klasifikasi citra x-ray menggunakan convolutional …
Post on 31-Oct-2021
29 Views
Preview:
TRANSCRIPT
KLASIFIKASI CITRA X-RAY MENGGUNAKAN CONVOLUTIONAL
NEURAL NETWORK UNTUK KATEGORI PENYAKIT THORAX
Laporan Tugas Akhir
Diajukan Untuk Memenuhi
Persyaratan Guna Meraih Gelar Sarjana
Informatika Universitas Muhammadiyah Malang
Taufik Akbar
(201610370311224)
Bidang Minat
Data Science
PROGRAM STUDI INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2020
i
LEMBAR PERSETUJUAN
KLASIFIKASI CITRA X-RAY MENGGUNAKAN CONVOLUTIONAL
NEURAL NETWORK UNTUK KATEGORI PENYAKIT THORAX
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui,
Malang, 1 Oktober 2020
Pembimbing I
Agus Eko Minarno, S.Kom., M.Kom.
NIP: 108.1410.0540
Pembimbing II
Yufis Azhar, S.Kom., M.Kom.
NIP: 108.1410.0544
ii
LEMBAR PENGESAHAN
KLASIFIKASI CITRA X-RAY MENGGUNAKAN CONVOLUTIONAL
NEURAL NETWORK UNTUK KATEGORI PENYAKIT THORAX
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
Teknik Informatika Universitas Muhammadiyah Malang
Disusun Oleh :
Taufik Akbar
201610370311224
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji
pada tanggal 16 Oktober 2020
Menyetujui,
Penguji I
Hariyady, S.Kom., M.T.
NIDN : 0717067307
Penguji II
Zamah Sari, S.T., M.T.
NIDN : 0708087701
Mengetahui,
Ketua Jurusan Teknik Informatika
Gita Indah Marthasari, S.T., M.Kom
NIP: 108.0611.0442
iii
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini :
NAMA : Taufik Akbar
NIM : 201610370311224
FAK./JUR. : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “KLASIFIKASI
CITRA X-RAY MENGGUNAKAN CONVOLUTIONAL NEURAL
NETWORK UNTUK KATEGORI PENYAKIT THORAX” beserta seluruh
isinya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik
sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan
sumbernya.
Demikian surat pernyatan ini saya buat dengan sebenar-benarnya. Apabila
kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya
saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya
siap menanggung segala bentuk resiko/sanksi yang berlaku.
Mengetahui,
Dosen Pembimbing
Agus Eko Minarno, S.Kom., M.Kom.
Malang, 1 Oktober 2020
Yang Membuat Pernyataan
Taufik Akbar
iv
ABSTRAK
Citra X-Ray merupakan salah satu citra yang digunakan dalam bidang medis
untuk mendeteksi penyakit pada seorang pasien. Klasifikasi citra x-ray merupakan
suatu pekerjaan penting untuk membantu membedakan jenis penyakit thorax.
Seiring bertambahnya permintaan untuk membaca penyakit melalui citra x-ray,
banyak cara untuk mengklasifikasi jenis penyakit tersebut. Salah satunya dengan
memanfaatkan teknologi, seperti algoritma Convolutional Neural Network (CNN)
pada teknik Deep Learning (DL). Dalam penelitian ini, mengusulkan salah satu
model pada CNN yaitu EfficientNet untuk membantu mengklasifikasi 14 jenis
penyakit thorax pada citra x-ray. Model yang diusulkan mencapai kinerja yang
signifikan dengan rata-rata nilai AUC sebesar 0,788. Dan bekerja maksimal pada
jenis penyakit Edema dengan nilai AUC 0.873. Hasil tersebut menunjukkan
performa model EfficientNet dalam mengkasifikasi penyakit thorax.
