<![CDATA[Penyakit Alzheimer merupakan salah satu bentuk demensia yang disebabkan oleh kerusakan atau malafungsi sel otak, sehingga menghambat kinerja otak secara optimal. Deteksi dini menjadi krusial untuk memperlambat perkembangan penyakit, namun metode diagnosis konvensional masih bergantung pada pemeriksaan klinis yang bersifat subjektif dan memerlukan waktu serta biaya tinggi. Seiring kemajuan teknologi, Convolutional Neural Networks (CNN) semakin efektif dalam analisis data medis, termasuk dalam diagnosis Alzheimer. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit Alzheimer berbasis Convolutional Neural Network (CNN) dengan memanfaatkan arsitektur pre-trained ResNet50V2. Dataset yang digunakan terdiri dari 6.400 citra MRI otak yang terbagi ke dalam empat kategori: Non-Demented, Very Mild Demented, Mild Demented, dan Moderate Demented. Model dikustomisasi dengan penambahan Dense Layer dan Batch Normalization, serta dioptimasi menggunakan Adam optimizer dan fungsi loss categorical cross-entropy. Penelitian ini mengevaluasi model ResNet50V2 untuk klasifikasi citra MRI otak berdasarkan metrik akurasi, precision, recall, dan F1-score, serta menganalisis pengaruh fine-tuning terhadap peningkatan akurasi model. Hasil penelitian menunjukkan bahwa model mencapai akurasi 92.7%, dengan precision, recall, dan F1-score yang konsisten. Teknik fine-tuning terbukti berhasil meningkatkan akurasi dari 73% menjadi 92,7% serta menurunkan test loss dari 0,59 menjadi 0,198. Peningkatan ini dicapai melalui penyesuaian arsitektur model serta optimasi hyperparameter, termasuk learning rate, dropout, dan jumlah epoch. Dengan demikian, penelitian ini menunjukkan bahwa ResNet50V2 dengan fine-tuning terbukti mampu mengklasifikasikan Alzheimer secara akurat, sehingga berpotensi menjadi alat bantu dalam diagnosis dini penyakit ini.]]>
Copyrights © 2025
