KLASIFIKASI TUMOR OTAK MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK
TUGAS AKHIR
Diajukan Untuk Memenuhi
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2022
Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
M. Bagas Maulana (201710370311289)
Data Science
PROGRAM STUDI INFORMATIKA
LEMBAR PERSETUJUAN
KLASIFIKASI TUMOR OTAK MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK
M. BAGAS MAULANA 201710370311289
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Informatika Universitas Muhammadiyah Malang
Menyetujui,
Dosen 1
Agus Eko Minarno, S.Kom, M.Kom NIP. 108.1410.0540
Dosen 2
Yufis Azhar, S.Kom, M.Kom NIP. 108.1410.0544
i
ii
iii
LEMBAR PERNYATAAN
Yang bertanda tangan di bawah ini :
NAMA : M. BAGAS MAULANA
NIM : 201710370311289
FAKULTAS / JURUSAN : TEKNIK / INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “KLASIFIKASI TUMOR OTAK MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK” beserta lainnya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik sebagian maupun seluruhnya, kecuali bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya seni ini atau ada klaim dari pihak lain terhadap keaslian karya saya ini, maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Mengetahui Malang,
Dosen Pembimbing,
AGUS EKO MINARNO, S.Kom, M.Kom
NIDN: 0729118203
Yang membuat pernyataan,
M. BAGAS MAULANA
iv
KATA PENGANTAR
Puji syukur penulis ucapkan atas kehadirat Allah SWT yang atas Berkah dan Ridho-Nya penulis mampu menyelesaikan tugas akhir dengan judul
“KLASIFIKASI TUMOR OTAK MENGGUNAKAN METODE
CONVOLUTION NEURAL NETWORK”, meskipun masih memiliki banyak kekurangan. Shalawat berangkai salam semoga tetap tercurah kepada junjungan kita Nabi Besar Muhammad SAW.
Penyusunan Tugas Akhir ini diajukan untuk memenuhi syarat akademis dalam rangka menyelesaikan Studi S1 Progam Studi Informatika di Fakultas Teknik Universitas Muhammadiyah Malang.
Penyusunan Tugas Akhir ini tidak lepas dari bantuan, dukungan, serta doa dari berbagai pihak. Oleh karena itu, dalam kesempatan ini ucapan syukur dan terima kasih penulis sampaikan kepada:
1. Allah SWT yang telah memberikan segala nikmat yang tak terhingga untuk penulis dan seluruh umat manusia. Serta, Nabi Muhammad SAW yang berkat perjuangannya membawa manusia dari zaman yang gelap menuju zaman yang terang benderang seperti sekarang.
2. Orang tua tersayang Ibu Musiatin yang tak pernah berhenti memberi semangat, doa, nasehat, motivasi, serta materi yang tak akan pernah bisa penulis balas.
3. Bapak Agus Eko Minarno, S.Kom, M.Kom., selaku Dosen Pembimbing 1 dan Bapak Yufis Azhar, S.kom, M.Kom., selaku Dosen Pembimbing 2 yang selalu bersedia meluangkan waktu dan pikiran untuk memberikan bimbingan, arahan, serta saran dengan sabar untuk keberhasilan dan kebaikan Tugas Akhir ini.
v
4. Sahabat-sahabat saya kelas H Angkatan 2017 yang menjadi teman seperjuangan di dalam perkuliahan maupun di luar perkuliahan.
5. Teman saya Mentari yang selalu mensupport, membantu dan mendorong saya agar cepat menyelasikan Tugas Akhir saya.
Penulis menyadari masih banyak kekurangan dalam penulisan Tugas Akhir ini. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang membangun agar tulisan ini dapar berguna untuk perkembangan ilmu pengetahuan kedepannya.
