ABSTRAK Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
COVER Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 1 Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 2 Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 3 Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 4 Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 5 Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
PUSTAKA Fadilla Rizalul Yahya
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Data statistik global dari Global Burden of Disease Study menyebutkan bahwa penyakit
Alzheimer menjadi salah satu penyakit yang meningkat di antara lima puluh penyakit dengan
kasus terbanyak penyebab kematian pada periode 1990 hingga 2013. Identifikasi penyakit
Alzheimer perlu ketelitian yang tinggi karena adanya jenis tertentu dari penyakit tersebut. Deep
learning dapat membantu dalam klasifikasi kelas penyakit Alzheimer untuk meningkatkan
ketepatan dalam diagnosis. Pada penelitian ini, dilakukan klasifikasi citra MRI penyakit
Alzheimer menggunakan metode Convolutional Neural Network dengan empat arsitektur
berbeda berbasis TensorFlow dan Keras pada Google Colaboratory. Data yang digunakan
merupakan data publik situs ADNI dengan citra T1-weighted dari 20 pasien dalam format
DICOM yang dikonversi menjadi JPG. Kemudian, data terbagi dalam tiga folder dan dilakukan
proses augmentasi data untuk meningkatkan keragaman data. Dalam pemodelan, keempat
model diberikan hyperparameter. Hasil menunjukkan nilai akurasi yang berbeda pada tiap
model. Model D yaitu VGG-19 memiliki akurasi sebesar 99% dengan nilai kesalahan sebesar
2,06%. Penelitian ini diharapkan dapat menjadi referensi dalam analisis citra medis
menggunakan deep learning.