IMPLEMENTASI ARSITEKTUR EFFICIENTNET-B1 UNTUK MENDETEKSI AUTISM SPECTRUM DISORDER (ASD) DAN NON-AUTISM SPECTRUM DISORDER (NON ASD) BERDASARKAN KARAKTERISTIK TULISAN TANGAN

Autism Spectrum Disorder (ASD) adalah gangguan perkembangan saraf yang memengaruhi komunikasi dan interaksi sosial. Deteksi dini sangat penting, namun metode konvensional masih terbatas karena memerlukan waktu lama, biaya tinggi, dan tenaga ahli. Penelitian ini mengembangkan sistem klasifikasi ASD dan Non-ASD berbasis deep learning menggunakan EfficientNet-B1 pada citra tulisan tangan anak usia 7–12 tahun (4800 gambar, split 70% latih, 15% validasi, 15% uji). Data diproses melalui resize 240x240, normalisasi, augmentasi, dan konversi ke tensor. Model dilatih dengan transfer learning, optimizer Adam, label smoothing, dan scheduler Cosine Annealing. Evaluasi menggunakan akurasi, presisi, recall, dan F1-score, menghasilkan akurasi validasi 98% dengan performa stabil. Hasil ini menunjukkan EfficientNet-B1 efektif sebagai metode deteksi dini ASD yang cepat, efisien, dan non-invasif melalui analisis tulisan tangan.