifikan, terutama saat menggunakan lima Intrinsic Mode
Function (IMF) pertama sebagai dasar rekonstruksi sinyal. Metode ini
menunjukkan performa terbaik dalam aspek kejernihan sinyal, dengan nilai rata
rata Signal to Noise Ratio (SNR) sebesar 21,7677 dB, yang secara signifikan lebih
tinggi dibandingkan metode lainnya. EWT menunjukkan keunggulan dalam aspek
akurasi rekonstruksi sinyal, ditunjukkan oleh nilai rata-rata Mean Absolute Error
(MAE) sebesar 0,5284 μV dan Mean Square Error (MSE) sebesar 0,5056 μV²,
yang lebih rendah dibandingkan EMD. Hal ini menunjukkan bahwa EWT lebih
mampu mempertahankan bentuk asli sinyal EEG dengan kesalahan minimum.
Secara umum, EWT lebih tepat digunakan bila fokus utama adalah
mempertahankan bentuk sinyal EEG secara akurat, sedangkan EMD lebih cocok
untuk meningkatkan kejernihan sinyal dan mengurangi noise secara agresif.

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects communication skills, social interactions, and triggers repetitive behavior in individuals who experience it. One approach that can be used to diagnose ASD is electroencephalography (EEG), which records the brain's electrical activity through electrodes placed on the scalp. EEG signals have complex characteristics and are susceptible to interference or artifacts, so they require an effective feature extraction method so that relevant information can be obtained optimally. This study compares two feature extraction methods on EEG signals of people with ASD, namely Empirical Mode Decomposition (EMD) and Empirical Wavelet Transform (EWT). The results showed that EMD was able to significantly reduce artifacts and interference, especially when using the first five Intrinsic Mode Functions (IMF) as the basis for signal reconstruction. This method showed the best performance in terms of signal clarity, with an average Signal to Noise Ratio (SNR) value of 21.7677 dB, which was significantly higher than other methods. EWT shows superiority in terms of signal reconstruction accuracy, indicated by the average Mean Absolute Error (MAE) of 0.5284 μV and Mean Square Error (MSE) of 0.5056 μV², which are lower than EMD. This indicates that EWT is more capable of maintaining the original shape of the EEG signal with minimum error. In general, EWT is more appropriate when the main focus is to maintain the shape of the EEG signal accurately, while EMD is more suitable for improving signal clarity and reducing noise aggressively.