Electronic Theses and Dissertation

penyakit alzheimer merupakan salah satu penyakit neurodegeneratif yang menjadi penyebab utama demensia di dunia dan ditandai dengan penurunan fungsi kognitif secara progresif. deteksi dini tingkat keparahan alzheimer sangat penting untuk membantu penanganan medis secara lebih cepat dan tepat. salah satu pendekatan yang dapat digunakan adalah analisis citra magnetic resonance imaging (mri) berbasis deep learning. penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua arsitektur convolutional neural network (cnn) berbasis transfer learning, yaitu efficientnetv2-s dan resnet-50, dalam klasifikasi empat tingkat keparahan alzheimer menggunakan citra mri otak. dataset yang digunakan merupakan alzheimer mri dataset dari kaggle yang terdiri dari 6.400 citra mri dengan empat kelas, yaitu non demented, very mild demented, mild demented, dan moderate demented. tahapan preprocessing yang diterapkan meliputi resizing citra menjadi 224×224 piksel dan normalisasi piksel. kedua model dilatih menggunakan pendekatan direct fine-tuning dengan optimizer adamax, categorical crossentropy sebagai loss function, augmentasi data secara on-the-fly, serta penerapan class weight untuk menangani ketidakseimbangan kelas. pada tahap pelatihan, dilakukan pengujian beberapa kombinasi hyperparameter yang meliputi batch size 16, 32, dan 64, learning rate 0.001 dan 0.0001, serta dropout 0.30, 0.45, dan 0.60 untuk memperoleh konfigurasi model terbaik. hasil penelitian menunjukkan bahwa efficientnetv2-s memberikan performa terbaik dengan test accuracy sebesar 97,50%, macro precision sebesar 0,99, macro recall sebesar 0,98, dan macro f1-score sebesar 0,98. sementara itu, resnet-50 memperoleh test accuracy sebesar 92,50% dengan macro precision sebesar 0,95, macro recall sebesar 0,90, dan macro f1-score sebesar 0,92. dari sisi efisiensi komputasi, efficientnetv2-s juga lebih unggul dengan jumlah parameter sebesar 20.665.444 dan kompleksitas komputasi sebesar 5,75 gflops dibandingkan resnet-50 yang memiliki 24.121.476 parameter dan 7,75 gflops. meskipun resnet-50 memiliki waktu inferensi yang lebih cepat, efficientnetv2-s tetap menjadi model yang lebih optimal secara keseluruhan karena mampu memberikan keseimbangan yang lebih baik antara performa klasifikasi dan efisiensi komputasi. sebagai implementasi penelitian, dikembangkan prototipe aplikasi web berbasis streamlit untuk melakukan klasifikasi tingkat keparahan alzheimer secara otomatis menggunakan citra mri otak. kata kunci: alzheimer, convolutional neural network, efficientnetv2-s, resnet-50, transfer learning, klasifikasi citra mri, deep learning

Alzheimer’s disease is one of the most common neurodegenerative disorders and a major cause of dementia worldwide, characterized by progressive cognitive decline. Early detection of Alzheimer’s severity is essential to support faster and more accurate medical treatment. One promising approach is the analysis of Magnetic Resonance Imaging (MRI) using deep learning techniques. This study aims to analyze and compare the performance of two transfer learning-based Convolutional Neural Network (CNN) architectures, namely EfficientNetV2-S and ResNet-50, for classifying four levels of Alzheimer’s severity using brain MRI images. The dataset used in this study was the Alzheimer MRI Dataset from Kaggle, consisting of 6,400 MRI images divided into four classes: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. The preprocessing stage included image resizing to 224×224 pixels and pixel normalization. Both models were trained using a direct fine-tuning approach with the Adamax optimizer, categorical crossentropy as the loss function, on-the-fly data augmentation, and class weight implementation to address class imbalance. During the training process, several hyperparameter combinations were evaluated, including batch sizes of 16, 32, and 64, learning rates of 0.001 and 0.0001, and dropout values of 0.30, 0.45, and 0.60 to obtain the best model configuration. The experimental results showed that EfficientNetV2-S achieved the best performance with a test accuracy of 97.50%, macro precision of 0.99, macro recall of 0.98, and macro F1-score of 0.98. Meanwhile, ResNet-50 achieved a test accuracy of 92.50%, macro precision of 0.95, macro recall of 0.90, and macro F1-score of 0.92. In terms of computational efficiency, EfficientNetV2-S was also superior with 20,665,444 parameters and 5.75 GFLOPs compared to ResNet-50 with 24,121,476 parameters and 7.75 GFLOPs. Although ResNet-50 had a slightly faster inference time, EfficientNetV2-S was considered the more optimal model overall due to its better balance between classification performance and computational efficiency. As an implementation of the study, a Streamlit-based web application prototype was developed to automatically classify Alzheimer’s severity using brain MRI images. Keywords: Alzheimer's Disease, Convolutional Neural Network, EfficientNetV2-S, ResNet-50, Transfer Learning, MRI Image Classification, Deep Learning