Face Recognition Berbasis Machine Learning Untuk Pendeteksian Tingkat Gangguan Autisme

Iin Darmiyati, Dr. Indah Soesanti, S.T., M.T ; Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE

2024 | Tesis | S2 Teknik Elektro

Autism Spectrum Disorder atau gangguan spektrum autisme saat ini dapat dideteksi menggunakan metode pengenalan wajah berbasis machine learning. Gangguan spektrum autisme adalah salah satu jenis gangguan mental yang dapat mempengaruhi keterampilan komunikasi, kemampuan bersosialisasi, dan perilaku anak. Gangguan spektrum autisme terbagi menjadi tiga tingkat keparahan, yaitu kategori ringan (level 1), kategori sedang (level 2), dan kategori berat (level 3).

Klasifikasi tingkat keparahan autisme serta deteksi dengan dan tanpa autisme menggunakan landmark wajah diproses lebih lanjut melalui analisis visual dan model machine learning. Klasifikasi ini memerlukan analisis visual dari landmark untuk menentukan atensi anak autis. Hasil klasifikasi kemudian dibandingkan dengan diagnosis profesional sebagai validasi.

Dalam pendeteksian autis dan non-autis, model dilatih menggunakan komparasi fitur jarak berupa jarak Euclidean, jarak Geodesic, jarak Cosine, dan jarak Mahalanobis. Proses deteksi dilakukan dengan membandingkan beberapa algoritma seperti Decision Tree, K-Nearest Neighbor, Random Forest, Logistic Regression, AdaBoost, Support Vector Machine, Extreme Gradient Boosting, dan Gradient Boosting untuk membedakan autis dan non-autis. Proses klasifikasi menggunakan model-model tersebut kemudian diuji validasi dan kinerjanya untuk mengetahui fitur terbaik melalui optimasi hyperparameter GridSearchCV.

Hasil penelitian ini menunjukkan bahwa program berhasil memberikan prediksi diagnosis yang dibandingkan dengan diagnosis profesional oleh dokter dan terapis dengan tingkat akurasi sebesar 85%. Ini merupakan inovasi dalam pengembangan penelitian diagnosis cerdas untuk autisme. Selain itu, diagnosis juga divalidasi menggunakan metode machine learning di mana didapatkan hasil bahwa XGBoost menghasilkan akurasi 93.1%, menunjukkan konsistensi yang baik dalam penggunaan metrik jarak. XGBoost juga menunjukkan kinerja yang stabil untuk kedua kelas (autis dan non-autis) dalam hal ketepatan, recall, dan skor F1, serta memiliki kemampuan untuk disesuaikan lebih lanjut melalui tuning hyperparameter. Tingkat akurasi yang tinggi ini membantu dalam proses pengenalan level autisme agar dapat dilakukan penanganan terapi yang lebih tepat.

Autism Spectrum Disorder can now be detected using machine learning-based facial recognition methods. Autism Spectrum Disorder is a type of mental disorder that can affect a child's communication skills, social abilities, and behavior. Autism spectrum disorders are divided into three levels of severity: mild (level 1), moderate (level 2), and severe (level 3).

The classification of autism severity, as well as the detection of individuals with and without autism using facial landmarks, is further processed through visual analysis and machine learning models. This classification requires visual analysis of the landmarks to determine the attention of autistic children. The classification results are then compared with professional diagnoses for validation.

In detecting autism and non-autism, the model is trained using a comparison of distance features, including Euclidean distance, geodesic distance, cosine distance, and Mahalanobis distance. The detection process is carried out by comparing several algorithms, such as Decision Tree, K-Nearest Neighbor, Random Forest, Logistic Regression, AdaBoost, Support Vector Machine, Extreme Gradient Boosting, and Gradient Boosting, to distinguish between autistic and non-autistic individuals. The classification process using these models is then tested for validation and performance to identify the best features through GridSearchCV hyperparameter optimization.

The results of this research show that the program successfully provides diagnostic predictions, which are compared with professional diagnoses by doctors and therapists, achieving an accuracy rate of 85%. This represents an innovation in the development of intelligent diagnostic research for autism. Additionally, the diagnosis was validated using machine learning methods, where it was found that XGBoost produced an accuracy of 93.1%, demonstrating good consistency in the use of distance metrics. XGBoost also shows stable performance for both classes (autistic and non-autistic) in terms of precision, recall, and F1 score, and has the potential for further customization through hyperparameter tuning. This high level of accuracy assists in the process of recognizing the severity of autism, enabling more appropriate therapeutic interventions.

Kata Kunci : Autism Spectrum Disorder, Pendeteksian Wajah, Probabilitas Pandangan, Jarak Euclidean, Jarak Geodesik, Jarak Mahalanobis, Jarak Cosine, Pembelajaran Mesin, Optimasi Hyperparameter GridSearchCV