Malang, 29 Juli 2021 Penulis
M. Bagas Maulana
viii DAFTAR ISI
LEMBAR PERSETUJUAN ... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ...iii
KATA PENGANTAR ... iv
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ...x
DAFTAR TABEL ... xi
DAFTAR LAMPIRAN ... xii
BAB I ... 1
PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2. Rumusan Masalah... 4
1.3. Tujuan Masalah ... 4
1.4. Batasan Masalah ... 4
BAB II ... 6
LANDASAN TEORI ... 6
2.1. Machine Learning ... 6
2.2. Deep Learning ... 6
2.3. Convolutional Neural Network ... 7
2.4 VGG Net ... 7
2.5 Google Colaboratory... 8
BAB III ... 9
METODE PENELITIAN ... 9
3.1. Studi Literatur ... 9
3.1.1. Penelitian Sebelumnya ... 9
3.2. Identifikasi Masalah ... 10
3.3. Pengumpulan Data ... 10
3.4. Perancangan Sistem ... 10
3.5. Dataset ... 11
ix
3.6. Preprocessing ... 13
3.7. Model VGG-16 ... 13
3.8. Arsitektur CNN ... 13
3.8.1 Convolution Layer ... 14
3.8.2. Pooling Layer ... 14
3.8.3. Fully Connected Layer ... 15
3.8.4. Dropout ... 16
3.8.5. Rectified Linier Unit Layer ... 16
3.8.6. Softmax ... 17
3.8.7. Learning rate ... 17
3.9. Tensor Flow ... 17
3.10. Keras ... 17
3.11. Uji Klasifikasi ... 17
BAB IV ... 19
IMPLEMENTASI DAN PENGUJIAN ... 19
4.1. Implementasi ... 19
4.2. Load Dataset ... 19
4.3. Split Dataset ... 20
4.4. Preprocessinng Dataset ... 21
4.5. Implementasi Model ... 22
4.6. Pengujian Evaluasi ... 24
4.7. Evaluasi Hasil Pengujian ... 29
BAB V ... 30
KESIMPULAN DAN SARAN ... 30
5.1. Kesimpulan ... 30
5.2. Saran ... 30
DAFTAR PUSTAKA ... 31
LAMPIRAN... 33
x
DAFTAR GAMBAR
Gambar 1 Arsitektur VGG-16 ... 8
Gambar 2 Perancangan Sistem ... 11
Gambar 3 No Tumor ... 12
Gambar 4 Tumor ... 12
Gambar 5 Arsitektur CNN ... 14
Gambar 6 Arsitektur convolutional layer ... 14
Gambar 7 Arsitektur Max-pooling layer ... 15
Gambar 8 Fully Connected Layer ... 15
Gambar 9 Dropout Layer ... 16
Gambar 10 Dropout Layer ... 16
Gambar 11 Fungsi Aktivasi RELU ... 16
Gambar 12 Plot Akurasi Model ... 25
Gambar 13 Plot Model Loss ... 26
Gambar 14 Confusion Matrix Hasil VGG-16 ... 27
xi
DAFTAR TABEL
Tabel 1 Confusion Matrix ... 18
Tabel 2 Modul Load Dataset ... 20
Tabel 3 Modul Split Dataset ... 21
Tabel 4 Modul Preprocessing Dataset ... 21
Tabel 5 Modul VGG-16 ... 23
Tabel 6 Arsitektur VGG-16 ... 23
Tabel 7 Modul Training Model ... 24
Tabel 8 Classification Report Model VGG-16 ... 26
Tabel 9 Dataset FP ... 27
Tabel 10 Dataset FN ... 28
Tabel 11 Hasil Akurasi ... 29
xii
DAFTAR LAMPIRAN
Lampiran 1 Dataset Tumor Otak (No) ... 33 Lampiran 2 Dataset Tumor Otak (Yes) ... 38 Lampiran 3 Pegujian Data Training ... 42
31
DAFTAR PUSTAKA
[1] Direktorat Jenderal Pencegahan dan Pengendalian Penyakit, “Buku Pedoman Penyakit Tidak Menular,” p. 101, 2019, [Online]. Available:
http://p2ptm.kemkes.go.id/uploads/VHcrbkVobjRzUDN3UCs4eUJ0dVBn dz09/2019/03/Buku_Pedoman_Manajemen_PTM.pdf.
[2] S. B. (K) Dr. Djoko Widodo, dr., S. . (K) Dr. Rini Andriani, dr., and S. B.
(K) Irwan Barlian Immadoel Haq, dr., “Pedoman Nasional Pelayanan Kedokteran TUMOR OTAK,” Kementrian Kesehat. Republik Indones.
Kom. Penanggulangan Kanker Nas., vol. 1, no., pp. 1–476, 2019.
[3] H. Mohsen, E.-S. A. El-Dahshan, E.-S. M. El-Horbaty, and A.-B. M.
Salem, “Classification using deep learning neural networks for brain tumors,” Futur. Comput. Informatics J., vol. 3, no. 1, pp. 68–71, 2018, doi:
10.1016/j.fcij.2017.12.001.
[4] P. Nagaraj, V. Muneeswaran, L. Veera Reddy, P. Upendra, and M. Vishnu Vardhan Reddy, “Programmed Multi-Classification of Brain Tumor Images Using Deep Neural Network,” Proc. Int. Conf. Intell. Comput. Control Syst. ICICCS 2020, pp. 865–870, 2020, doi:
10.1109/ICICCS48265.2020.9121016.
[5] A. Wadhwa, A. Bhardwaj, and V. Singh Verma, “A review on brain tumor segmentation of MRI images,” Magn. Reson. Imaging, vol. 61, no. May, pp. 247–259, 2019, doi: 10.1016/j.mri.2019.05.043.
[6] F. Risiko, G. Dini, T. Otak, and N. Kepala, “Mimbar,” vol. 22, no. 3, 2018.
[7] G. Mohan and M. M. Subashini, “MRI based medical image analysis:
Survey on brain tumor grade classification,” Biomed. Signal Process.
Control, vol. 39, pp. 139–161, 2018, doi: 10.1016/j.bspc.2017.07.007.
[8] J. Amin, M. Sharif, M. Yasmin, and S. L. Fernandes, “A distinctive approach in brain tumor detection and classification using MRI,” Pattern Recognit. Lett., vol. 139, pp. 118–127, 2020, doi:
10.1016/j.patrec.2017.10.036.
