Prediksi Dini Autism Spectrum Disorder pada Anak Balita Menggunakan Kuisioner Berbasis Xgboost dan Explainable-AI [NII, HRT]

Abstract

Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang berdampak pada kemampuan komunikasi dan interaksi sosial sejak usia dini. Deteksi dini terhadap ASD sangat penting untuk mendukung efektivitas intervensi, namun di Indonesia masih banyak anak yang terdiagnosis setelah melewati usia emas perkembangan. Berbagai penelitian telah menggunakan pendekatan machine learning dan Explainable Artificial Intelligence (XAI) untuk mendukung diagnosis ASD, namun pemanfaatan metode XGBoost yang terintegrasi dengan XAI berbasis SHAP pada data kuisioner toddler seperti Q-Chat-10 masih belum banyak dieksplorasi. Penelitian ini bertujuan untuk membangun model prediksi dini ASD pada anak balita usia 12–36 bulan menggunakan algoritma XGBoost yang dikombinasikan dengan metode SHAP untuk memberikan interpretasi terhadap hasil prediksi. Model yang dikembangkan akan dievaluasi berdasarkan metrik klasifikasi seperti akurasi, presisi, recall, dan F1-score, serta dinilai tingkat interpretabilitasnya dibandingkan dengan pendekatan terdahulu. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem skrining dini ASD yang akurat, transparan, dan dapat diakses oleh masyarakat luas.