Gangguan spektrum autisme (ASD) adalah gangguan perkembangan saraf yang
memengaruhi komunikasi dan interaksi sosial. ASD dapat didiagnosis pada anak-anak yang
berusia 18 bulan atau lebih, tetapi diagnosis dini sangat penting untuk mendapatkan intervensi
yang tepat. Saat ini, tidak ada tes tunggal yang dapat digunakan untuk mendiagnosis ASD.
Diagnosis biasanya didasarkan pada penilaian klinis yang mempertimbangkan perilaku dan
perkembangan anak. Penelitian ini bertujuan untuk mengembangkan metode deteksi dini
gangguan autisme pada anak menggunakan algoritma Random Forest. Metode yang digunakan
dalam penelitian ini menggunakan metode Random Forest dilatih menggunakan data yang
terdiri dari fitur-fitur yang relevan untuk mendiagnosis ASD, seperti usia, jenis kelamin, tingkat
perkembangan bahasa, dan perilaku sosial. Untuk meningkatkan performa model, dilakukan
tuning hyperparameter dengan tiga metode berbeda: Grid Search, Random Search, dan
Bayesian Optimization. Hasil penelitian menunjukkan bahwa metode Random Forest dapat
mencapai akurasi sebesar 99% dalam mendeteksi ASD. Dilakukan experiment proporsi data
pada model pembelajaran mesin menggunakan 70% data latih dan 30% data uji. Model yang
dilatih dengan proporsi ini mencapai tingkat akurasi paling tinggi sebesar 99% dan memiliki
presisi serta recall yang sangat baik untuk kedua kelas. Akurasi ini jauh lebih tinggi daripada
metode-metode tradisional yang digunakan untuk mendeteksi ASD, seperti penilaian klinis atau
tes skrining. Berdasarkan hasil penelitian yang telah dilakukan, metode Random Forest berhasil
menghasilkan tingkat akurasi yang tinggi dalam mendeteksi gangguan autisme pada anak-anak.
Model Random Forest menunjukkan keefektifannya dalam melakukan klasifikasi dengan
tingkat akurasi yang cukup tinggi, ditunjukkan oleh presisi dan recall yang tinggi untuk kedua
kelas (autisme dan non-autisme).
Kata Kunci: ASD, Random Forest, Machine Learning