<![CDATA[Penyakit Alzheimer adalah jenis demensia akibat kerusakan pada neuron otak yang memengaruhi memori, bahasa, dan berpikir. Diagnosis manual sering rentan terhadap subjektivitas dan memakan waktu, sehingga diperlukan model otomatis seperti 3D CNN untuk klasifikasi tingkat keparahan Alzheimer. Namun, kompleksitas arsitektur 3D CNN menyebabkan waktu komputasi yang tinggi. Penelitian ini membandingkan tiga arsitektur model 3D CNN yaitu 3D ResNet, 3D ResNeXt + Bi-LSTM, dan 3D CNN + CLSTM untuk menentukan model yang optimal. Dataset yang digunakan diperoleh dari database ADNI. Performa model dievaluasi dengan menggunakan confusion matrix, akurasi, presisi, recall, F1-score dan waktu komputasi.Hasil penelitian menunjukkan bahwa 3D ResNet memiliki akurasi pelatihan tertinggi mencapai 99,54% dan waktu komputasi pelatihan sebesar 57,61 detik/epoch. Model 3D ResNeXt + Bi-LSTM mencapai akurasi pengujian sebesar 99,33% dan waktu inferensi tercepat yaitu 0,0182 detik/sampel, namun waktu komputasi pelatihan terlama yaitu 117,68 detik/epoch. Sementara itu, 3D CNN + CLSTM mencapai akurasi uji sempurna 100% tetapi memiliki waktu inferensi terlama yaitu 0,0268 detik/sampel. Penelitian ini menunjukkan bahwa arsitektur yang sederhana tetap dapat memberikan performa optimal dengan waktu komputasi yang lebih efisien dibandingkan model yang lebih kompleks.]]>
Copyrights © 2025