Kata Kunci: Convolutional Neural Network, EfficientNet, Image Processing, X-
Ray
v
ABSTRACT
X-Ray image is one of the images used in the medical field to detect disease
in a patient. X-ray image classification is an important task to help differentiate
the types of thorax disease. As the demand for reading diseases through x-ray
images grows, there are many ways to classify these types of diseases. One of them
is by utilizing technology, such as the Convolutional Neural Network (CNN)
algorithm in Deep Learning (DL) techniques. In this study, we propose one of the
models on CNN, namely EfficientNet to help classify 14 types of thorax on x-ray
images. The proposed model achieves significant performance with an average
AUC value of 0.788. And work optimally in types of Edema with an AUC value
of 0.873. These results indicate the performance of the EfficientNet model in
classifying thorax disease.
Keywords: Convolutional Neural Network, EfficientNet, Image Processing, X-
Ray
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis
dapat menyelesaikan tugas akhir ini. Penulis menyampaikan ucapan terima kasih
yang sebesar-besarnya kepada :
1. Bapak Agus Eko Minarno, S.Kom., M.Kom. dan Bapak Yufis Azhar,
S.Kom., M.Kom. selaku pembimbing tugas akhir.
2. Bapak/Ibu Dekan Fakultas Teknik Universitas Muhammadiyah Malang.
3. Bapak/Ibu Ketua Jurusan Teknik Informatika Universitas Muhammadiyah
Malang.
4. Kedua orang tua yang dengan restunya, do’anya, harapan-harapan, serta
pengorbanannya menjadikan penulis untuk tidak menyerah dalam
menyelesaikan laporan tugas akhir ini.
5. Rekan penulis baik itu rekan kuliah seangkatan, adik tingkat, dan kakak
tingkat pada Fakultas Teknik Universitas Muhammadiyah Malang,
maupun dari fakultas dan universitas lain yang telah banyak memberi
masukan, pendapat, dan arahan hingga akhirnya dapat menyelesaikan
tugas akhir ini.
6. Sahabat yang selalu memberikan motivasi, dukungan moral serta material
yang membuat penulis lebih semangat untuk menyelesaikan tugas akhir
ini.
7. Dan semua pihak yang terlibat baik secara langsung maupun tidak
langsung pada proses penulisan laporan tugas akhir.
Malang, 1 Oktober 2020
Taufik Akbar
vii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan
rahmat dan hidayah-Nya sehingga peneliti dapat menyelesaikan tugas akhir yang
berjudul :
“KLASIFIKASI CITRA X-RAY MENGGUNAKAN
CONVOLUTIONAL NEURAL NETWORK UNTUK
KATEGORI PENYAKIT THORAX”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi penerapan
metode Convolutional Neural Network pada klasifikasi citra x-ray, pengaruh
augmentasi data pada hasil klasifikasi, hingga pengujian metode metode yang
digunakan untuk melakukan klasifikasi.
Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih
banyak kekurangan dna keterbatasan. Oleh karena itu peneliti mengharapkan saran
yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu
pegetahuan.
