KLASIFIKASI CITRA MRI PADA ANAK PENDERITA ADHD MENGGUNAKAN DILATED 3D CNN DENGAN CONVOLUTIONAL BLOCK ATTENTION MODULE (CBAM)

Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan perkembangan saraf yang ditandai dengan inatensi, hiperaktivitas, dan impulsivitas. Diagnosis klinis ADHD masih bergantung pada observasi perilaku, sehingga diperlukan pendekatan objektif berbasis neuroimaging. Penelitian ini memanfaatkan citra Structural Magnetic Resonance Imaging (sMRI) untuk klasifikasi ADHD menggunakan dataset ADHD-200 dari International Neuroimaging Data-sharing Initiative (INDI) dengan dua kelas, yaitu Typically Developing Children (TDC) dan ADHD. Untuk mengatasi keterbatasan model baseline 3D Convolutional Neural Network (CNN) dalam menangkap informasi spasial yang luas, penelitian ini mengusulkan penambahan Dilated Convolution dan Convolutional Block Attention Module (CBAM). Evaluasi dilakukan menggunakan k-fold cross-validation dengan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa performa terbaik diperoleh pada learning rate 0.00001. Model baseline 3D CNN mencapai nilai rata-rata accuracy dan recall sebesar 71%, serta precision dan F1-score sebesar 70%. Penambahan Dilated Convolution meningkatkan performa menjadi 72% pada accuracy dan recall, serta 71% pada precision dan F1-score. Selanjutnya, integrasi CBAM memberikan peningkatan lebih lanjut dengan nilai rata-rata accuracy dan recall sebesar 73%, serta precision dan F1-score sebesar 72%. Hasil ini menunjukkan bahwa kombinasi 3D CNN, Dilated Convolution, dan CBAM efektif dan stabil dalam meningkatkan performa klasifikasi citra sMRI untuk membedakan kelas ADHD dan TDC