MU'AMMAR, Muhammad Dzaky (2026) Analisis Perbandingan Klasifikasi Alzheimer MRI Menggunakan EfficientNet-B0 dan ResNet50 dengan Pendekatan GradCAM. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) 24060122130064_Muhammad Dzaky Mu'ammar.zip Restricted to Repository staff only Download (5MB) | Request a copy
	Text 1. COVER.pdf Download (65kB)
	Text 3. Halaman Pengesahan.pdf Download (88kB)
	Text 4. Kata Pengantar.pdf Download (110kB)
	Text 6. ABSTRAK.pdf Download (70kB)
	Text 7. ABSTRACT.pdf Download (76kB)
	Text 8. DAFTAR ISI.pdf Download (98kB)
	Text 14. BAB IV HASIL DAN PEMBAHASAN.pdf Download (1MB)
	Text 16. DAFTAR PUSTAKA.pdf Download (158kB)

Abstract

Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang diagnosis dan
evaluasi dininya banyak memanfaatkan citra Magnetic Resonance Imaging (MRI). Seiring
berkembangnya teknologi kecerdasan buatan, deep learning berbasis Convolutional Neural
Network (CNN) telah banyak digunakan untuk membantu klasifikasi penyakit Alzheimer
dari citra MRI dengan tingkat accuracy yang tinggi. Namun, model CNN sering dianggap
sebagai black box karena kurang transparan dalam menjelaskan proses pengambilan
keputusan secara klinis. Penelitian ini bertujuan membandingkan kinerja arsitektur
EfficientNet-B0 dan ResNet50 dalam klasifikasi empat stadium penyakit Alzheimer serta
mengevaluasi interpretabilitas model menggunakan metode Gradient-weighted Class
Activation Mapping (Grad-CAM). Dataset yang digunakan terdiri atas 6.400 citra MRI yang
dibagi ke dalam kelas Non-Demented, Very Mild Demented, Mild Demented, dan Moderate
Demented. Pengujian dilakukan pada beberapa skenario, yaitu data original, augmentasi
data, penerapan class weight, serta kombinasi keduanya antara augmentasi data dan
penerapan class weight. Hasil penelitian menunjukkan bahwa EfficientNet-B0 memiliki
stabilitas dan kemampuan generalisasi yang lebih baik dengan validation accuracy sebesar
96,5% dan recall 95% pada skenario augmentasi. Sementara itu, ResNet50 mencapai
validation accuracy tertinggi sebesar 97% pada data original, namun cenderung mengalami
overfitting dan fenomena shortcut learning. Visualisasi Grad-CAM menunjukkan bahwa
EfficientNet-B0 lebih konsisten memfokuskan perhatian pada area anatomi otak yang
relevan dibandingkan ResNet50. Berdasarkan hasil tersebut, EfficientNet-B0 dinilai lebih
unggul dalam menjaga keseimbangan antara performa klasifikasi, kemampuan generalisasi,
dan interpretabilitas klinis.
Kata Kunci: Alzheimer, CNN, EfficientNet-B0, ResNet50, Grad-CAM

Actions (login required)

View Item