Pendeteksian Autisme Berbasis Citra Digital Menggunakan Metode CNN dan LBP

DONI TAN HERO, Afiahayati, S.Kom., M.Cs., Ph.D

2022 | Skripsi | S1 ILMU KOMPUTER

Autisme (Autism Spectrum Disorder) menjadi salah satu gangguan yang menyerang perkembangan anak dan ada di setiap negara dengan jumlah yang tidak sedikit. Pendeteksian autisme umumnya membutuhkan bantuan dokter untuk diagnosis. Namun, metode ini membutuhkan waktu serta biaya yang tidak sedikit karena perlu melihat gejala-gejala pada anak secara langsung. Di sisi lain, teknologi terus berkembang terutama dalam Deep Learning. Para ahli telah memanfaatkan berbagai metode Deep Learning dengan berbagai dataset yang dan yang paling efektif adalah citra digital. Citra digital terutama gambar wajah dapat digunakan sebagai dataset karena pada wajah penderita autisme terdapat biomarker yakni peningkatan orbital hyptertelorism dan penurunan facial midline. CNN merupakan salah satu metode yang dapat digunakan untuk mengolah dataset citra digital. Namun, CNN memiliki beberapa kekurangan yaitu kebutuhan dataset yang tinggi, masalah overfitting, dan waktu eksekusi yang lama. Penelitian ini mencoba untuk mengoptimalkan CNN dari sisi waktu eksekusi. Hal yang dilakukan adalah dengan menerapkan LBP pada dataset sehingga menghasilkan suatu feature map yang menjadi dataset baru. Dataset ini kemudian digunakan untuk melatih CNN. Dengan menggunakan feature map CNN akan lebih mudah mengekstraksi fitur-fitur yang ada di dalamnya. Walaupun waktu eksekusi berkurang, peneliti tetap menjaga stabilitas akurasi dari hasil pembelajaran dengan dataset LBP agar tidak terlalu berbeda jauh dengan akurasi pembelajaran dengan dataset normal. Hasil yang didapatkan adalah dataset LBP membutuhkan waktu training yang lebih baik dibandingkan dataset normal di mana dataset LBP hanya membutuhkan waktu 1643 detik sedangkan dataset normal membutuhkan waktu 1823 detik dalam 60 epoch. Akurasi yang didapatkan oleh dataset LBP adalah sebesar 81.67% dan dataset normal sebesar 80.33%. Namun hal ini tidak mengindikasikan bahwa dataset LBP dapat memiliki akurasi yang lebih baik secara pasti karena dalam beberapa percobaan dataset normal juga dapat memiliki akurasi yang lebih baik tetapi akurasi yang dihasilkan masih tetap stabil. Dari penelitian ini dapat diketahui bahwa penerapan LBP pada dataset untuk pembelajaran CNN terbukti dapat mengurangi waktu training dengan tetap menghasilkan akurasi yang stabil

ASD( Autism Spectrum Disorder) is a mental disorder that interfere with child development and its exist in every country with a large number. Autism detection generally need a doctor for diagnosis. But, this method need a lot of time and expensive because they need to look up the symptoms on the child directly. On the other hand, the technology continues to evolve especially in Deep Learning. Some experts have utilized various Deep Learning method with various dataset, the most effective is digital image. Digital images, especially facial images can be used as a dataset because the faces of people with autism have biomarkers, an increase in orbital hypertelorism and a decrease in facial midline. CNN is one of the method that can be used to process digital image datasets. However, CNN have several disadvantages such as high dataset requirements, overfitting problem, and long execution time. This research tries to optimize CNN in terms of execution time. What is done is to applying LBP to the dataset to produce a feature map which becomes a new dataset. This dataset is then used to train the CNN. By using the CNN feature map, it will be easier to extract the features in it. Even though the execution time is reduced, the researcher still maintain the stability of the accuracy of the learning outcomes with the LBP dataset so that it is not too different from the learning accuracy with the normal dataset The results obtained are the LBP dataset have a better training time than the normal dataset where the LBP dataset only takes 1643 seconds while the normal dataset takes 1823 seconds in 60 epochs. The accuracy obtained by the LBP dataset is 81.67% and the normal dataset is 80.33%. However, this does not indicate that the LBP dataset can have better accuracy for sure because in some experiments the normal dataset can also have better accuracy but the resulting accuracy remains stable. From this study, it can be seen that the application of LBP to datasets for CNN learning has been shown to reduce training time while still producing stable accuracy.

Kata Kunci : Autisme, Convolutional Neural Network (CNN), Local Binary Pattern (LBP), waktu eksekusi, feature map, stabilitas akurasi