Penerapan Teknik Stacking untuk Optimasi Deteksi Dini Anak Autis berbasis Support Vector Machine

Abstract

Autisme tidak sulit dideteksi, tetapi membutuhkan banyak pembelajaran dan pelatihan bagi dokter untuk mendeteksinya. Saat ini ASD dideteksi dengan memahami perilaku dan aktivitas intelektual seorang anak. Diagnosis ini bisa subjektif, memakan waktu, tidak meyakinkan, tidak memberikan wawasan yang tepat tentang genetika dan tidak cocok untuk deteksi dini. Metode Pembelajaran Mesin (Machine Learning) dapat membuat perubahan yang relevan untuk mempercepat proses. Diketahui bahwa intervensi dini merupakan kunci untuk memperbaiki anak autis. Jelas mempercepat waktu diagnosis bahkan lebih penting dalam kasus Autisme. Teknologi big data dan pembelajaran mesin dapat membuat kemajuan besar untuk memprediksi dan mempercepat proses diagnosis dan pengobatan yang kompleks dan memakan waktu. Sistem pembelajaran mesin dapat dikembangkan untuk memanfaatkan sejumlah besar data kesehatan dan medis yang tersedia untuk pemodelan prediktif dan analisis prediktif. Dalam makalah ini, perbandingan dari beberapa teknik dan model pembelajaran mesin akan diuji dan dianalisis. Pada penelitian ini diusulkan penerapan teknik stacking untuk prediksi adanya ASD. Hasil penelitian menunjukkan bahwa penerapan teknik stacking dapat meningkatkan kinerja model prediksi pada diagnosa ASD.Autism is not difficult to detect, but it takes a lot of learning and training for doctors to detect it. Currently ASD is detected by understanding the behavior and intellectual activity of a child. This diagnosis can be subjective, time consuming, inconclusive, does not provide precise insight into genetics and is not suitable for early detection. Machine Learning Methods can make relevant changes to speed up the process. It is known that early intervention is the key to improving children with autism. Obviously speeding up the diagnosis time is even more important in the case of Autism. Big data and machine learning technologies can make major advances in predicting and accelerating the complex and time-consuming process of diagnosis and treatment. Machine learning systems can be developed to take advantage of the vast amount of health and medical data available for predictive modeling and predictive analysis. In this paper, a comparison of several machine learning techniques and models will be tested and analyzed. In this study, it is proposed to apply the stacking technique to predict the presence of ASD. The results showed that the application of the stacking technique could improve the performance of the predictive model in ASD diagnosis.