Malang, 1 Oktober 2020
Taufik Akbar
viii
DAFTAR ISI
LEMBAR PERSETUJUAN ................................................................................... i
LEMBAR PENGESAHAN ................................................................................... ii
LEMBAR PERNYATAAN ................................................................................. iii
ABSTRAK ........................................................................................................... iv
ABSTRACT .......................................................................................................... v
LEMBAR PERSEMBAHAN ............................................................................... vi
KATA PENGANTAR ......................................................................................... vii
DAFTAR ISI ...................................................................................................... viii
DAFTAR GAMBAR............................................................................................. x
DAFTAR TABEL ................................................................................................ xi
BAB I..................................................................................................................... 1
PENDAHULUAN ................................................................................................. 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 5
1.3 Tujuan Penelitian ...................................................................................... 5
1.4 Batasan Masalah ....................................................................................... 5
BAB II ................................................................................................................... 6
TINJAUAN PUSTAKA ........................................................................................ 6
2.1 Studi Literatur .......................................................................................... 6
2.1.1 Penelitian Terdahulu ......................................................................... 6
2.2 Penyakit Thorax ....................................................................................... 7
2.3 Deep Learning .......................................................................................... 7
2.4 Image Classification ................................................................................. 8
2.5 Augmentasi Data ...................................................................................... 8
2.6 Transfer Learning ..................................................................................... 9
2.7 Convolutional Neural Network ................................................................ 9
2.7.1 Convolutional Layer ....................................................................... 10
2.7.2 Pooling Layer .................................................................................. 11
2.7.3 Global Average Pooling .................................................................. 11
2.7.4 Fully Connected Layer .................................................................... 12
2.7.5 Dropout ........................................................................................... 13
2.7.6 Dense ............................................................................................... 13
2.8 EfficientNet ............................................................................................ 13
2.9 Class Balancing ...................................................................................... 14
ix
2.10 Teknik Pengujian Confussion Matrix .................................................... 15
2.11 Bahasa Pemrograman Python ................................................................. 16
2.12 Google Colaboratory .............................................................................. 16
BAB III ................................................................................................................ 18
METODOLOGI PENELITIAN .......................................................................... 18
3.1 Analisa Kebutuhan ................................................................................. 18
3.2 Data Penelitian ....................................................................................... 18
3.3 Skema Perancangan Implementasi dan Pengujian Metode .................... 19
3.3.1 Pengumpulan Data .......................................................................... 20
3.3.2 Class Balancing ............................................................................... 20
3.3.3 Pembagian Data .............................................................................. 21
3.3.4 Data Augmentasi ............................................................................. 21
3.3.5 Skenario Implementasi Model EfficientNet ................................... 21
3.3.6 Skenario Pengujian Klasifikasi ....................................................... 22
BAB IV ................................................................................................................ 23
HASIL DAN PEMBAHASAN ........................................................................... 23
4.1 Implementasi .......................................................................................... 23
4.2 Class Balancing ...................................................................................... 23
4.3 Data Latih, Data Validasi, dan Data Uji ................................................. 24
4.4 Data Augmentasi .................................................................................... 24
4.5 Implementasi Convolutional Neural Network ....................................... 25
4.5.1 Inisiasi Package dan Library ........................................................... 25
4.5.2 Memuat Dataset .............................................................................. 26
4.5.3 Pembuatan Model ........................................................................... 26
