<![CDATA[Penyakit Alzheimer merupakan salah satu gangguan neurodegeneratif yang menjadi penyebab utama demensia dan ditandai dengan penurunan fungsi kognitif secara progresif. Seiring meningkatnya jumlah penderita Alzheimer, diperlukan metode klasifikasi yang mampu mendukung proses diagnosis secara cepat dan akurat. Salah satu permasalahan yang sering ditemukan pada data medis adalah ketidakseimbangan distribusi kelas yang dapat menurunkan kinerja model klasifikasi. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi diagnosis penyakit Alzheimer dengan menerapkan metode Adaptive Synthetic Sampling (ADASYN) dan algoritma Multilayer Perceptron (MLP). Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas data demografi, kondisi kesehatan, aktivitas harian, serta indikator klinis pasien. Tahapan penelitian meliputi preprocessing data, seleksi fitur menggunakan Information Gain, penyeimbangan data menggunakan ADASYN, pemodelan menggunakan MLP, serta evaluasi menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model MLP tanpa ADASYN memperoleh akurasi sebesar 84,65%, sedangkan model MLP dengan ADASYN memperoleh akurasi sebesar 88,83%. Selain itu, nilai precision meningkat dari 75,90% menjadi 88,58%, recall dari 82,89% menjadi 89,51%, dan F1-score dari 79,24% menjadi 89,04%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan ADASYN efektif dalam mengatasi ketidakseimbangan data dan meningkatkan kinerja algoritma MLP untuk klasifikasi diagnosis penyakit Alzheimer]]>
Copyrights © 2026
