KLASIFIKASI ATTENTION DEFICIT HYPERACTIVITY DISORDER (ADHD) MENGGUNAKAN TRANSFER LEARNING MEDICALNET PADA MULTI JARINGAN OTAK

Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan neuropsikiatri yang berdampak pada fungsi kognitif, sosial, dan pendidikan. Mengingat diagnosis klinis saat ini masih bersifat subjektif, diperlukan metode objektif melalui pemindaian otak. Penelitian ini menerapkan MedicalNet, sebuah arsitektur ResNet-50 berbasis volume tiga dimensi yang dirancang khusus untuk data citra medis. Model dievaluasi dalam dua skenario utama: pertama, melakukan klasifikasi pada setiap jaringan otak (Gray Matter, White Matter, dan Cerebrospinal Fluid) secara terpisah yang kemudian di integrasikan melalui mekanisme majority voting. Kedua, menggunakan data MRI ternormalisasi secara langsung tanpa segmentasi jaringan sebagai input model. Analisis data dalam bentuk volume utuh memungkinkan jaringan saraf menangkap pola spasial dan karakteristik struktural otak secara komprehensif. Hasil pengujian menunjukkan bahwa pendekatan multi-tissue dengan majority voting memberikan performa klasifikasi yang lebih konsisten dibandingkan model tanpa segmentasi. Integrasi fitur dari berbagai jaringan otak terbukti meningkatkan akurasi dalam membedakan subjek ADHD dan TDC (Normal) dengan akurasi mencapai 80%.