Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild, moderate dan severe demented. Pencitraan otak menggunakan magnetic resonance imaging (MRI) adalah metode diagnosis awal yang umum dilakukan. Akan tetapi, pembacaan citra MRI dilakukan secara subjektif oleh para ahli sehingga membuang waktu dan melelahkan. Convolutional Neural Networks (CNN) telah banyak digunakan untuk tujuan pembacaan citra medis dan memiliki rata-rata akurasi klasifikasi citra terbaik dibandingkan metode-metode lainnya. Berlawanan dengan keunggulannya, CNN juga memiliki kelemahan, yaitu terbatasnya ketersediaan dataset dalam bidang medis dan sifat black box yang dimiliki oleh CNN. Terbatasnya ketersediaan data dapat diatasi dengan memanfaatkan augmentasi dataset dan transfer learning arsitektur CNN yang telah ada. Sifat black box CNN dapat diatasi dengan menggunakan explainable AI (XAI) untuk dapat memberikan penjelasan visual terkait area pada citra yang memengaruhi model melakukan klasifikasi. Penjelasan visual tersebut berupa heatmap pada citra. Penelitian ini bertujuan untuk membuat model-model pre-trained CNN yang dapat melakukan klasifikasi citra MRI otak Alzheimer dan menghasilkan visualisasi heatmap yang menjadi fokus model dalam melakukan klasifikasi menggunakan XAI. Dataset yang digunakan berasal dari website Kaggle (www.kaggle.com/datasets/tourist55/alzheimers-dataset-4-class-of-images). Dalam penelitian diterapkan berbagai teknik augmentasi data untuk memperbanyak dataset, transfer learning pre-trained CNN (DenseNet121, EfficientNetB0, EfficientNetB2, dan ResNet50) dari library Keras, dan penggunaan XAI Grad-CAM dari library Keras. Teknik augmentasi data digunakan untuk memperbanyak dan menyeimbangkan dataset yang digunakan sesuai kebutuhan penelitian ini. Agar hasil yang diberikan model semakin meyakinkan, dataset dibagi menggunakan stratified 5-folds. Masing-masing arsitektur DenseNet121, EfficientNetB0, EfficientNetB2, dan ResNet50 dibuat menjadi 5 model sama persis untuk mengerjakan setiap fold yang dihasilkan. Hasil training dan testing kelima model dari setiap arsitektur dirata-rata dan dibandingkan hasilnya. Hasil yang didapatkan ada nilai akurasi, precision, recall, dan F1-score. Setelah training dan testing selesai, model dengan akurasi test tertinggi dari setiap arsitektur digunakan bersama Grad-CAM untuk menghasilkan visualisasi heatmap pada citra. Hasil pertama dari penelitian ini adalah berdasarkan rata-rata akurasi test, model terbaik dalam penelitian ini adalah DenseNet121 dengan rata-rata akurasi test, precision test, recall test, dan f1-score test berturut-turut 98,2%, 98,9%, 98,3%, dan 98,6%. Arsitektur EfficientNetB0 mendapatkan rata-rata akurasi test, precision test, recall test, dan f1-score test berturut-turut 97,8%, 98,4%, 98,1%, dan 98,3%. Arsitektur EfficientNetB2 mendapatkan rata-rata akurasi test, precision test, recall test, dan f1-score test berturut-turut 97,5%, 97,9%, 97,1%, dan 97,5%. Arsitektur ResNet50 mendapatkan rata-rata akurasi test, precision test, recall test, dan f1-score test berturut-turut 97,9%, 98,6%, 98,2%, dan 98,4%. Hasil kedua dari penelitian ini adalah memberikan visualisasi area yang memengaruhi tiap model berbeda-beda. Tidak semua model menghasilkan visualisasi yang mudah dipahami. Heatmap DenseNet121 dan EfficientNetB0 dapat menunjukkan area pada citra untuk setiap kelas yang menjadi fokus model dalam melakukan klasifikasi. Heatmap EfficientNetB2 tidak dapat menunjukkan area pada citra untuk setiap kelas sehingga tidak dapat diketahui mana yang menjadi fokus model. Heatmap ResNet50 memberikan hanya memberikan visualisasi yang jelas pada kelas very mild demented dan moderate demented saja. Secara umum, visualisasi yang didapatkan belum cukup baik. Hasil visualisasi antar citra dalam satu kelas yang sama juga tidak seragam.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,884
Tahun 2025 · Penulis: Nabillah Salsabilla
Klasifikasi Kanker Paru Menggunakan InceptionV3 Dan EfficientNet Dengan Visualisasi Grad-CAM Untuk Mendukung Diagnosis Klinis
Kanker paru merupakan salah satu penyakit dengan penderita terbanyak didunia. Kanker paru sangat sulit diagnosis karena timbul dan menunjukkan gejala pada stadium lanjutan. Oleh karena itu, untuk meminimalisir kejadian tersebut, membutuhkan dukungan keputusan
- Cosine 0,864
Tahun 2025 · Penulis: Mario Ari Refangga
Analisis Penerapan Deep Learning CNN untuk Kepentingan Klasifikasi Kondisi Gigi Berbasis Citra X-Ray
Kesehatan gigi dan mulut merupakan salah satu aspek penting dari kesehatan seseorang yang tidak boleh diabaikan. Masalah umum seperti gigi berlubang, implan gigi, impaksi gigi, dan gigi tambalan dapat dicegah atau diatasi dengan perawatan yang tepat. Teknologi
- Cosine 0,860
Tahun 2025 · Penulis: Frans Vito Jonathan Simamora
Optimasi Klasifikasi Ekspresi Wajah Berdasarkan Citra Wajah Menggunakan Hog, Od-Lbp, Dan Pca
Ekspresi wajah merupakan bentuk berinteraksi secara berperan besar secara nonvarbal yang memiliki pengaruh besar dalam interaksi sosial. Ekspresi wajah juga menjadi fokus berbagai perkembagan penelitan dan dalam berbagai pengaplikasian. Menurut para peneliti,