Mengenali autisme pada anak melibatkan mengidentifikasi penanda perilaku, neurologis, dan fisiologis spesifik yang membedakan anak-anak autis dari teman sebaya yang biasanya berkembang. Berbagai metode telah dikembangkan untuk membantu deteksi dini autisme, memanfaatkan teknik pengamatan tradisional dan pendekatan teknologi canggih. Metode ini bertujuan untuk memberikan diagnosis tepat waktu dan akurat, yang sangat penting untuk intervensi dan dukungan yang efektif.
Indikator Perilaku dan Neurologis
- Ciri Perilaku: Autisme sering diidentifikasi melalui penilaian perilaku yang berfokus pada kesulitan komunikasi sosial dan perilaku berulang. Alat seperti kuesioner AQ-10-anak digunakan untuk mengevaluasi sifat-sifat ini, memberikan pendekatan terstruktur untuk diagnosis (Vishwas & Bangalore, 2023).
- Pola Neurologis: EEG dan MEG adalah teknik neuroimaging non-invasif yang merekam aktivitas otak. Penelitian telah menunjukkan bahwa anak-anak autis menunjukkan pola yang berbeda dalam sinyal otak, seperti aktivitas saraf sinkron abnormal yang terdeteksi melalui EEG (Rajabioun, 2024) (Li et al., 2024). Studi MEG telah mengidentifikasi pola aktivasi spasial yang unik di lobus oksipital anak-anak autis, yang dapat berfungsi sebagai biomarker autism (Barik et al., 2023).
Fitur Fisiologis dan Visual
- Pengenalan Wajah: Model pembelajaran mendalam telah digunakan untuk menganalisis fitur wajah sebagai indikator potensial autisme. Model CNN yang telah dilatih sebelumnya seperti VGG16, VGG19, dan EfficientNetB0 telah digunakan untuk mengklasifikasikan anak-anak sebagai autis atau non-autis berdasarkan gambar wajah, mencapai berbagai tingkat akurasi (Reddy & J., 2024) (“The Early Detection of Autism Within Children Through Facial Recognition; A Deep Transfer Learning Approach”, 2022) (Rahman & Subashini, 2022).
- Pelacakan Mata: Teknologi pelacakan mata, yang memantau pola tatapan, telah digunakan untuk mendeteksi autisme. Metode ini dapat memberikan wawasan tentang pola perhatian visual atipikal yang sering diamati pada anak-anak autis (Mitra et al., 2023).
Teknik Pembelajaran Mesin Tingkat Lanjut
- Model Pembelajaran Mendalam: Penggunaan model pembelajaran mendalam dan pembelajaran mesin telah meningkatkan akurasi dan efisiensi deteksi autisme. Model-model ini menganalisis kumpulan data yang kompleks, seperti sinyal EEG dan gambar wajah, untuk mengidentifikasi pola yang menunjukkan autisme (Rajabioun, 2024) (“The Early Detection of Autism Within Children Through Facial Recognition; A Deep Transfer Learning Approach”, 2022).
- Analisis Entropi Multi-Skala: Spektroskopi Inframerah Dekat Fungsional (fNIRS) telah digunakan untuk mengukur sinyal oksi-hemoglobin di otak, dengan analisis entropi multi-skala mengungkapkan perbedaan antara anak-anak autis dan anak-anak yang biasanya berkembang. Metode ini mencapai akurasi klasifikasi yang tinggi, menunjukkan potensinya sebagai alat diagnostik (Yu et al., 2023).
Meskipun metode ini menunjukkan harapan dalam meningkatkan deteksi dini autisme, penting untuk mempertimbangkan tantangan dan keterbatasan yang terkait dengan setiap pendekatan. Misalnya, sementara teknik neuroimaging memberikan data objektif, mereka memerlukan peralatan dan keahlian khusus, yang mungkin tidak dapat diakses di semua pengaturan. Demikian pula, sementara model pembelajaran mendalam menawarkan akurasi tinggi, mereka bergantung pada kumpulan data besar dan sumber daya komputasi. Oleh karena itu, kombinasi metode, disesuaikan dengan kebutuhan spesifik dan sumber daya dari setiap konteks, dapat menawarkan strategi paling efektif untuk mengenali autisme pada anak-anak.
