Klasifikasi Sinyal EEG untuk Deteksi Autism Spectrum Disorder (ASD) Menggunakan Wavelet Transform dan Convolutional Neural Network

Abstract

Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf dengan jumlah kasus yang terus meningkat dan berdampak besar terhadap kehidupan penderitanya. Diagnosis ASD saat ini masih banyak bergantung pada penilaian perilaku dan evaluasi klinis sehingga cenderung subjektif. Untuk mendukung deteksi yang lebih objektif, penelitian ini mengusulkan metode deteksi ASD berbasis sinyal Electroencephalogram (EEG) menggunakan kombinasi wavelet transform, Shannon entropy, dan Convolutional Neural Network (CNN). Data yang digunakan merupakan data EEG sekunder dari King Abdulaziz University yang melibatkan 16 subjek, terdiri atas 11 subjek ASD dan 5 subjek non ASD. Pada tahap praproses, berkas rekaman EEG yang berasal dari subjek yang sama terlebih dahulu digabungkan menjadi satu data EEG, kemudian dilakukan penerapan high-pass filter, notch filter, dan Common Average Reference (CAR). Selanjutnya, artefak dipisahkan menggunakan ICA Extended Infomax yang divalidasi dengan ICLabel. Sinyal yang telah bersih disegmentasi dan didekomposisi ke dalam beberapa sub-band frekuensi menggunakan wavelet transform. Shannon entropy kemudian digunakan untuk mengekstraksi kompleksitas sinyal sebagai fitur numerik utama bagi model CNN. Berdasarkan pengujian menggunakan stratified 5-fold cross validation, metode yang diusulkan memperoleh rata-rata akurasi pengujian sebesar 93,55% dengan standar deviasi 2,10%. Hasil tersebut menunjukkan kemampuan model yang baik dalam membedakan kelas ASD dan non-ASD serta berpotensi menjadi alat bantu objektif untuk identifikasi autisme sejak dini.