Electronic Theses and Dissertation

Penyakit Alzheimer adalah penyakit neurodegeneratif yang disebabkan oleh kerusakan
neuron di otak, yang mengakibatkan penurunan kemampuan dalam melakukan aktivitas
sehari-hari. Hingga saat ini, penyakit Alzheimer belum dapat disembuhkan. Namun,
pemberian obat-obatan dapat mengurangi progresivitas penyakit ini. Selain itu, deteksi
dini penyakit Alzheimer sangat penting sebagai langkah pencegahan. Penelitian ini
bertujuan untuk membangun model klasifikasi yang dapat mendeteksi tahap awal
penyakit Alzheimer. Dataset yang digunakan dalam penelitian ini adalah "Modified
Alzheimer’s Dataset", yang merupakan data citra medis MRI otak manusia dengan
pandangan axial. Dataset ini dikelompokkan menjadi empat kelas: Non-Demented
(3200 gambar), Very Mild Demented (2240 gambar), Mild Demented (896 gambar), dan
Moderate Demented (64 gambar), dengan total 6400 gambar. Untuk proses pelatihan,
arsitektur yang digunakan adalah SqueezeNet dan EfficientNet, yang keduanya
merupakan pre-trained models. Sebelum model dilatih, preprocessing dilakukan pada
dataset menggunakan teknik Synthetic Minority Oversampling Technique and Edited
Nearest Neighbors (SMOTE-ENN) untuk mengatasi masalah imbalanced class pada
dataset. Setelah preprocessing, data dilatih menggunakan SqueezeNet dan EfficientNet
dengan beberapa konfigurasi hyperparameter. Dari konfigurasi tersebut, diperoleh
model terbaik untuk masing-masing arsitektur, yang kemudian dianalisis lebih lanjut
untuk membandingkan kinerja antara SqueezeNet dan EfficientNet. Akurasi yang
dihasilkan oleh model terbaik untuk SqueezeNet dan EfficientNet adalah 98.75% dan
99.92%, secara berurutan.
Kata kunci : Penyakit Alzheimer, Klasifikasi, Imbalanced Dataset, Deep Learning,
SqueezeNet, EfficientNet.

Alzheimer’s disease is a neurodegenerative condition caused by the deterioration of neurons in the brain, leading to a decline in the ability to perform daily activities. To date, Alzheimer’s disease remains incurable. However, medication can slow the progression of the disease. Additionally, early detection of Alzheimer’s disease is crucial for prevention. This study aims to develop a classification model for earlystage Alzheimer’s disease detection.The dataset used in this study is the "Modified Alzheimer’s Dataset," consisting of axial view MRI brain images. This dataset is categorized into four classes: Non-Demented (3200 images), Very Mild Demented (2240 images), Mild Demented (896 images), and Moderate Demented (64 images), totaling 6400 images. For the training process, the architectures used are SqueezeNet and EfficientNet, both of which are pre-trained models. Before training the models, preprocessing was performed on the dataset using Synthetic Minority Oversampling Technique and Edited Nearest Neighbors (SMOTE-ENN) to address the issue of class imbalance. After preprocessing, the data were trained using SqueezeNet and EfficientNet with various hyperparameter configurations. From these configurations, the best model for each architecture was obtained, which was then further analyzed to compare the performance between SqueezeNet and EfficientNet. The accuracies achieved by the best models of SqueezeNet and EfficientNet were 98.75% and 99.92%, respectively. Keywords : Alzheimer’s Disease, Classification, Imbalanced Dataset, Deep Learning, SqueezeNet, EfficientNet.