Perpustakaan Digital ITB

Penyakit Alzheimer merupakan penyakit neurodegeneratif yang menjadi penyebab utama demensia di kalangan lansia dan belum memiliki obat. Deteksi dini dan prediksi risiko menjadi kunci untuk penanganan yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan model deteksi status kognitif (Normal, Mild Cognitive Impairment/MCI, dan Alzheimer's Disease/AD) serta model prediksi risiko konversi ke AD menggunakan pendekatan machine learning dan analisis survival. Model ini dirancang untuk dapat diimplementasikan pada fasilitas layanan kesehatan di Indonesia dengan memfokuskan pada fitur non-invasif dan non-radiologis. Data yang digunakan berasal dari dataset National Alzheimer’s Coordinating Center (NACC) dengan subjek ras Asia. Setelah melalui proses pembersihan, pra-pemrosesan, dan seleksi fitur iteratif menggunakan Recursive Feature Elimination (RFE), 13 fitur klinis dan neuropsikologis terpilih sebagai prediktor utama. Model deteksi terbaik dikembangkan menggunakan algoritma Random Forest, yang berhasil mencapai akurasi sebesar 92,7%; F1-Macro 90,4%; dan AUC-ROC 98,3%. Untuk prediksi risiko, model Random Survival Forest (RSF) menunjukkan performa unggul dengan Concordance Index (C-index) sebesar 0,970 dan Brier Score 0,0184. Hasil penelitian ini menunjukkan bahwa dengan menggunakan 13 fitur terpilih, kedua model mampu memberikan performa yang sangat baik dan berpotensi untuk diimplementasikan sebagai alat bantu skrining dan prediksi risiko Alzheimer yang efisien di layanan kesehatan primer.