Mendiagnosis disleksia pada anak-anak adalah proses kompleks yang secara tradisional mengandalkan penilaian subjektif dan evaluasi ahli. Namun, kemajuan terbaru dalam teknologi dan pembelajaran mesin telah memperkenalkan metode inovatif yang menjanjikan diagnosis yang lebih akurat dan efisien. Metode ini memanfaatkan berbagai jenis data, termasuk pelacakan mata, sinyal EEG, dan rekaman audio, dianalisis melalui algoritma canggih untuk mengidentifikasi pola disleksia. Pendekatan ini tidak hanya meningkatkan akurasi diagnostik tetapi juga memfasilitasi intervensi dini, yang sangat penting untuk dukungan pendidikan yang efektif.
Pelacakan Mata dan Jaringan Saraf
- Teknologi pelacakan mata, dikombinasikan dengan model pembelajaran mendalam seperti LSTM dan jaringan transformator konvolusi, telah menunjukkan akurasi tinggi dalam mendiagnosis disleksia. Metode-metode ini melacak lintasan spatio-temporal perhatian anak selama tugas membaca, menyediakan alat diagnostik non-invasif dan bebas stres. Jaringan LSTM mencapai akurasi 97,7% dalam mendeteksi disleksia, sehingga cocok untuk diagnosis dini di lingkungan sekolah (Gomółka et al., 2024). Demikian pula, jaringan transformator konvolusi mencapai akurasi mutakhir 98,21% dalam mengklasifikasikan anak-anak disleksia, menyoroti potensinya sebagai alat skrining di lingkungan pendidikan (Li et al., 2024).
EEG dan Pembelajaran Mesin
- Metode berbasis EEG memanfaatkan data aktivitas otak untuk mendiagnosis disleksia. Dengan menganalisis sinyal EEG dari pita frekuensi yang berbeda, model seperti Revised ResNet18 telah menunjukkan akurasi klasifikasi yang tinggi, mengungguli metode tradisional. Pendekatan ini memberikan ukuran langsung aktivitas neurologis yang terkait dengan disleksia, menawarkan alat diagnostik yang kuat (Cura et al., 2024). Selain itu, model LSTM telah digunakan untuk memproses sinyal EEG, mencapai akurasi rata-rata 99,3% untuk pelatihan dan 86,2% untuk pengujian, menunjukkan efektivitasnya dalam membedakan anak-anak disleksia dari anak-anak non-disleksika (Hanafi et al., 2023).
Analisis Audio dan Spektrogram
- Diagnostik berbasis audio melibatkan transformasi rekaman ucapan menjadi spektrogram, yang kemudian dianalisis menggunakan jaringan saraf konvolusional (CNN). Metode ini telah terbukti efektif, dengan CNN secara akurat mengidentifikasi individu disleksia dengan mengekstraksi fitur diskriminatif dari data audio. Pendekatan ini tidak hanya meningkatkan akurasi diagnostik tetapi juga memberikan penilaian yang lebih objektif dibandingkan dengan metode tradisional (Hussein et al., 2024). Sebuah studi serupa menggunakan catatan audio Turki menunjukkan akurasi 95,63% dalam mendeteksi disleksia, menunjukkan potensi analisis audio dalam konteks linguistik yang beragam (Taş et al., 2023).
Model Pembelajaran Mesin
- Berbagai model pembelajaran mesin, termasuk Pohon Keputusan, K-Nearest Neighbors (KNN), dan Random Forest, telah digunakan untuk mendiagnosis disleksia. Model-model ini menganalisis berbagai fitur, seperti akurasi membaca dan kesadaran fonologis, untuk mengklasifikasikan anak-anak sebagai disleksia atau non-disleksia. Model Pohon Keputusan, misalnya, mencapai tingkat presisi hingga 92,31% untuk anak-anak yang rentan disleksia, sementara KNN menunjukkan akurasi keseluruhan 94,00% (Kurniawan & Tiaharyadini, 2024). Model ansambel menggunakan XGBoost lebih meningkatkan akurasi diagnostik menjadi 98,7%, menunjukkan potensi pendekatan pembelajaran mesin terintegrasi (Mulakaluri & Shivappa, 2024).
Meskipun metode diagnostik canggih ini menawarkan hasil yang menjanjikan, penting untuk mempertimbangkan tantangan dan keterbatasan yang terkait dengan penerapannya. Penilaian tradisional, terlepas dari subjektivitas mereka, memberikan wawasan berharga tentang kemampuan kognitif dan linguistik anak, yang mungkin tidak sepenuhnya ditangkap oleh sistem otomatis. Selain itu, aksesibilitas dan biaya teknologi ini dapat menjadi hambatan untuk adopsi secara luas, terutama di lingkungan pendidikan yang kekurangan sumber daya. Oleh karena itu, pendekatan seimbang yang menggabungkan metode diagnostik tradisional dan modern mungkin paling efektif dalam mengidentifikasi dan mendukung anak-anak dengan disleksia secara akurat.
