Implementasi transfer Learning MobileNet V3 untuk Klasifikasi Alzheimer pada gambar MRI otak berbasis website

Fadlan, Zaki (2024) Implementasi transfer Learning MobileNet V3 untuk Klasifikasi Alzheimer pada gambar MRI otak berbasis website. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (45kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (21kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (84kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (308kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (692kB) | Request a copy
Preview	Text (BAB III) 6_bab3.pdf Download (93kB) | Preview
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (718kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB VI) 9_bab6.pdf Restricted to Registered users only Download (91kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (170kB) | Request a copy

Abstract

Penyakit alzheimer merupakan penyakit neurodegeneratif progresif yang menyebabkan demensia pada usia lanjut yang dapat mempengaruhi jutaan orang di seluruh dunia dengan perkiraan mencapai 300 juta pada tahun 2050. Diagnosis dini menjadi krusial untuk memulai pengobatan yang tepat pada tahap awal penyakit ini. Saat ini, diagnosis penyakit alzheimer menggunakan neuroimaging MRI otak yang bergantung pada evaluasi subjektif dari dokter, yang sering kali sulit dan memakan waktu. Penelitian ini mengimplementasikan transfer learning dengan menggunakan model MobileNet V3 untuk meningkatkan keakuratan diagnosis alzheimer melalui analisis gambar MRI otak. Penelitian ini bertujuan untuk mengklasifikasikan gambar MRI otak dalam berbagai tahapan penyakit alzheimer dengan menggunakan dataset yang relevan. Metode yang digunakan meliputi penggunaan MobileNet V3 sebagai model dasar tanpa lapisan klasifikasi, penggunaan transfer learning, dan evaluasi performa model berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model yang digunakan mampu mengklasifikasi penyakit alzheimer dengan akurasi mencapai 93%. Kinerja model menunjukkan precision dan recall yang baik untuk berbagai kelas klasifikasi alzheimer, meskipun ada tantangan dalam mengidentifikasi beberapa kasus mild demented dan very mild demented.

Actions (login required)

View Item