KLASIFIKASI CITRA MRI PENYAKIT ALZHEIMER MENGGUNAKAN METODE DEEP LEARNING EFFICIENTNET-B0 DAN VGG-19

Bilah Samping Artikel

PDF
Diterbitkan: Jun 26, 2025
DOI: https://doi.org/10.51351/jtm.14.1.2025830
Kata Kunci:
Alzheimer, EfficientNet-B0, VGG-19, Klasifikasi, Citra

Isi Artikel Utama

Irwan Jani Tarigan
STMIK Methodist Binjai
https://orcid.org/0000-0002-4149-0750
Reza Alamsyah
STMIK Methodist Binjai
Riandy Yap
STMIK Methodist Binjai
Tomi Satria Alasi

Abstrak

Penyakit Alzheimer merupakan bentuk paling umum dari demensia yang ditandai dengan penurunan progresif fungsi kognitif, daya ingat, dan perilaku. Deteksi dini Alzheimer menjadi krusial untuk mencegah dampak jangka panjang terhadap kualitas hidup penderita. Penelitian ini bertujuan untuk mengklasifikasikan stadium penyakit Alzheimer berdasarkan citra Magnetic Resonance Imaging (MRI) menggunakan metode deep learning dengan arsitektur EfficientNet-B0 dan VGG-19. Dataset yang digunakan terdiri dari 6.400 citra MRI yang terbagi ke dalam empat kelas: demensia sangat ringan, demensia ringan, demensia sedang, dan kondisi normal. Proses preprocessing meliputi resize, sharpening citra menggunakan kernel 3x3, aktivasi ReLU, serta pooling dengan MaxPooling2D. Data kemudian dibagi menjadi 80% untuk pelatihan, 10% validasi, dan 10% pengujian. Hasil pelatihan menunjukkan bahwa model VGG-19 mampu mencapai akurasi tertinggi sebesar 95%, sementara EfficientNet-B0 mencapai 94%. Evaluasi performa dilakukan menggunakan metrik precision, recall, dan F1-score untuk masing-masing kelas. Berdasarkan hasil tersebut, kedua model menunjukkan performa yang tinggi dalam klasifikasi citra MRI penyakit Alzheimer. Temuan ini menunjukkan bahwa pendekatan deep learning mampu memberikan hasil akurat dan dapat digunakan sebagai alat bantu dalam proses diagnosis dini penyakit Alzheimer secara otomatis.

Rincian Artikel

Cara Mengutip
[1]
I. J. Tarigan, Reza Alamsyah, Riandy Yap, dan T. S. Alasi, “KLASIFIKASI CITRA MRI PENYAKIT ALZHEIMER MENGGUNAKAN METODE DEEP LEARNING EFFICIENTNET-B0 DAN VGG-19”, JTM, vol. 14, no. 1, hlm. 99–108, Jun 2025.
Terbitan
Vol 14 No 1 (2025): Jurnal TIMES
Bagian
Articles
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright (c) STMIK TIME

Referensi

[1] Ahdi, M. W., Khalid, Kunaefi, A., Nugroho, B. A., & Yusuf, A. (2023). Convolutional Neural Network (CNN) EfficientNet-B0 Model Architecture for Paddy Diseases Classification. 2023 14th International Conference on Information and Communication Technology and System, ICTS 2023, 105–110. https://doi.org/10.1109/ICTS58770.2023.10330828

[2] A. P. Wibawa, M. G. A. Purnama, M. F. Akbar, F. A. D. (2018). Metode-metode Klasifikasi. Prosiding Seminar Ilmu Komputer Dan Teknologi Informasi, 3(1), 134.

[3] Alam, I. N. (2022). Metode Transfer Learning Pada Deep Convolutional Neural Network ( DCNN ) untuk Pengenalan Ekspresi Wajah. ResearchGate, October, 13–14.

[4] Arkan, M., Abdul Rezak, Natasya Umi Fitria, Fikram Althaf Muyassar, Azhari Daulay, Muhammad Farizs Hakim, Muhammad Fadhil Habibie, Ilham Firmansyah Dika, Bagus Kurniawan, Nurvelly Rosanti, Popy Meilina, Rully Mujiastuti, Hendra, H., & Jumail, J. (2024). Webinar & Workshop Peran Artificial Intelligence Dalam Analisis Big Data Untuk Mendukung Sektor Bisnis E-Commerce. Jurnal Pengabdian Kolaborasi Dan Inovasi IPTEKS, 2(1), 228–236. https://doi.org/10.59407/jpki2.v2i1.490

[5] Astuti, L. W. (2019). Ekstrasi Fitur Citra MRI Otak Menggunakan Data Wavelet Transform (DWT) untuk Klasifikasi Penyakit Tumor Otak. Jurnal Ilmiah Informatika Global, 10(2), 80–86. https://doi.org/10.36982/jig.v10i2.854

[6] D. F. Bongso, D. F., Elektro, F. T., Telkom, U., Patmasari, R., Elektro, F. T., Telkom, U., Saidah, S., Elektro, F. T., Telkom, U., Alzheimer, P., & Pendahuluan, I. (2023). Perancangan Sistem Klasifikasi Alzheimer Berbasis Pengolahan Citra MRI Menggunakan Convolutional Neural Network ( CNN ). 10(5), 4347–4352.

[7] Fu’Adah, Y. N., Wijayanto, I., Pratiwi, N. K. C., Taliningsih, F. F., Rizal, S., & Pramudito, M. A. (2021). Automated Classification of Alzheimer’s Disease Based on MRI Image Processing using Convolutional Neural Network (CNN) with AlexNet Architecture. Journal of Physics: Conference Series, 1844(1), 0–8. https://doi.org/10.1088/1742-6596/1844/1/012020

[8] [9] Hadi, V. H. B., Mutiara, A. B., & Refianti, R. (2023b). Implementation of Convolutional Neural Network with EfficientNet-B0 Architecture for Brain Tumor Classification. 2023 8th International Conference on Informatics and Computing, ICIC 2023, 1–6. https://doi.org/10.1109/ICIC60109.2023.10381979

[9] Jatmiko, A. W. (2021). Efek Pemakaian Kontras Untuk Optimalisasi Citra Pada Pemeriksaan Diagnostik Magnetic Resonance Imaging (MRI). Jurnal Biosains Pascasarjana, 23(1), 28. https://doi.org/10.20473/jbp.v23i1.2021.28-39

[10] Noviantoro, A., Silviana, A. B., Fitriani, R. R., & Permatasari, H. P. (2022). Rancangan Dan Implementasi Aplikasi Sewa Lapangan Badminton Wilayah Depok Berbasis Web. Jurnal Teknik Dan Science, 1(2), 88–103. https://doi.org/10.56127/jts.v1i2.108

[11] Sianturi, A. G. M. (2021). Stadium, Diagnosis, dan Tatalaksana Penyakit Alzheimer. Majalah Kesehatan Indonesia, 2(2), 39–44. https://doi.org/10.47679/makein.202132

[12] Yuliany, S., Aradea, & Andi Nur Rachman. (2022). Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Buana Informatika, 13(1), 54–65. https://doi.org/10.24002/jbi.v13i1.5022