Klasifikasi Penyakit Alzheimer pada Citra Mri menggunakan VGG-19 dengan Teknik Transfer learning dan fine-tuning

Deep learning, khususnya Convolutional Neural Network (CNN) dengan arsitektur VGG-19, telah banyak di terapkan dalam klasifikasi citra medis. Namun, performa VGG-19 berbasis transfer learning sering kali tidak optimal akibat penerapan pengabaian teknik preprocessing standar, seperti mean subtraction, serta kurangnya penerapan fine-tuning untuk mengadaptasi fitur generik ImageNet ke karakteristik spesifik citra medis. Penelitian ini bertujuan untuk mengevaluasi pengaruh mean subtraction dan strategi fine-tuning pada model VGG-19 dalam mengklasifikasikan empat tahap penyakit Alzheimer: Alzheimer's Disease (AD), Early Mild Cognitive Impairment (EMCI), Late Mild Cognitive Impairment (LMCI), dan Cognitively Normal (CN). Dataset bersumber dari Alzheimer's Disease Neuroimaging Initiative (ADNI) sebanyak 518 citra 3D MRI yang diproses menjadi 4.662 citra 2D. Tahapan preprocessing meliputi skull stripping, pemilihan slice kunci, resizing, konversi grayscale ke RGB, mean subtraction, dan augmentasi. Evaluasi model dilakukan melalui 12 skenario pengujian variasi learning rate dan dropout, divalidasi dengan 5-fold cross-validation, dan diakhiri dengan pengujian test set 10%. Hasil penelitian menunjukkan bahwa penggunaan scaling 0-1 menghasilkan akurasi 50.00%, sedangkan penerapan mean subtraction meningkatkan akurasi menjadi 86.54%. Penambahan strategi fine-tuning dengan learning rate 0.00001 dan dropout 0.5 menghasilkan performa validasi tertinggi sebesar 92.31%. Pada pengujian akhir menggunakan data uji model mencapai akurasi keseluruhan sebesar 94.23%, dengan tingkat recall kelas AD dan EMCI mencapai 100%. Integrasi teknik mean subtraction dan fine-tuning dengan learning rate rendah terbukti efektif dalam memaksimalkan performa arsitektur VGG-19 untuk pengenalan pola penyakit Alzheimer.