klasifikasi citra x-ray menggunakan convolutional …

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



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



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.


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.


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.


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.

klasifikasi citra x-ray menggunakan convolutional …

Documents