[9] S. Muhammad and A. T. Wibowo, “Klasifikasi Tanaman Aglaonema Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network ( Cnn ),” vol. 8, no. 5, pp. 10621–10636, 2021.
[10] N. Gordillo, E. Montseny, and P. Sobrevilla, “State of the art survey on MRI brain tumor segmentation,” Magn. Reson. Imaging, vol. 31, no. 8, pp.
1426–1438, 2013, doi: 10.1016/j.mri.2013.05.002.
[11] E. I. Zacharaki et al., “Classification of brain tumor type and grade using MRI texture and shape in a machine learning scheme,” Magn. Reson. Med., vol. 62, no. 6, pp. 1609–1618, 2009, doi: 10.1002/mrm.22147.
[12] E. S. A. El-Dahshan, T. Hosny, and A. B. M. Salem, “Hybrid intelligent techniques for MRI brain images classification,” Digit. Signal Process. A Rev. J., vol. 20, no. 2, pp. 433–441, 2010, doi: 10.1016/j.dsp.2009.07.002.
32
[13] H. H. Sultan, N. M. Salem, and W. Al-Atabany, “Multi-Classification of Brain Tumor Images Using Deep Neural Network,” IEEE Access, vol. 7, no. May, pp. 69215–69225, 2019, doi: 10.1109/ACCESS.2019.2919122.
[14] Q. Guan et al., “Deep convolutional neural network VGG-16 model for differential diagnosing of papillary thyroid carcinomas in cytological images: A pilot study,” J. Cancer, vol. 10, no. 20, pp. 4876–4882, 2019, doi:
10.7150/jca.28769.
[15] H. Kiraz, “Design and Implementation of Image Processing Method on Brain Tumor Detection with Machine Learning Approach,” 2021.
[16] J. Wira and G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” 2018.
[17] K. Fukushima, “Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position,” Biol.
Cybern., vol. 36, no. 4, pp. 193–202, 1980, doi: 10.1007/BF00344251.
[18] S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J.
Tek. ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available:
http://repository.its.ac.id/48842/.
[19] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.
[20] “Br35H :: Brain Tumor Detection 2020 | Kaggle.”
https://www.kaggle.com/ahmedhamada0/brain-tumor-detection (accessed Aug. 03, 2021).
[21] M. Heidari, S. Mirniaharikandehei, A. Z. Khuzani, G. Danala, Y. Qiu, and B. Zheng, “Improving the performance of CNN to predict the likelihood of COVID-19 using chest X-ray images with preprocessing algorithms,” Int.
J. Med. Inform., vol. 144, no. June, p. 104284, 2020, doi:
10.1016/j.ijmedinf.2020.104284.
[22] Subhashis Banerjee and Francesco Masulli and Sushmita, “Brain Tumor Detection and Classification from Multi-Channel MRIs using Deep Learning and Transfer Learning,” IEEE Access, pp. 1–9, 2017.
[23] A. F. Agarap, “Deep Learning using Rectified Linear Units (ReLU),” no.
March 2018, 2018, [Online]. Available: http://arxiv.org/abs/1803.08375.
[24] S. Niklaus and F. Liu, “Softmax splatting for video frame interpolation,”
Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 5436–
5445, 2020, doi: 10.1109/CVPR42600.2020.00548.
[25] L. N. Smith, “A disciplined approach to neural network hyper-parameters:
Part 1 -- learning rate, batch size, momentum, and weight decay,” pp. 1–21, 2018, [Online]. Available: http://arxiv.org/abs/1803.09820.
TA-010
UNIVERSITAS MUHAMMADIYAH MALANG
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INFORMATIKA
Jl. Raya Tlogomas 246 Malang 65144 Telp. 0341 - 464318 Ext. 247, Fax. 0341 - 460782
FORM CEK PLAGIARISME LAPORAN TUGAS AKHIR Nama Mahasiswa : M. BAGAS MAULANA
NIM : 201710370311289
Judul TA : KLASIFIKASI TUMOR OTAK MENGGUNAKAN METODE
CONVOLUTION NEURAL NETWORK
Hasil Cek Plagiarisme dengan Turnitin
No. Komponen Pengecekan Nilai Maksimal Plagiarisme (%)
Hasil Cek Plagiarisme (%) *
1
1. Bab 1 – Pendahuluan 10 % 3%
2. Bab 2 – Daftar Pustaka 25 % 6%
3. Bab 3 – Analisis dan Perancangan
25 % 2%
4. Bab 4 – Implementasi dan Pengujian
15 % 8%
5. Bab 5 – Kesimpulan dan Saran
5 % 0%
6. Makalah Tugas Akhir 20% 16%
*) Hasil cek plagiarism diisi oleh salah satu pembimbing
*) Maksimal 5 kali (4 Kali sebelum ujian, 1 kali sesudah ujian)
Mengetahui, Dosen Pembimbing
Agus Eko Minarno, S.Kom, M.Kom