4.5.4 Inisiasi Optimizer dan Loss ............................................................ 27
4.5.5 Inisiasi Pelatihan Model .................................................................. 27
4.6 Evaluasi dan Pengujian .......................................................................... 27
4.6.1 Skenario 1 ....................................................................................... 28
4.6.2 Skenario 2 ....................................................................................... 32
BAB V ................................................................................................................. 39
KESIMPULAN ................................................................................................... 39
5.1 Kesimpulan ............................................................................................. 39
5.2 Saran ....................................................................................................... 39
DAFTAR PUSTAKA .......................................................................................... 40
x
DAFTAR GAMBAR
Gambar 1. Workflow Proses Klasifikasi ............................................................... 8
Gambar 2. Arsitektur Convolutional Neural Network ....................................... 10
Gambar 3. Convolutional Layer .......................................................................... 11
Gambar 4. Pooling Layer .................................................................................... 11
Gambar 5. Proses Global Average Pooling ......................................................... 12
Gambar 6. Fully Connected Layer ...................................................................... 12
Gambar 7. Jaringan Syaraf Sebelum Dropout (a) dan Setelah Dropout (b) ........ 13
Gambar 8. Arsitektur EfficientNet ...................................................................... 14
Gambar 9. Contoh Citra X-ray Pada Dataset ChestX-ray14 ............................... 19
Gambar 10. Skema Implementasi dan Pengujian Metode................................... 20
Gambar 11. Workflow Augmentasi Data ............................................................ 21
Gambar 12. Skenario Implementasi Model EfficientNet .................................... 22
Gambar 13. Source Code Perhitungan Rasio Frekuensi ..................................... 23
Gambar 14. Source Code Proses Balancing Antara Sampel ............................... 24
Gambar 15. Source Code Data Augmentasi ........................................................ 25
Gambar 16. Source Code Inisiasi Package dan Library ...................................... 25
Gambar 17. Source Code Proses Memuat Dataset .............................................. 26
Gambar 18. Source Code Proses Pembuatan Model ........................................... 26
Gambar 19. Source Code Inisiasi Optimizer dan Loss ....................................... 27
Gambar 20. Source Code Inisiasi Pelatihan Model ............................................. 27
Gambar 21. Grafik Model Loss Skenario 1 ........................................................ 29
Gambar 22. Grafik Model Accuracy Skenario 1 ................................................. 29
Gambar 23. Source Code inisiasi pengujian ROC dan AUC .............................. 30
Gambar 24. Source Code pengujian menggunakan data uji ............................... 30
Gambar 25. Kurva ROC Skenario 1 .................................................................... 31
Gambar 26. Grafik Model Loss Skenario 2 ........................................................ 33
Gambar 27. Grafik Model Accuracy Skenario 2 ................................................. 33
Gambar 28. Kurva ROC Skenario 2 .................................................................... 35
xi
DAFTAR TABEL
Tabel 1. Tabel Confussion Matrix ........................................................................ 15
Tabel 2. Performa Pelatihan Model Skenario 1 ................................................... 28
Tabel 3. Nilai AUC Pada Skenario 1 ................................................................... 30
Tabel 4. Performa Pelatihan Model Skenario 2 ................................................... 32
Tabel 5. Nilai AUC Pada Skenario 2 ................................................................... 34
Tabel 6. Perbandingan Nilai AUC Skenario 1 dan 2 ........................................... 35
Tabel 7. Perbandingan Hasil Tanpa Class Balancing dan Data Augmentasi ....... 36
Tabel 8. Perbandingan Hasil Dengan Class Balancing dan Data Augmentasi .... 37
40
DAFTAR PUSTAKA
[1] X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri, and R. M. Summers, “ChestX-
ray8 : Hospital-scale Chest X-ray Database and Benchmarks on Weakly-
Supervised Classification and Localization of Common Thorax Diseases,”
IEEE Access, pp. 2097–2106, 2017.
[2] S. S. K and N. C. Naveen, “Comprehensive Classification Model for
Diagnosing Multiple Disease Condition from Chest X-Ray,” Int. J. Adv.
Comput. Sci. Appl., vol. 9, no. 9, pp. 326–337, 2018.
[3] I. M. Baltruschat, H. Nickisch, M. Grass, T. Knopp, and A. Saalbach,
“Comparison of Deep Learning Approaches for Multi-Label Chest X-Ray
Classification,” Sci. Rep., vol. 9, no. 1, p. 6381, 2019.
[4] Z. Xue et al., “Chest X-ray Image View Classification,” IEEE Access, pp.
66–71, 2015.
[5] H. Liu, L. Wang, Y. Nan, F. Jin, Q. Wang, and J. Pu, “Computerized Medical
Imaging and Graphics SDFN : Segmentation-based deep fusion network for
thoracic disease classification in chest X-ray images,” Comput. Med.
Imaging Graph., vol. 75, pp. 66–73, 2019.
[6] C. Liu et al., “TX-CNN: Detecting tuberculosis in chest X-ray images using
convolutional neural network,” in 2017 IEEE International Conference on
Image Processing (ICIP), 2017, pp. 2314–2318.
[7] C. Yan, J. Yao, R. Li, Z. Xu, and J. Huang, “Weakly Supervised Deep
Learning for Thoracic Disease Classification and Localization on Chest X-
rays,” ACM Int. Con- ference Bioinformatics, Comput. Biol. Heal.
