Electronic Theses and Dissertation

Abstrak – Penyakit Alzheimer adalah penyakit neurodegeneratif yang menyebabkan penurunan fungsi kognitif seperti gangguan ingatan dan kesulitan berpikir. Menurut World Health Organization, pada tahun 2023 lebih dari 55 juta individu mengalami gangguan kognitif di seluruh dunia. Proses penentuan penyakit Alzheimer dilakukan oleh dokter/tenaga kesehatan dengan memanfaatkan gambar magnetic resonance imaging (MRI) dari otak. Proses ini dapat memakan waktu lama dan rawan kesalahan karena keterbatasan manusia dalam membaca gambar MRI dengan akurat, sehingga kesimpulan yang dibuat dapat keliru. Berdasarkan permasalahan di atas, penelitian ini bertujuan membangun model deep learning yang dapat mengklasifikasi citra MRI otak untuk deteksi Alzheimer menggunakan algoritma Convolutional Neural Network (CNN), dengan tiga arsitektur yaitu EfficientNet-B0, EfficientNetV2-B0 dan InceptionResNetV2. Sumber dataset yang digunakan adalah Kaggle dengan jumlah citra MRI otak sebanyak 800 citra. Dataset tersebut dibagi ke dalam lima kelas berdasarkan tingkatan kondisi penyakit Alzheimer yaitu non-demented, very mild demented, mild demented, moderate demented, dan severe demented. Hasil penelitian ini menunjukkan bahwa model yang dibangun dengan arsitektur EfficientNetV2-B0 mempunyai kinerja terbaik (accuracy 96,25%, precision 96,39%, recall 96,25%, dan F1 score 96,24%) dibandingkan dengan model yang dibangun dengan arsitektur EfficientNet-B0 (accuracy 95%, precision 95,07%, recall 95%, dan F1 score 94,99%) dan arsitektur InceptionResNetV2 (accuracy 93,75%, precision 93,94%, recall 93,75%, dan F1 score 93,74%). Tingkat akurasi prediksi dari model-model di atas berada dalam rentang yang sama seperti yang dicapai dalam penelitian sebelumnya, yaitu rentang 90% – 100%. Dengan kata lain, hasil dari penelitian ini dapat digunakan untuk memvalidasi tingkat akurasi yang tinggi dari model deep learning yang dibangun dalam penelitian ini dengan menggunakan arsitektur yang sama dengan penelitian sebelumnya, namun dengan dataset yang berbeda.
Kata Kunci: Alzheimer, citra MRI otak, EfficientNet-B0, EfficientNetV2-B0, InceptionResNetV2.

Abstract - Alzheimer's disease is a neurodegenerative disease that causes a decline in cognitive functions such as memory impairment and difficulty thinking. According to the World Health Organization, by 2023 more than 55 million individuals will experience cognitive impairment worldwide. The process of determining Alzheimer's disease is done by doctors/health professionals utilizing magnetic resonance imaging (MRI) images of the brain. This process can take a long time and is prone to errors due to human limitations in reading MRI images accurately, so the conclusions made can be erroneous. Based on the above problems, this research aims to build a deep learning model that can classify brain MRI images for Alzheimer's detection using the Convolutional Neural Network (CNN) algorithm, with three architectures namely EfficientNet-B0, EfficientNetV2-B0 and InceptionResNetV2. The source dataset used is Kaggle with a total of 800 brain MRI images. The dataset is divided into five classes based on the level of Alzheimer's disease condition, namely non-demented, very mild demented, mild demented, moderate demented, and severe demented. The results show that the model built with EfficientNetV2-B0 architecture has the best performance (accuracy 96.25%, precision 96.39%, recall 96.25%, and F1 score 96.24%) compared to the model built with EfficientNet-B0 architecture (accuracy 95%, precision 95.07%, recall 95%, and F1 score 94.99%) and InceptionResNetV2 architecture (accuracy 93.75%, precision 93.94%, recall 93.75%, and F1 score 93.74%). The prediction accuracy levels of the above models are within the same range as those achieved in previous studies, which is the 90% - 100% range. In other words, the results of this study can be used to validate the high accuracy of the deep learning model built in this study using the same architecture as the previous study, but with different datasets. Keywords: Alzheimer's, brain MRI image, EfficientNet-B0, EfficientNetV2-B0, InceptionResNetV2.