Article Per Year (5 Year)
p-Index From 2020 - 2025
1.203
P-Index
This Author published in this journals
All Journal RISTEK : Jurnal Riset, Inovasi, dan Teknologi Kabupaten Batang Jurnal Riset Sistem Informasi dan Teknologi Informasi (JURSISTEKNI) Jurnal Litbang Kota Pekalongan RISTEK: Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang JSITP IC Tech: Majalah Ilmiah Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi
Aidjili, Mosses
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Health Professions Law, Crime, Criminology & Criminal Justice Public Health Social Sciences Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi

 1 
Diagnosa Awal Autisme pada Anak dengan Algoritma Machine Learning Taryadi; Yunianto, Era; Aidjili, Mosses
Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi Vol. 4 No. 2 (2025)
Publisher : Department of Informatics Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/snati.v4.i2.40317

Abstract

Gangguan spektrum autisme adalah kondisi neurologis yang ditandai dengan gangguan kemampuan komunikasi, keterasingan sosial, dan perilaku repetitif pada individu. Organisasi kesehatan global menghadapi kesulitan dalam membangun sistem diagnostik ASD yang efektif yang memfasilitasi analisis yang tepat dan prediksi autisme dini. Penelitian ini menyajikan pendekatan untuk prediksi dini anak-anak dengan ASD dengan memanfaatkan variabel signifikan melalui metode pembelajaran mesin. Data set terdiri dari kasus ASD sebanyak 1250 data dimana diambil 5 variabel yang sangat efektif untuk menghiutng koefisien korelasi pearson yaitu: jenis kelamin, keterlambatan bisaca, penyakit kuning, gangguan genetik dan riwatat keluarga. Analisis dataset mengunakan lima teknik Machine Learning yaitu: Naïve Bayes, K-Nearest Neighbor, Decision Tree, Support Vector Machine dan AdaBoostM1. Pengukuran akurasi, presisi, waktu prediksi, recall dan F1-score digunakan untuk menguji algoritma ML yang digunakan. Hasil pengujian menunjukkan bahwa metode Naïve Bayes dan K-Nearest Neighbor dengan tingkat akurasi sebesar 99,2% dan 96,3% dan waktu prediksi yang minimal sebesar 0,31 dan 0,46 detik. Sedangkan metode yang menunjukkan penurusan akurasi adalah Decision Tree dan AdaBoostM1 dengan masing-masing sebesar 95,8% dan 88,6%. Sedangkan kinerja paling rendah adalah metode Support Vector Machine dengan tingkat akurasi sebesar 81,2% dan waktu prediksi tertinggi sebesar 0,82 detik.
Co-Authors Agung Budijanto, Hari Budijanto, Hari Agung Chasanah, Tria Titiani Darmawan, Wachid Dewi, Alfa Yuliana efendi, Irfan Jumiati, Eny Mohammad Reza Maulana, Mohammad Reza Nur Fadhilah Sulistiyaningsih, Risky Taryadi Tory Ariyanto Wahyu Binabar, Sattriedi Wahyu Setianto, Wahyu Yunianto, Era