DETEKSI PENYAKIT ALZHEIMER PADA TAHAP AWAL MENGGUNAKAN ALGORITMA DEEP LEARNING BERBASIS MRI

Firhansyah, Ilhan (2025) DETEKSI PENYAKIT ALZHEIMER PADA TAHAP AWAL MENGGUNAKAN ALGORITMA DEEP LEARNING BERBASIS MRI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (268kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (610kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (289kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (516kB)
	Text (BAB V) BAB V.pdf Download (53kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (813kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3775.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (552kB)

Abstract

Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang ditandai dengan penurunan fungsi kognitif secara bertahap dan sulit untuk dideteksi secara dini. Keterlambatan diagnosis berdampak serius terhadap kualitas hidup pasien dan membebani sistem layanan kesehatan. Pendekatan diagnosis tradisional memerlukan waktu, biaya, serta tenaga ahli khusus. Oleh karena itu, diperlukan solusi teknologi yang cepat, akurat, dan konsisten untuk mendeteksi Alzheimer, khususnya pada tahap awal ketika intervensi medis masih efektif dilakukan. Selain itu, deteksi yang lebih awal juga mampu membuka peluang penanganan yang lebih adaptif dan personal bagi pasien. Penelitian ini menggunakan pendekatan deep learning untuk mengembangkan model klasifikasi penyakit Alzheimer tahap awal berdasarkan citra Magnetic Resonance Imaging (MRI). Tiga arsitektur jaringan saraf yang digunakan adalah CNN Konvensional, VGG16, dan ResNet50. Data MRI yang digunakan diklasifikasikan ke dalam empat kelas: Non Demented, Very Mild Demented, Mild Demented, dan Moderate Demented. Tahapan penelitian meliputi pengumpulan data MRI, pra-pemrosesan data, pelatihan model, evaluasi performa, serta perbandingan akurasi dan kestabilan antar model. Proses pra-pemrosesan dilakukan untuk memastikan kualitas data yang konsisten dan relevan agar hasil pelatihan model menjadi optimal. Hasil penelitian menunjukkan bahwa model VGG16 memiliki performa paling unggul dengan akurasi validasi sebesar 97.23% dan akurasi pengujian 96.95%, serta deviasi hasil yang rendah, menunjukkan konsistensi dan kemampuan generalisasi yang tinggi. Penelitian ini memberikan kontribusi penting dalam pengembangan metode diagnosis otomatis berbasis deep learning untuk deteksi Alzheimer, yang dapat dimanfaatkan oleh para peneliti dan praktisi medis guna meningkatkan akurasi dan efisiensi diagnosa. Selain itu, hasil ini membuka peluang bagi eksplorasi lebih lanjut dengan variasi model dan dataset yang lebih luas, serta pengaplikasian pada jenis data medis lain yang relevan

Actions (login required)

View Item