Tidak ada review pada koleksi ini: 46224
Nama : Intan Nurma Yulita Program Studi : Ilmu Komputer Judul : Metode FastConvolutional untuk Mendeteksi Fase Tidur Penyandang Autisme Pembimbing : Prof. Aniati Murni Arymurthy, Ir., M.Sc., Dr. Dr. Eng. Mohammad Ivan Fanany, S.Si, M.Sc.
Kurangnya melatonin pada anak-anak dengan Autisme menyebabkan mereka sulit tidur dibandingkan dengan anak-anak lain. Sebagian besar dari mereka juga mengalami insomnia. Namun, mereka memiliki kelemahan dalam fungsi sosial. Itu membuat mereka sulit untuk mengkomunikasikan masalah tersebut. Akibatnya, masalah gangguan tidur ini meningkatkan perilaku menyimpang anak-anak dengan autisme. Polisomnografi menjadi salah satu alternatif yang dapat dilakukan untuk mendiagnosis gangguan tidur mereka. Mekanisme ini digunakan untuk mengidentifikasi pola tidur pasien saat tidur. Pola ini diperoleh oleh dokter atau praktisi kesehatan dengan menggunakan proses penilaian, yang memakan waktu. Untuk mengatasi masalah ini, kami mengembangkan sistem yang dapat secara otomatis mengklasifikasikan tahap tidur. Penelitian ini juga mengusulkan metode baru untuk klasifikasi tahap tidur, yang disebut metode FasConvolutional. Metode yang diusulkan dievaluasi terhadap tiga dataset tidur. Dataset pertama melibatkan tujuh responden autisme. Dataset pertama dan kedua dikumpulkan di Rumah Sakit Mitra Keluarga Kemayoran, Indonesia. Data kedua dicatat dari sepuluh responden sehat. Dataset ketiga diperoleh dari physionet.org, pusat data sinyal fisiologis. Dua puluh lima pasien yang memiliki gangguan tidur berpartisipasi dalam pengumpulan data ini. Berdasarkan penelitian yang telah dilakukan, FastConvolutional memiliki kinerja terbaik dibandingkan dengan semua classifier untuk dataset Autisme. F-measure -nya adalah 51,33%. Namun dalam dataset kedua, sequence based classifier lebih unggul daripada FastConvolutional. Pada dataset ketiga, F-measure dari FastConvolutional lebih tinggi dari DBN HMM. Metode ini hanya membutuhkan 42,58 detik, itu kurang dari DBN HMM. Metode FastConvolutional bekerja dengan baik pada dataset yang diuji. Metode ini mencapai hasil dengan F-measure yang tinggi dan running time yang efisien. Dengan demikian, metode ini dapat menjadi classifier yang menjanjikan untuk klasifikasi tahap tidur.
Kata kunci: Polisomnografi, FastConvolutional, Klasifikasi, Tahap Tidur, Autisme