Penerapan Klasifikasi Random Forest Terhadap Data Gangguan Spektrum Autisme (ASD) Pada Anak – Anak Menggunakan Seleksi Fitur Principal Component Analysis

Abstract

Autistic Spectrum Disorder (ASD) merupakan gangguan perkembangan fungsi otak yang kompleks dan sangat bervariasi. Kelainan ini secara signifikan berpengaruh terhadap komunikasi verbal, non-verbal serta interaksi sosial. Gejala umum gangguan ini biasanya akan terlihat pada anak-anak mulai sejak usia dua tahun. Tujuan penelitian ini untuk menerapkan metode seleksi fitur Principal Component Analysis (PCA) pada data penelitian Autistic Spectrum Disorder Screening Data for Children Data Set yang diperoleh dari University of California Irvine (UCI) Machine Learning Data Repository dimana PCA berfungsi untuk mereduksi dimensi data dari dataset serta mengklasifikasikannya menggunakan pemodelan klasifikasi Random Forest. Selain itu, untuk mengetahui bagaimana hasil evaluasi  (confusion matrix) serta bagaimana perbedaan yang terdapat pada hasil evaluasi tersebut terhadap dataset yang menggunakan metode seleksi fitur Principal Component Analysis (PCA) dengan yang tidak menggunakan metode tersebut. Evaluasi dari hasil penelitian yang melalui seleksi fitur PCA yaitu menghasilkan nilai akurasi sebesar 98%, precision sebesar 96%, recall sebesar 100% dan specificity sebesar 96%. Sedangkan hasil evaluasi yang tanpa melalui proses PCA menghasilkan nilai akurasi sebesar 91%, precision sebesar 92%, recall sebesar 84% dan specificity sebesar 100%.