Imam Fathur Rahman Primary Author mixed material bibliography Banda Aceh Prog. Magister Teknik Elektro Unsyiah 2026

Theses

Abstrak - Klasifikasi Autism Spectrum Disorder (ASD) secara akurat dan andal dari electroencephalography (EEG) masih menantang karena karakteristik sinyal EEG yang nonstasioner dan bersifat multikanal. Penelitian ini mengusulkan pipeline deep learning yang ringkas dengan mengintegrasikan Multivariate Empirical Wavelet Transform (MEWT) untuk ekstraksi fitur multikanal yang selaras secara spektral, serta EEGNet untuk klasifikasi ASD berbasis EEG. Performa dievaluasi menggunakan 5-fold cross-validation. Model MEWT–EEGNet yang diusulkan mencapai akurasi uji rata-rata 98,35%, dengan nilai precision 98,23%, recall 98,45%, F1-score 98,34%, dan specificity 98,24% yang konsisten tinggi pada seluruh fold. Hasil confusion matrix menunjukkan jumlah false positive dan false negative yang sangat sedikit serta relatif seimbang, sehingga mendukung pemisahan yang stabil antara segmen EEG ASD dan kontrol. Dibandingkan benchmark studi sebelumnya pada dataset yang sama, metode MEWT dengan EEGNet (98,35%) meningkatkan performa sebesar 3,27% dibanding EWT dengan EEGNet (95,08%) dan 0,36% dibanding EMD dengan EEGNet (97,99%), sehingga MEWT terbukti memberikan kontribusi positif dalam meningkatkan konsistensi representasi multikanal untuk dipelajari EEGNet. Temuan ini mengindikasikan bahwa fitur multikanal berbasis MEWT sesuai untuk arsitektur konvolusional yang ringkas dalam analisis EEG untuk ASD. Kata kunci: Electroencephalography, Autism Spectrum Disorder, MEWT, EEGNet   0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1708073 2026-01-13 15:25:41 2026-01-13 15:46:56 machine generated