@ persidangan{Misman201929,
tajuk = {Klasifikasi orang dewasa dengan gangguan spektrum autisme menggunakan rangkaian saraf dalam},
pengarang = {M F Misman dan A A Samah dan F A Ezudin dan H A Majid dan Z A Shah dan H Hashim dan M F Harun},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85079349811&doi=10.1109/AiDAS47888.2019.8970823&rakan kongsi = 40&md5=dd727e950667359680a6dbcc4855422f},
doi = {10.1109/AiDAS47888.2019.8970823},
isbn = {9781728130415},
tahun = {2019},
tarikh = {2019-01-01},
jurnal = {Prosiding - 2019 1st Persidangan Antarabangsa mengenai Kepintaran Buatan dan Sains Data, Gema 2019},
halaman = {29-34},
penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.},
abstrak = {Gangguan Spektrum Autisme (ASD) adalah gangguan otak perkembangan yang menyebabkan defisit dalam linguistik, komunikatif, dan kemahiran kognitif serta kemahiran sosial. Pelbagai aplikasi Pembelajaran Mesin telah digunakan selain daripada ujian klinikal yang ada, yang telah meningkatkan prestasi dalam diagnosis gangguan ini. Dalam kajian ini, kami menggunakan Rangkaian Neural Dalam (DNN) seni bina, yang telah menjadi kaedah popular dalam beberapa tahun kebelakangan ini dan terbukti meningkatkan ketepatan pengelasan. Kajian ini bertujuan untuk menganalisis prestasi model DNN dalam diagnosis ASD dari segi ketepatan klasifikasi dengan menggunakan dua set data saringan ASD dewasa.. Hasilnya kemudian dibandingkan dengan kaedah Pembelajaran Mesin sebelumnya oleh penyelidik lain, iaitu Mesin Vektor Sokongan (SVM). Ketepatan yang dicapai oleh model DNN dalam klasifikasi diagnosis ASD ialah 99.40% pada set data pertama dan dicapai 96.08% pada set data kedua. Sementara itu, model SVM mencapai ketepatan 95.24% dan 95.08% menggunakan data pertama dan kedua, masing-masing. Keputusan menunjukkan bahawa kes ASD boleh dikenal pasti dengan tepat dengan melaksanakan kaedah pengelasan DNN menggunakan data saringan dewasa ASD. © 2019 IEEE.},
nota = {dipetik oleh 0},
kata kunci = {Gangguan Spektrum Autisme, Gangguan Otak, Pengelasan (maklumat), Ketepatan Pengelasan, Kaedah Pengelasan, Ujian Klinikal, Kemahiran Kognitif, Diagnosis Berbantu Komputer, Pembelajaran Mendalam, Rangkaian Neural Dalam, Penyakit, Belajar, Kaedah Pembelajaran Mesin, Data Saringan, Mesin Vektor Sokongan},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}

@ persidangan{Abdullah2019,
tajuk = {Penilaian ke atas Algoritma Pembelajaran Mesin untuk Klasifikasi Gangguan Spektrum Autisme (ASD)},
pengarang = {A A Abdullah and S Rijal and S R Dash},
penyunting = {Rahim Mustafa Zaaba Norali Noor S B A N B S K A N B A B M Fook C.Y. Yazid H.B.},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85076493636&doi=10.1088%2f1742-6596%2f1372%2f1%2f012052&rakan kongsi = 40&md5=2ec1bd9f6cf1e3afe965cc9e3792f536},
doi = {10.1088/1742-6596/1372/1/012052},
terbitan = {17426588},
tahun = {2019},
tarikh = {2019-01-01},
jurnal = {Journal of Physics: Conference Series},
isi padu = {1372},
nombor = {1},
penerbit = {Institut Penerbitan Fizik},
abstrak = {Gangguan Spektrum Autisme (ASD) dicirikan oleh kelewatan dalam pembangunan interaksi sosial, tingkah laku berulang dan minat yang sempit, yang biasanya didiagnosis dengan alat diagnostik standard seperti Jadual Pemerhatian Diagnostik Autisme (Remaja) dan Temuduga Diagnostik Autisme-Disemak (ADIR-R). Kerja sebelumnya telah melaksanakan kaedah pembelajaran mesin untuk klasifikasi ASD, namun mereka menggunakan jenis set data yang berbeza seperti imej otak untuk MRI dan EEG, gen risiko dalam profil genetik dan penilaian tingkah laku berdasarkan ADOS dan ADI-R. Di sini percubaan menggunakan Soalan Spektrum Autisme (AQ) untuk membina model yang mempunyai potensi yang lebih tinggi untuk mengklasifikasikan ASD telah dibangunkan. Dalam penyelidikan ini, Chi-square dan Operator Pengecutan dan Pemilihan Mutlak Terkecil (LASSO) telah dipilih sebagai kaedah pemilihan ciri untuk memilih ciri yang paling penting 3 algoritma pembelajaran mesin yang diselia, iaitu Hutan Rawak, Regresi Logistik dan K-Nearest Neighbours dengan pengesahan silang K-fold. Prestasi dinilai di mana keputusan Regresi Logistik mendapat ketepatan tertinggi dengan 97.541% menggunakan model dengan 13 ciri yang dipilih berdasarkan kaedah pemilihan Khi kuasa dua. © 2019 IOP Publishing Ltd. Hak cipta terpelihara.},
nota = {dipetik oleh 0},
kata kunci = {Gangguan Spektrum Autisme, Penilaian Tingkah Laku, Kejuruteraan Bioperubatan, Pemetaan Otak, Pengelasan (maklumat), Pokok Keputusan, Penyakit, Pengekstrakan Ciri, Kaedah Pemilihan Ciri, Pengesahan Silang K Lipat, Belajar, Operator Pengecutan dan Pemilihan Mutlak Paling Kurang, Anggaran Kuasa Dua Terkecil, Regresi Logistik, Pembelajaran Mesin, Kaedah Pembelajaran Mesin, Pengimejan Resonans Magnetik, Carian Jiran Terdekat, Analisis regresi, Pembelajaran yang diselia, Pembelajaran Mesin Diawasi},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}