EVALUASI PERBANDINGAN METODE OPTIMASI SVM MENGGUNAKAN PCA, PSO DAN GRIDSEARCH UNTUK KLASIFIKASI AUTISM SPECTRUM DISORDER

Nisa, Aura Choirun (2025) EVALUASI PERBANDINGAN METODE OPTIMASI SVM MENGGUNAKAN PCA, PSO DAN GRIDSEARCH UNTUK KLASIFIKASI AUTISM SPECTRUM DISORDER. Undergraduate thesis, UPN Veteran Jawa TimuR.

	Text (Cover) 21081010173_COVER.pdf Download (1MB)
	Text (Bab 1) 21081010173_BAB 1.pdf Download (108kB)
	Text (Bab 2) 21081010173_BAB 2.pdf Restricted to Repository staff only until 27 May 2027. Download (304kB)
	Text (Bab 3) 21081010173_BAB 3.pdf Restricted to Repository staff only until 27 May 2027. Download (503kB)
	Text (Bab 4) 21081010173_BAB 4.pdf Restricted to Repository staff only until 27 May 2027. Download (1MB)
	Text (Bab 5) 21081010173_BAB 5.pdf Download (120kB)
	Text (Daftar Pustaka) 21081010173_DAFTAR PUSTAKA.pdf Download (148kB)

Abstract

Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang memengaruhi kemampuan individu dalam berinteraksi sosial dan berkomunikasi. Gejala yang ditunjukkan oleh individu dengan autisme sering kali menunjukan perilaku berbeda dari norma umum, dan dengan tanpanya deteksi secepatnya, kondisi ini bisa berdampak negatif terhadap kesejahteraan dan kemampuan adaptasi mereka dalam kehidupan sehari-hari. Oleh karena itu, penting untuk mengembangkan metode identifikasi risiko autisme secara cepat dan akurat. Penelitian ini berfokus pada pembangunan sistem klasifikasi risiko ASD untuk tiga kelompok usia—anak-anak, remaja, dan dewasa—dengan memanfaatkan algoritma Support Vector Machine (SVM). Untuk meningkatkan akurasi dan efisiensi model, penelitian ini mengintegrasikan tiga pendekatan utama: Principal Component Analysis (PCA) untuk mengurangi kompleksitas fitur dalam data, serta dua teknik optimasi parameter yaitu Particle Swarm Optimization (PSO) dan Gridsearch. Model SVM yang dioptimasi menggunakan Gridsearch tanpa penerapan PCA mampu memberikan hasil terbaik. Model ini mencatatkan akurasi sebesar 98,2% dan skor AUC sebesar 0,997 pada rasio pembagian data latih dan uji sebesar 80:20. Selain itu, Gridsearch menunjukkan keunggulan dalam efisiensi komputasi dibandingkan dengan PSO dengan waktu komputasi hanya selama 10-20 detik. Hasil penelitian menunjukkan bahwa kombinasi SVM dan Gridsearch menghasilkan kinerja yang unggul dalam deteksi dini autisme secara akurat dan efisien.

Item Type:

Thesis (Undergraduate)

Contributors: