Detail Cantuman

Otomatisasi deteksi Penyakit Alzheimer (Alzheimer’s Disease/AD) menjadi semakin vital bagi sistem perawatan kesehatan, mengingat metode klinis tradisional yang ada saat ini cenderung subjektif dan membutuhkan sumber daya yang intensif. Penelitian ini bertujuan untuk mengevaluasi potensi diagnostik Deep Learning (DL) dengan membandingkan kinerja tiga arsitektur berbeda: Custom Convolutional Neural Network (CNN), ResNet-50, dan Vision Transformers (ViT) untuk klasifikasi biner AD. Menerapkan strategi validasi lintas dataset (cross-dataset validation), model dilatih menggunakan dataset publik Falah dan diuji pada dataset eksternal primer berupa sekuens MRI Axial T1-weighted yang dikumpulkan dari Rumah Sakit Hasan Sadikin (RSHS), Indonesia. Untuk mengidentifikasi model yang paling optimal, dilakukan Grid Search pada 27 konfigurasi eksperimen yang mengombinasikan tiga jenis optimizer (Adam, SGD, AdamW) dengan tiga variasi learning rate (0.001, 0.0001, 0.00001). Seluruh proses pelatihan dijalankan menggunakan GPU Cloud T4 untuk komputasi. Hasil penelitian menunjukkan bahwa ResNet-50 dengan optimizer SGD dan learning rate 0.0001 merupakan arsitektur superior, yang mencapai akurasi internal sebesar 98,86% serta mempertahankan stabilitas performa pada data eksternal dengan akurasi 82,27%. Custom CNN juga menunjukkan kinerja yang kompetitif dengan akurasi 82,12% pada uji internal dan 65,25% pada dataset eksternal, mengungguli kemampuan generalisasi model ViT. Sebaliknya, arsitektur ViT menunjukkan sensitivitas yang parah terhadap domain shift, dengan akurasi yang turun drastis menjadi 61,70% pada data klinis eksternal. Temuan ini mengindikasikan bahwa arsitektur berbasis CNN yang memiliki inductive biases kuat menawarkan dukungan diagnostik yang lebih aman dan andal untuk lingkungan klinis dunia nyata dibandingkan model Transformer yang sangat bergantung pada data (data-driven).