<![CDATA[Deteksi dini penyakit Alzheimer menjadi tantangan penting dalam dunia medis modern karena keterbatasan diagnosis berbasis observasi klinis dan analisis manual citra MRI yang sangat tergantung pada keahlian spesialis. Dengan meningkatnya jumlah penderita Alzheimer secara global, dibutuhkan pendekatan otomatis yang cepat, akurat, dan dapat diandalkan untuk mendeteksi tingkat demensia. Penelitian ini mengusulkan metode klasifikasi hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai teknik ekstraksi fitur mendalam dan Support Vector Machine (SVM) sebagai algoritma klasifikasi untuk mengidentifikasi tingkat keparahan demensia berdasarkan citra MRI otak. Dataset yang digunakan terdiri dari empat kelas: NonDemented, VeryMildDemented, MildDemented, dan ModerateDemented. Seluruh citra melalui tahap preprocessing, termasuk resize dan normalisasi, kemudian diproses dengan CNN untuk menghasilkan fitur spasial yang representatif. Fitur-fitur ini selanjutnya diklasifikasikan menggunakan SVM. Evaluasi dilakukan dengan metode 5-fold cross-validation untuk menjamin kestabilan performa model. Hasil pengujian menunjukkan bahwa metode CNN + SVM menghasilkan akurasi rata-rata sebesar 98.97%, dengan nilai precision, recall, dan F1-score yang konsisten tinggi. Metode ini secara signifikan melampaui pendekatan konvensional seperti HOG + SVM dan LBP + SVM yang hanya mencapai akurasi masing-masing sebesar 92.52% dan 54.76%. Dengan demikian, penggabungan CNN dan SVM terbukti mampu mengoptimalkan proses klasifikasi tingkat demensia, dan berpotensi besar dikembangkan sebagai sistem pendukung keputusan berbasis citra dalam diagnosis penyakit Alzheimer secara otomatis.]]>
Copyrights © 2025
