PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK ANALISIS DAN DETEKSI GANGGUAN SPEKTRUM AUTISME DISORDER

Penulis

  • Taryadi Taryadi STMIK Widya Pratama
  • Era Yunianto STMIK Widya Pratama

DOI:

https://doi.org/10.47775/ictech.v17i2.259

Abstrak

Autism Spectrum Disorder (ASD) merupakan gangguan saraf dimana seseorang memilki efek seumur hidup pada interaksi dan komunikasi dengan orang lain. Autisme dapat didiagnosis pada setiap tahap dalam satu kehidupan karena dalam dua tahun pertama kehidupan gejala autisme biasa muncul. Gejala ASD muncul dimulai pada masa kanak-kanak dan terus berlanjut hingga remaja dan dewasa. Didorong dengan meningkatnya penggunaan teknik pembelajaran mesin dalam dimensi penelitian diagnosis medis, dalam makalah ini ada upaya untuk mengeksplorasi kemungkinan penggunaan Naïve Bayes, Regresi Logistik, Support Vector Machine, Neural Network, KNN dan Convolutional Neural Network untuk memprediksi dan menganalisis masalah ASD pada anak, remaja, dan orang dewasa. Teknik yang diusulkan dievaluasi pada tiga set data ASD non-klinis yang tersedia untuk umum. Dataset pertama terkait skrining ASD pada anak memiliki 292 instance dan 21 atribut. Dataset kedua yang terkait dengan skrining ASD Subjek dewasa berisi total 704 kejadian dan 21 atribut. Dataset ketiga terkait skrining ASD pada subjek Remaja terdiri dari 104 kejadian dan 21 atribut. Setelah menerapkan berbagai teknik pembelajaran mesin dan menangani nilai yang hilang, hasil prediksi dengan model berbasis Convolutional Neural Network memilki tingkat kinerja dan akurasi yang lebih baik yaitu sebesar 99,53% untuk deteksi ASD pada dewasa, 98,30% untuk deteksi ASD pada anak-anak dan 96,88% untuk deteksi pada Remaja.

Referensi

F. Thabtah, Machine learning Autistic spectrum diorder reseac. 2018, Informatics for Health and Social Care.

Vaishali, R., dan R. Sasikala. A machine learning based approach to classify Autism with optimum behaviour sets. 2018. International Journal of Engineering & Technology.

F. Thabtah, F. Kamalov, dan K. Rajab. 2018. Computational intelligence approach to detect autistic features for autism screening. 2018. International journal of medical informatics.

J.N. Constantino, P. D. Lavesser, Y. I. Zhang, A. M. Abbacchi, T. Gray, dan R.D. Todd. Rapid quantitative assessment of autistic social impairment by classroom teachers. 2017. Journal of the American Academy of Child & Adolescent Psychiatry.

D. Bone, M.S. Goodwin, M.P. Black, Chi-Chun Lee, K.Audhkhasi, dan S.Narayanan. Applying machine learning to facilitate autism diagnostics: pitfalls and promises. 2015. Journal of autism and developmental disorders 45(5).

B. Li, A. Sharma, J. Meng, S. Purushwalkam, dan E. Gowen. Applying machine learning to identify autistic adults using imitation: An exploratory study. 2017 PloS one, 12(8).

D.P. Wall, J. Kosmicki, T. F. Deluca, E. Harstad, dan V.A. Fusaro. Use of machine learning to shorten observation- based screening and diagnosis of autism. 2012. Translational psychiatry.

D. Bone, C.C. Lee, M.P. Black, M.E. Williams, S. Lee, P. Levitt, dan S. Narayanan. The psychologist as an interlocutor in autism spectrum disorder assessment: Insights from a study of spontaneous prosody. 2014. Journal of Speech, Language, and Hearing Research.

F. Thabtah. Autistic Spectrum Disorder Screening Data for Adult. 2017. https://archive.ics.uci.edu/ml/machine-learning- databases/00426/.

J. A. Kosmicki, V. Sochat, M. Duda, dan D. P. Wall. Searching for a minimal set of behaviors for autism detection through feature selection-based machine learning. 2015. Translational psychiatry, 5(2).

S. Masood, A. Rai, A. Aggarwal, M.N. Doja, dan M.Ahmad. Detecting distraction of drivers using convolutional neural network. 2018. Pattern Recognition Letters.

Unduhan

Diterbitkan

2022-10-30