Apa Saja Metode Yang Digunakan Untuk Mendiagnosis Autisme Pada Anak?

Mendiagnosis autisme pada anak-anak melibatkan berbagai metode, mulai dari penilaian klinis tradisional hingga pembelajaran mesin canggih dan teknik pembelajaran mendalam. Kompleksitas Autism Spectrum Disorder (ASD) memerlukan pendekatan yang beragam untuk memastikan diagnosis yang akurat dan tepat waktu, yang sangat penting untuk intervensi yang efektif. Penelitian terbaru telah mengeksplorasi beberapa metode inovatif untuk meningkatkan proses diagnostik, memanfaatkan data biologis dan perilaku.

Metode Klinis Tradisional

• Penilaian Perilaku: Metode tradisional terutama bergantung pada pengamatan klinis dan penilaian perilaku, yang subjektif dan memakan waktu. Metode-metode ini sering tidak memiliki indikator biologis objektif, membuatnya kurang dapat diandalkan untuk diagnosis dini (Li et al., 2024) (Liu et al., 2024).
• Tes Klinis: Ini termasuk wawancara terstruktur dan tes standar yang dilakukan oleh profesional kesehatan untuk mengevaluasi pola sosial, komunikatif, dan perilaku yang menunjukkan ASD (Sallibi & Alheeti, 2023).

Pembelajaran Mesin dan Kecerdasan Buatan

• Pembelajaran Terawasi dan Tanpa Pengawasan: Teknik pembelajaran mesin (ML), termasuk pembelajaran yang diawasi dan tanpa pengawasan, telah digunakan untuk meningkatkan akurasi diagnostik. Metode-metode ini membutuhkan kumpulan data yang besar dan beragam dan menekankan pentingnya validasi silang dan interpretabilitas (Sridevi et al., 2024).
• Model Pembelajaran Menahan: Jaringan Saraf Konvolusional (CNN) dan model pembelajaran mendalam lainnya telah menunjukkan akurasi tinggi dalam mendeteksi ASD. Misalnya, model CNN mencapai akurasi 98,76% dalam satu penelitian, menyoroti potensi pembelajaran mendalam dalam diagnosis ASD (Reddy et al., 2025).
• AI yang Dapat Dijelaskan: Integrasi AI yang dapat dijelaskan (XAI) dengan model ML meningkatkan transparansi dan kepercayaan di antara dokter dengan menjelaskan bagaimana fitur spesifik mempengaruhi prediksi diagnostik (Jeon et al., 2024).

Teknik Neuroimaging

• Analisis EEG dan Spektrogram: Elektroensefalografi (EEG) digunakan untuk menganalisis aktivitas otak, dengan teknik ML diterapkan pada gambar spektrogram yang berasal dari sinyal EEG. Pendekatan ini menawarkan metode non-invasif dan hemat biaya untuk diagnosis ASD, mencapai akurasi 92,7% dengan pengklasifikasi K-Nearest Neighbor (kNN) (Lekshmylal et al., 2024) (Li et al., 2024).
• MRI dan fMRI: Data MRI struktural dan fungsional digunakan untuk mengidentifikasi indikator konektivitas anatomi dan fungsional ASD. Metode ini, dikombinasikan dengan ML dan teknik pengenalan pola, telah menunjukkan akurasi tinggi tetapi menghadapi tantangan dalam generalisasi (Liu et al., 2024) (Khan et al., 2024).

Analisis Fitur Wajah

• Fitur Wajah Statis: Menganalisis fitur wajah statis menggunakan CNN pra-terlatih telah muncul sebagai alat diagnostik non-invasif. Model seperti Xception telah menunjukkan hasil yang menjanjikan, dengan AUC 96,63%, menunjukkan potensi analisis wajah pada deteksi ASD awal (Deepanjali et al., 2025).

Meskipun metode canggih ini menawarkan peningkatan yang signifikan dalam akurasi dan efisiensi diagnostik, metode ini juga menghadirkan tantangan seperti kebutuhan akan kumpulan data yang besar dan potensi untuk overfitting. Selain itu, integrasi teknologi ini ke dalam praktik klinis membutuhkan pertimbangan yang cermat dari implikasi etika dan praktis. Terlepas dari tantangan ini, pengembangan dan validasi berkelanjutan dari metode ini menjanjikan diagnosis ASD yang lebih objektif dan dapat diakses di masa depan.