KLASIFIKASI PENYAKIT ALZHEIMER BERDASARKAN GAMBAR OTAK MENGGUNAKAN METODE CNN DENGAN ARSITEKTUR DENSENET-169

Robani, Muhammad Ilham (2024) KLASIFIKASI PENYAKIT ALZHEIMER BERDASARKAN GAMBAR OTAK MENGGUNAKAN METODE CNN DENGAN ARSITEKTUR DENSENET-169. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (732kB)
	Text COVER.pdf Download (710kB)
	Text DAFTAR_ISI.pdf Download (643kB)
	Text DAFTAR_PUSTAKA.pdf Download (699kB)
	Text PENGESAHAN_PEMBIMBING.pdf Download (518kB)
	Text PENGESAHAN_PENGUJI.pdf Download (471kB)
	Text SKRIPSI_M-ILHAM-ROBANI_123170021_FULL.pdf Restricted to Repository staff only Download (3MB)

Abstract

vi
ABSTRAK
Kasus alzheimer di seluruh dunia meningkat pesat dengan perkirakan 46,8 atau 50 juta
orang terdiagnosa mengidap demensia alzheimer, sedangkan penderita alzheimer di asia pasifik
diperkirakan mencapai 20,9 juta orang. Gambar otak pada kelas-kelas penyakit alzheimer memiliki
fitur yang kompleks dan rumit sehingga memerlukan waktu yang lebih bagi para tenaga medis
profesional dalam menilai gambar medis otak. Pemanfaatan image processing untuk klasifikasi
penyakit alzheimer dapat membantu para tenaga medis dalam menilai gambar otak untuk
penanganan pasien yang lebih efisien. Untuk meningkatkan akurasi klasifikasi, penelitian ini
menerapkan konsep deep learning menggunakan metode Convolutional Neural Network dengan
arsitektur DenseNet-169 untuk klasifikasi penyakit alzheimer.
Penelitian ini melakukan penerapan metode Convolutional Neural Network (CNN) dengan
arsitektur DenseNet169 untuk kasus klasifikasi penyakit alzheimer berdasarkan gambar otak
bagian axial plane. Pada penelitian ini dilakukan pengujian pada 2 model CNN yaitu model
DenseNet169 versi standar dan model DenseNet169 dengan custom classification head dimana
pada model kedua dilakukan penyesuaian komposisi pada classifier head dengan menambahkan
operasi tambahan yaitu fully connected layer (FCL) dengan 512 neurons, batch normalization,
aktivasi ReLU dan dropout 0.3 di antara Global Average Pooling (GAP) dan lapisan FCL terakhir
atau lapisan output. Kedua model menggunakan parameter epoch 30 dan dilatih pada dataset yang
sama berupa gambar otak dengan jumlah 4124 gambar yang terbagi kedalam 3 kelas penyakit
alzheimer yaitu alzheimer’s disease, mild cognitive impairment dan cognitively normal.
Berdasarkan dari hasil penelitian ini diketahui model DenseNet169 versi standar memiliki
tingkat akurasi pada data uji sebesar 95.93%, sedangkan model DenseNet169 dengan custom head
berhasil mendapatkan akurasi pada data uji sebesar 97.67% sehingga menjadikan model kedua
sebagai model optimal dengan kinerja yang lebih baik. Penerapan arsitektur DenseNet169 pada
metode CNN untuk kasus klasifikasi penyakit alzheimer berdasarkan gambar otak pada penelitian
ini memiliki kualitas yang sangat baik. kustomisasi komposisi classifier head pada arsitektur
DenseNet-169 terbukti memberikan sedikit peningkatan kinerja model CNN.
Kata kunci : DenseNet-169, Penyakit Alzheimer, Convolutional Neural Network.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	DenseNet-169, Penyakit Alzheimer, Convolutional Neural Network.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	21 Mar 2024 02:05
Last Modified:	21 Mar 2024 02:05
URI:	http://eprints.upnyk.ac.id/id/eprint/39122

Actions (login required)

View Item