Optimasi Deteksi Penyakit Alzheimer dengan Convulation Neural Network (CNN) dan Support Vector Machine (SVM) untuk Klasifikasi Tingkat Demensia
DOI:
https://doi.org/10.33795/jip.v11i4.7358Keywords:
alzheimer, CNN, SVM, Klasifikasi demensia, citra MRIAbstract
Deteksi dini penyakit Alzheimer menjadi tantangan penting dalam dunia medis modern karena keterbatasan diagnosis berbasis observasi klinis dan analisis manual citra MRI yang sangat tergantung pada keahlian spesialis. Dengan meningkatnya jumlah penderita Alzheimer secara global, dibutuhkan pendekatan otomatis yang cepat, akurat, dan dapat diandalkan untuk mendeteksi tingkat demensia. Penelitian ini mengusulkan metode klasifikasi hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai teknik ekstraksi fitur mendalam dan Support Vector Machine (SVM) sebagai algoritma klasifikasi untuk mengidentifikasi tingkat keparahan demensia berdasarkan citra MRI otak. Dataset yang digunakan terdiri dari empat kelas: NonDemented, VeryMildDemented, MildDemented, dan ModerateDemented. Seluruh citra melalui tahap preprocessing, termasuk resize dan normalisasi, kemudian diproses dengan CNN untuk menghasilkan fitur spasial yang representatif. Fitur-fitur ini selanjutnya diklasifikasikan menggunakan SVM. Evaluasi dilakukan dengan metode 5-fold cross-validation untuk menjamin kestabilan performa model. Hasil pengujian menunjukkan bahwa metode CNN + SVM menghasilkan akurasi rata-rata sebesar 98.97%, dengan nilai precision, recall, dan F1-score yang konsisten tinggi. Metode ini secara signifikan melampaui pendekatan konvensional seperti HOG + SVM dan LBP + SVM yang hanya mencapai akurasi masing-masing sebesar 92.52% dan 54.76%. Dengan demikian, penggabungan CNN dan SVM terbukti mampu mengoptimalkan proses klasifikasi tingkat demensia, dan berpotensi besar dikembangkan sebagai sistem pendukung keputusan berbasis citra dalam diagnosis penyakit Alzheimer secara otomatis.
Downloads
References
Abdusyukur, F. (2023). Penerapan Algoritma Support Vector Machine (Svm) Untuk Klasifikasi Pencemaran Nama Baik Di Media Sosial Twitter. Komputa : Jurnal Ilmiah Komputer Dan Informatika, 12(1), 73–82. https://doi.org/10.34010/komputa.v12i1.9418
ANHAR, A., & PUTRA, R. A. (2023). Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN). ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(2), 466. https://doi.org/10.26760/elkomika.v11i2.466
Fadila, Dian Agil, Sri Sumarlinda, W. L. (2024). PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM KLASIFIKASI KAYU GUNA BAHAN BAKU MEBEL. Infotech, 7(1), 55–62.
Faruk Abdullah, R. R., & Hasan, M. (2022). Penerapan Convolutional Neural Network (CNN) Untuk Klasifikasi Penggunaan Masker. Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer, 1(2), 79–84. https://doi.org/10.37195/balok.v1i2.164
Gonten, F., Nfwan, F., & Ya’u Gital, A. (2024). Pre-Review Convolutional Neural Network for Detecting Object in Image Comprehensive Survey and Analysis. Journal of Information Systems and Technology Research, 3(2), 45–64. https://doi.org/10.55537/jistr.v3i2.799
Harahap, M., Jefferson, J., Barti, S., Samosir, S., & Turnip, C. A. (2020). Implementation of Convolutional Neural Network in the classification of red blood cells have affected of malaria. SinkrOn, 5(2), 199–207. https://doi.org/10.33395/sinkron.v5i2.10713
Husen, D. (2024). Klasifikasi Citra MRI Tumor Otak Menggunakan Metode Convolutional Neural Network. Bit-Tech, 7(1), 143–152. https://doi.org/10.32877/bt.v7i1.1576
Muthia Sakhdiah, Admi Salma, Dony Permana, & Dina Fitria. (2024). Sentiment Analysis Using Support Vector Machine (SVM) of ChatGPT Application Users in Play Store. UNP Journal of Statistics and Data Science, 2(2), 151–158. https://doi.org/10.24036/ujsds/vol2-iss2/158
Richo. (2023). Analisis Performa Berbagai Arsitektur Convolutional Neural Network (CNN) terhadap Ketepatan Deteksi Cacat pada Kemasan Snack Box. Journal of Advances in Information and Industrial Technology, 5(1), 31–42. https://doi.org/10.52435/jaiit.v5i1.377
Satria, G., Ramadhan, P., & Nugroho, S. (2024). Optimasi Data Preprocessing dan Hyperparameter Tuning pada Klasifikasi Penyakit Daun Apel menggunakan DenseNet169. Building of Informatics, Technology and Science (BITS), 6(3), 1352–1362. https://doi.org/10.47065/bits.v6i3.6134
Supiyani, I., & Arifin, N. (2022). Identifikasi Nomor Rumah Pada Citra Digital Menggunakan Neural Network. METHODIKA: Jurnal Teknik Informatika Dan Sistem Informasi, 8(1), 18–21. https://doi.org/10.46880/mtk.v8i1.921
Susanti, N., Siregar, N. H., Ramadhani, N., & Sihite, R. N. (2024). Alzheimer Dan Dimensia. Kesehatan Tambusai, 5(2), 5736–5743.
Tarigan, V. T., & Yusupa, A. (2024). Perbandingan Algoritma Maching Learning dalam Analisis Sentimen Mobil Listrik di Indonesia pada Media Sosial Twitter/X. Jurnal Informatika Polinema, 10(4), 479–490. https://doi.org/10.33795/jip.v10i4.5130
Velarati, K., Sari, C. A., & Rachmawanto, E. H. (2024). A Comparison of Convolutional Neural Network ( CNN ) and Transfer Learning MobileNetV2 Performance on Spices Images Classification. Journal of Applied Informatics and Computing (JAIC), 8(2), 413–420.
Wahyuni, S. D., & Kusumodestoni, R. H. (2024). Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting. Bulletin of Information Technology (BIT), 5(2), 56–64. https://doi.org/10.47065/bit.v5i2.1247
