Electronic Theses and Dissertation

Abstrak - Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan neurobiologis yang berdampak pada kemampuan komunikasi, interaksi sosial, serta sering disertai perilaku repetitif dan restriktif. Salah satu pendekatan yang digunakan dalam mendeteksi dan menganalisis ASD adalah electroencephalography (EEG), yaitu teknik non invasif yang merekam aktivitas listrik otak melalui elektroda yang ditempatkan pada kulit kepala. Meskipun EEG memiliki potensi besar dalam mengungkap disfungsi neurologis yang terkait dengan ASD, kompleksitas dan sifat nonstasioner dari sinyal EEG menuntut penerapan metode ekstraksi fitur yang efektif untuk memperoleh representasi karakteristik sinyal secara optimal. Penelitian ini bertujuan untuk membandingkan kinerja dua metode ekstraksi fitur, yaitu Variational Mode Decomposition (VMD) dan Dynamic Mode Decomposition (DMD), dalam menganalisis sinyal EEG pada individu dengan ASD. Kedua metode ini diterapkan untuk mendekomposisi sinyal EEG menjadi komponen-komponen signifikan yang merepresentasikan pola neurofisiologis khas pada penyandang ASD. Berdasarkan hasil evaluasi kuantitatif, DMD menunjukkan performa yang lebih unggul dibandingkan VMD, dengan rata-rata nilai MAE sebesar 0,17 μV², MSE sebesar 0,17 μV², dan SNR sebesar 32,05 dB. Sebaliknya, VMD menghasilkan nilai MAE sebesar 0,4 μV², MSE sebesar 0,48 μV², dan SNR sebesar 27,14 dB. Hasil tersebut mengindikasikan bahwa DMD lebih efektif dalam mengekstraksi fitur relevan dari sinyal EEG untuk mendukung analisis lebih lanjut pada kelompok ASD.

Abstract - Autism Spectrum Disorder (ASD) is a neurobiological developmental disorder that affects communication skills, social interactions, and is often accompanied by repetitive and restrictive behaviors. One approach used in detecting and analyzing ASD is electroencephalography (EEG), a non invasive technique that records the brain's electrical activity through electrodes placed on the scalp. Although EEG has great potential in revealing neurological dysfunctions associated with ASD, the complexity and non stationary nature of EEG signals require the application of effective feature extraction methods to obtain optimal representation of signal characteristics. This study aims to compare the performance of two feature extraction methods, namely Variational Mode Decomposition (VMD) and Dynamic Mode Decomposition (DMD), in analyzing EEG signals in individuals with ASD. Both methods are applied to decompose EEG signals into significant components that represent typical neurophysiological patterns in people with ASD. Based on the quantitative evaluation results, DMD showed superior performance compared to VMD, with an average MAE value of 0,17 μV², MSE of 0,17 μV², and SNR of 32,05 dB. In contrast, VMD produced an MAE value of 0,4 μV², MSE of 0,48 μV², and SNR of 27,14 dB. These results indicate that DMD is more effective in extracting relevant features from EEG signals to support further analysis in the ASD group.