Electronic Theses and Dissertation

Abstrak - Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan
sistem saraf yang selama ini diidentifikasi melalui observasi perilaku dan
wawancara klinis, yang bersifat subjektif dan memerlukan waktu lama. Penelitian
ini bertujuan merancang model klasifikasi menggunakan Graph Convolutional
Networ k (GCN) berdasarkan sinyal Electroencephalogram (EEG) yang telah
dikonversi ke dalam bentuk citra heatmap untuk merepresentasikan aktivitas otak
secara visual. Guna memperkaya data pelatihan, digunakan metode Generative
Adversarial Network (GAN) untuk menghasilkan citra sintetis tambahan. Proses
klasifikasi dilakukan dengan pendekatan GCN, yang mampu memanfaatkan
hubungan spasial antar piksel pada citra EEG untuk membedakan individu dengan
ASD dan individu non-ASD. Hasil pengujian menunjukkan bahwa model GCN
yang dilatih dengan data tambahan dari GAN (learning rate 0.0005) memberikan
hasil evaluasi yang lebih tinggi dibandingkan model yang hanya menggunakan data
asli. Model dengan data tambahan GAN mencapai akurasi sebesar 94,37%, presisi
94,42%, spesifisitas 91,63%, recall 94,37%, dan F1-score 94,36%. Sementara itu,
model dengan data asli menghasilkan akurasi 93,90%, presisi 93,92%, spesifisitas
89,65%, recall 93,90%, dan F1-score 93,89%. Temuan ini menunjukkan bahwa
penerapan metode GAN dalam proses augmentasi data mendukung kinerja model
GCN dalam klasifikasi ASD secara lebih objektif dan akurat.

Abstract - Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that is traditionally diagnosed through behavioral observation and clinical interviews, which are often subjective and time-consuming. This study aims to develop a classification model using a Graph Convolutional Network (GCN) based on Electroencephalogram (EEG) signals that have been transformed into heatmap images to visually represent brain activity. To enhance the training data, a Generative Adversarial Network (GAN) is employed to generate additional synthetic EEG images. The classification process leverages GCN's ability to capture spatial relationships between pixels in EEG heatmaps to distinguish individuals with ASD from those without. Experimental results indicate that the GCN model trained with augmented data from GAN (using a learning rate of 0.0005) outperforms the model trained solely on original data. The GCN with GAN augmented data achieved an accuracy of 94.37%, precision of 94.42%, specificity of 91.63%, recall of 94.37%, and an F1-score of 94.36%. In comparison, the model without data augmentation reached an accuracy of 93.90%, precision of 93.92%, specificity of 89.65%, recall of 93.90%, and an F1-score of 93.89%. These findings demonstrate that incorporating GAN-based data augmentation enhances the performance and reliability of GCN in ASD classification.