Informasi Lainnya
Abstraksi
Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang memengaruhi kemampuan komunikasi, interaksi sosial, dan perilaku anak sejak usia dini. Keterlambatan deteksi ASD pada usia toddler dapat menghambat efektivitas intervensi awal. Penelitian ini memanfaatkan data kuesioner perilaku anak sebagai masukan untuk menghasilkan keluaran berupa klasifikasi risiko ASD.<br />
Deteksi dini ASD masih menghadapi tantangan berupa variasi karakteristik data dan rendahnya interpretabilitas model prediksi. Model yang akurat namun tidak dapat dijelaskan berpotensi sulit diterapkan dalam konteks klinis dan pengambilan keputusan.<br />
Penelitian ini mengembangkan model klasifikasi berbasis Extreme Gradient Boosting (XGBoost) pada tiga dataset toddler yang berbeda. Tahapan penelitian meliputi sanity checks, data cleaning, label encoding, pembagian data, serta penanganan ketidakseimbangan kelas menggunakan SMOTE pada dataset tertentu. Evaluasi dilakukan menggunakan validasi silang 5-fold dan metrik akurasi, presisi, recall, dan F1-score. Interpretabilitas model dianalisis menggunakan pendekatan SHapley Additive exPlanations (SHAP).<br />
Hasil menunjukkan bahwa model XGBoost mencapai performa tinggi pada dataset tertentu dan menunjukkan variasi kinerja antar dataset. Analisis SHAP mengidentifikasi fitur perilaku tertentu sebagai indikator paling berpengaruh dalam deteksi dini ASD.<br />
<strong>Kata Kunci</strong>: Autism Spectrum Disorder, Deteksi Dini, XGBoost, Machine Learning, SHAP.
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
