Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan perkembangan yang sering dijumpai pada anak-anak dan berdampak signifikan terhadap proses belajar serta kualitas hidup. Proses diagnosis ADHD saat ini masih didominasi oleh observasi klinis yang bersifat subjektif, sehingga diperlukan pendekatan yang lebih objektif. Penelitian ini bertujuan untuk mendeteksi ADHD menggunakan data Electroencephalogram (EEG) yang diproses melalui algoritma klasifikasi Random Forest. Data EEG dianalisis melalui tahapan pra-pemrosesan, ekstraksi fitur, dan klasifikasi. Hasil penelitian menunjukkan bahwa model Random Forest mampu membedakan antara data EEG penderita ADHD dan kelompok kontrol dengan akurasi sebesar 0,74. Penelitian ini berkontribusi pada upaya memperluas aplikasi machine learning di bidang kesehatan, khususnya dalam upaya diagnosis dini dan penanganan ADHD yang lebih baik, objektif, dan terintegrasi teknologi. Selain itu, aplikasi deteksi ADHD berbasis Streamlit dikembangkan untuk memfasilitasi proses deteksi secara interaktif dan visualisasi data EEG. Temuan ini menunjukkan potensi pemanfaatan algoritma Random Forest dalam deteksi ADHD berbasis EEG secara lebih akurat dan efisien, meskipun peningkatan akurasi dan eksplorasi metode klasifikasi lain masih diperlukan. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi ADHD yang lebih objektif dan konsisten.
Jaringan kolaborasi para penulis
5 penulis ·
10 tautan kepenulisan bersama
Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.
Afiliasi tidak diketahui
Organisasi berbeda
Organisasi sama
Afiliasi tidak diketahui
Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulis
Organisasi
Artikel bersama
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.