ANALISIS KOMPARATIF MODEL DEEP LEARNING PRETRAINED UNTUK DETEKSI DINI AUTISME PADA ANAK BERBASIS CITRA WAJAH

Fadhila, Arvi Rizqi (2026) ANALISIS KOMPARATIF MODEL DEEP LEARNING PRETRAINED UNTUK DETEKSI DINI AUTISME PADA ANAK BERBASIS CITRA WAJAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER - ABSTRAK)
COVER.pdf - Published Version
Download (2MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (271kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (575kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (1MB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (1MB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (127kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version
Restricted to Registered users only
Download (175kB)
[img] Archive (SOURCE CODE)
Sourcecode - 22.11.4693.zip
Restricted to Repository staff only
Download (6MB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (700kB)

Abstract

Autism Spectrum Disorder (ASD) adalah gangguan perkembangan saraf yang memerlukan deteksi dini untuk intervensi yang efektif. Penelitian ini mengevaluasi kinerja dan efektivitas arsitektur ringan MobileViTv2 dalam klasifikasi ASD berbasis cintra wajah. Selain itu, dengan membandingkan dataset default (dataset asli) dan dataset yang dipotong (fokus pada ROI wajah), penelitian ini menganalisis dampak strategi preprocessing. Metode penelitian menggunakan kerangka eksperimental yang terdiri dari tiga fase. Pertama, pelatihan dasar; kedua, optimasi hyperparameter menggunakan framework Optuna dengan penyempurnaan parsial; dan ketiga, evaluasi akhir menggunakan Peningkatan Waktu Tes (TTA). 2.940 gambar wajah anak dengan pembagian stratified 70:15:15 digunakan. Akurasi, sensitivitas, spesifisitas, dan analisis efisiensi komputasi mendukung evaluasi dengan metrik AUC sebagai indikator utama. Hasil penelitian menunjukkan bahwa MobileViTv2 adalah model terbaik dengan nilai AUC tertinggi sebesar 0,9575 dan akurasi tertinggi sebesar 0,9002. Dengan parameter ±5,8 juta dan ukuran model ±41 MB, MobileViTv2 mengungguli EfficientNetV2-S dan MobileNetV3-Large. Untuk menjaga keseimbangan antara sensitivitas dan spesifisitas selama proses preprocessing, penggunaan sampel default secara konsisten lebih baik daripada sampel cropped. Hasilnya menunjukkan bahwa konteks wajah utuh memberi model informasi visual yang lebih kaya. MobileViTv2 sangat cocok untuk digunakan sebagai sistem skrining awal ASD pada perangkat mobile karena efisiensi dan akurasi yang tinggi.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Sunyoto, Andi
Uncontrolled Keywords: Autism Spectrum Disorder, MobileViTv2, Deep learning, Lightweight model, Preprocessing, AUC, Test-Time Augmentation.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 21 Jul 2026 02:53
Last Modified: 21 Jul 2026 02:53
URI: http://eprints.amikom.ac.id/id/eprint/32264

Actions (login required)

View Item View Item