Ketidakseimbangan kelas dalam dataset pencitraan medis seringkali menyebabkan model pembelajaran mesin yang bias, terutama dalam diagnosis penyakit Alzheimer (AD) menggunakan MRI. Studi ini mengusulkan penggunaan Wasserstein Generative Adversarial Networks dengan Gradient Penalty (WGAN-GP) untuk mengatasi ketidakseimbangan kelas dalam dataset MRI AD. Gambar MRI realistis disintesis untuk tahap AD yang kurang terwakili, dan kualitas data yang dihasilkan diverifikasi secara kuantitatif menggunakan Fréchet Inception Distance (FID), dengan skor FID terendah tercatat sebesar 31,84, menunjukkan tingkat realisme dan keragaman yang tinggi. Gambar sintetis digunakan untuk memperluas dataset 6.400 pemindaian T1-weighted untuk melatih empat arsitektur Jaringan Saraf Konvolusional (CNN): ResNet-50, AlexNet, VGG-16, dan VGG-19. Hasil menunjukkan peningkatan akurasi yang signifikan secara statistik pada semua model (p < 0,01 untuk semua perbandingan). Kombinasi AlexNet + WGAN-GP mencapai akurasi tertinggi sebesar 98,54%, mewakili peningkatan rata-rata sebesar 4,76% (95% CI: 2,45% hingga 6,98%) dibandingkan dengan model dasar. Peningkatan signifikan juga diamati pada ResNet-50, VGG-16, dan VGG-19. Peningkatan ini konsisten di berbagai metrik evaluasi, termasuk presisi, recall, skor F1, dan AUC. Temuan ini mengonfirmasi bahwa WGAN-GP merupakan strategi yang sangat efektif dan secara statistik tervalidasi untuk meningkatkan akurasi diagnostik model CNN dalam klasifikasi penyakit Alzheimer.