Informatics, pp. 103–110, 2018.
[8] O. Stephen, M. Sain, U. Maduh, and D. Jeong, “An Efficient Deep Learning
Approach to Pneumonia Classification in Healthcare,” J. Healthc. Eng., pp.
1–7, Mar. 2019.
[9] I. Pan, S. Agarwal, and D. Merck, “Generalizable Inter-Institutional
Classification of Abnormal Chest Radiographs Using Efficient
Convolutional Neural Networks,” J. Digit. Imaging, vol. 32, 2019.
[10] Z. Liang et al., “CNN-Based Image Analysis for Malaria Diagnosis,” IEEE
Int. Conf. Bioinforma. Biomed., pp. 493–496, 2016.
41
[11] T. Arau et al., “Classification of breast cancer histology images using
Convolutional Neural Networks,” vol. 12, no. 6, pp. 1–14, 2017.
[12] R. Ghosh, K. Ghosh, and S. Maitra, “Automatic Detection and Classification
of Diabetic Retinopathy stages using CNN,” Int. Conf. Signal Process.
Integr. Networks, pp. 550–554, 2017.
[13] R. Rokhana et al., “Convolutional Neural Network untuk Pendeteksian Patah
Tulang Femur pada Citra Ultrasonik B – Mode,” J. Nas. Tek. Elektro dan
Teknol. Inf., vol. 8, no. 1, pp. 59–67, 2019.
[14] Hariyanto, S. A. Sudiro, and S. Lukman, “Keakuratan Deteksi Keaslian Sidik
Jari Menggunakan Metode CNN,” Semin. Nas. Teknol. Inf. dan Komun.
STI&K, vol. 3, no. 1, pp. 247–252, 2019.
[15] L. A. Andika, H. Pratiwi, and S. S. Handajani, “KLASIFIKASI PENYAKIT
PNEUMONIA MENGGUNAKAN METODE CONVOLUTIONAL
NEURAL NETWORK DENGAN OPTIMASI ADAPTIVE
MOMENTUM,” Indones. J. Stat. Its Appl., vol. 3, no. 3, pp. 331–340, 2019.
[16] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no.
7553, p. 436, 2015.
[17] A. Santoso and G. Ariyanto, “IMPLEMENTASI DEEP LEARNING
BERBASIS KERAS UNTUK PENGENALAN WAJAH,” J. Emit., vol. 18,
no. 01, pp. 15–21, 2018.
[18] M. Zufar and B. Setiyono, “Convolutional Neural Networks untuk
Pengenalan Wajah Secara Real - Time,” J. SAINS DAN SENI ITS, vol. 5, no.
2, pp. 72–77, 2016.
[19] M. M. Susilo, D. M. Wonohadidjojo, and N. Sugianto, “Pengenalan Pola
Karakter Bahasa Jepang Hiragana Menggunakan 2D Convolutional Neural
Network,” J. Inform. dan Sist. Inf., vol. 03, no. 02, pp. 28–36, 2017.
[20] A. Hunaepi, M. Makhsun, and S. Sarwani, “DETEKSI SITUS
PORNOGRAFI BERDASARKAN GAMBAR MENGGUNAKAN
METODE CONVOLUTIONAL NEURAL NETWORK,” J. Tek. Inform.,
vol. 12, no. 2, pp. 137–148, 2019.
[21] M. Lin, Q. Chen, and S. Yan, “Network In Network,” vol. 3, pp. 1–10, 2014.
[22] M. Tan and Q. V Le, “EfficientNet : Rethinking Model Scaling for
Convolutional Neural Networks,” Int. Conf. Mach. Learn., vol. 5, pp. 1–11,
42
2019.
[23] J. M. Johnson and T. M. Khoshgoftaar, “Survey on Deep Learning With
Class Imbalance,” J. Big Data, vol. 6, no. 27, pp. 1–54, 2019.
43
top related