MAULANA, Fa’iq Rindha (2025) ANALISIS PENGARUH SMOTE DAN AUGMENTASI DATA TERHADAP PERFORMANSI MODEL EFFICIENTNETB0 UNTUK KLASIFIKASI ALZHEIMER. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (77kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (395kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (284kB)
	Text 5. KATA PENGANTAR.pdf Download (483kB)
	Text 6. ABSTRAK.pdf Download (50kB)
	Text 7. ABSTRACT.pdf Download (60kB)
	Text 8. DAFTAR ISI.pdf Download (36kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (91kB)

Abstract

Penyakit Alzheimer adalah gangguan neurodegeneratif progresif yang menjadi penyebab
utama gangguan kognitif pada usia lanjut, dengan prevalensi yang terus meningkat secara
global. Diagnosis dini sangat penting untuk memperlambat perkembangan penyakit dan
meningkatkan kualitas hidup pasien. Namun, interpretasi citra Magnetic Resonance Imaging
(MRI) secara manual seringkali kurang efektif, terutama pada tahap awal penyakit, dan
menghadapi tantangan ketidakseimbangan data di mana kelas minoritas sering kurang
terwakili. Penelitian ini bertujuan untuk meningkatkan akurasi diagnosis Alzheimer dengan
mengimplementasikan model EfficientNetB0 pada citra MRI dari dataset Alzheimer’s
Disease Neuroimaging Initiative (ADNI), menggunakan teknik Synthetic Minority
Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan dataset dan
augmentasi data untuk meningkatkan variasi. Model dilatih dan diuji pada tiga skenario data,
yaitu data asli, data dengan SMOTE, dan data dengan augmentasi. Hasil penelitian
menunjukkan bahwa SMOTE meningkatkan sensitivitas model terhadap kelas minoritas,
sementara augmentasi data meningkatkan variabilitas dataset sehingga menghasilkan
performa terbaik dengan akurasi sebesar 0,9836 dan macro f1-score sebesar 0,9773. Analisis
Grad-CAM memperlihatkan bahwa model lebih fokus pada area relevan di otak setelah
diterapkan teknik augmentasi atau SMOTE. Temuan ini menunjukkan bahwa kombinasi
EfficientNetB0 dengan SMOTE dan augmentasi data secara signifikan meningkatkan
akurasi diagnosis Alzheimer. Penelitian ini membuktikan efektivitas deep learning dalam
mengatasi tantangan ketidakseimbangan dataset dan keterbatasan metode manual, sekaligus
memberikan kontribusi pada pengembangan teknologi medis yang lebih akurat, efisien, dan
aplikatif dalam diagnosis dini Alzheimer.
Kata kunci : Alzheimer, Augmentasi Data, Deep Learning, EfficientNetB0, SMOTE

Actions (login required)

View Item