IMPLEMENTASI SIAMESE CONVOLUTIONAL NEURAL NETWORK PADA CITRA SEL UNTUK IDENTIFIKASI PENYAKIT MALARIA SKRIPSI

(1)

IMPLEMENTASI SIAMESE CONVOLUTIONAL NEURAL

NETWORK PADA CITRA SEL UNTUK IDENTIFIKASI

PENYAKIT MALARIA

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)

Devi Devani 00000013462

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG 2020

(2)

IMPLEMENTASI SIAMESE CONVOLUTIONAL NEURAL

NETWORK PADA CITRA SEL UNTUK IDENTIFIKASI

PENYAKIT MALARIA

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)

Devi Devani 00000013462

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG 2020

(3)

LEMBAR PENGESAHAN

IMPLEMENTASI SIAMESE CONVOLUTIONAL NEURAL NETWORK PADA CITRA SEL UNTUK IDENTIFIKASI PENYAKIT MALARIA

Oleh

Nama : Devi Devani

NIM : 00000013462

Program Studi : Informatika

Fakultas : Teknik dan Informatika

Tangerang, 14 April 2020 Ketua Sidang

Farica Perdana Putri, S.Kom., M.Sc.

Dosen Penguji

Moeljono Widjaja, B.Sc., M.Sc., Ph.D

Dosen Pembimbing I

Alethea Suryadibrata, S.Kom., M.Eng.

Dosen Pembimbing II

Julio Christian Young, M.Kom.

Mengetahui,

Ketua Program Studi Informatika

(4)

iii

PERNYATAAN TIDAK MELAKUKAN PLAGIAT Dengan ini saya:

Nama : Devi Devani

NIM : 00000013462

Fakultas : Teknik dan Informatika

menyatakan bahwa Skripsi yang berjudul “Implementasi Siamese Convolutional Neural Network pada Citra Sel untuk Identifikasi Penyakit Malaria” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.

Jika di kemudian hari terbukti ditemukan kecurangan/ penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.

Tangerang, 14 April 2020

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:

Nama : Devi Devani

NIM : 00000013462

Fakultas : Teknik dan Informatika Jenis Karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:

Implementasi Siamese Convolutional Neural Network pada Citra Sel untuk Identifikasi Penyakit Malaria

beserta perangkat yang diperlukan.

Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.

(6)

v Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.

(7)

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas rahmat dan penyertaan-Nya sehingga penulis dapat menyelesaikan pembuatan Skripsi dengan baik.

Penulis juga mengucapkan terima kasih kepada:

1. Orang tua dan adik-adik penulis atas segala dukungan dan bantuan yang diberikan dari awal masuk kuliah hingga lulus kuliah.

2. Dr. Ninok Leksono, Rektor Universitas Multimedia Nusantara, yang memberi inspirasi bagi penulis untuk berprestasi,

3. Dr. Eng. Niki Prastomo, S.T., M.Sc., Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara,

4. Nunik Afriliana, S.Kom., M.M.S.I., Ketua Program Studi Informatika Universitas Multimedia Nusantara, yang menerima penulis dengan baik untuk berkonsultasi,

5. Ibu Alethea Suryadibrata, S.Kom., M.Eng. dan Bapak Julio Christian Young, S.Kom., M.Kom., yang membimbing pembuatan Skripsi dan mengajar penulis tata cara menulis karya ilmiah dengan benar,

6. Para sahabat penulis yaitu Calvin Chandra Gunawan, Ezra Abednego Hayvito, Lionel Reinhart Halim, Tio Jesslyn Putri, Febe Febrita, Priskila, Andri, Herry Sukma yang telah memberikan pengalaman berharga dan telah membantu selama masa perkuliahan, dan

7. Para sahabat penulis lainnya yaitu Claudia Wianthy, Bernadette Tesalonica Cecilia dan Jeason Chivaldion yang telah mendukung proses pengerjaan skripsi.

(8)

vii

Semoga Skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi, bagi para pembaca.

(9)

IMPLEMENTASI SIAMESE CONVOLUTIONAL NEURAL

NETWORK PADA CITRA SEL UNTUK IDENTIFIKASI

PENYAKIT MALARIA

ABSTRAK

Siamese convolutional neural network adalah suatu arsitektur yang menggunakan dua buah convolutional neural network dengan bobot dan parameter yang sama pada tiap layer. Data masukkan dari arsitektur siamese convolutional neural network adalah 2 buah citra yang berpasangan, dimana citra pertama merupakan citra pembanding dan yang kedua merupakan citra yang ingin di tes atau di prediksi dan akan menghasilkan similarity score berupa angka 0-1. Salah satu keunggulan siamese convolutional neural network adalah dapat menggunakan jumlah data yang lebih sedikit untuk menghasilkan akurasi yang baik dibandingkan convolutional neural network. Tujuan dalam penelitian ini ialah untuk mengimplementasikan siamese convolutional neural network untuk mengidentifikasi penyakit malaria menggunakan citra sel. Data yang digunakan terdiri dari dua kelas yaitu parasitized dan uninfected. Penyakit malaria dipilih karena merupakan salah satu penyakit yang berbahaya dan kurangnya ketersediaan sumber daya. Oleh karena itu, dibuat neural network model untuk mengidentifikasi penyakit malaria untuk membantu para ahli. Bedasarkan uji coba yang telah dilakukan, arsitektur siamese convolutional neural network yang digunakan terdiri dari pre-trained model VGG16 dari Keras dan fully connected layer. Hyperparameter dan parameter yang digunakan fixed dan tidak semua hyperparameter digunakan. Pengujian dilakukan dengan cara mengubah jumlah citra pembanding dan jumlah citra yang digunakan untuk proses training. Hasil akurasi terbaik yang didapatkan dengan menggunakan model siamese convolutional neural network adalah sebesar 94.35%.

Kata kunci: citra, convolutional neural network, malaria, neural network, sel, siamese convolutional neural network, similarity score.

(10)

ix

IMPLEMENTATION SIAMESE CONVOLUTIONAL NEURAL

NETWORK IN CELL IMAGES FOR IDENTIFICATION

MALARIA DISEASE

ABSTRACT

Siamese convolutional neural network is an architecture that uses two convolutional neural network with the same weight and paramaters at each layer. Input data from siamese convolutional neural network are two paired images, where the first is the reference image and the second one is test image and will produce a similarity score consisting of the numbers 0-1. One of the advantages of using siamese convolutional neural network is that it can use a smaller amount of data to get better results than a convolutional neural network. This research aims to implement siamese convolutional neural network to identify malaria using cell images. The data uses consisted of 2 classes, such as parasitized and uninfected. Malaria disease is chosen because it is a dangerous disease and lack resources. Therefore, an NN based model was created to identify malaria to help experts. Based on trials that have been carried out, siamese convolutional neural network architecture consists of a pre-trained model VGG16 from Keras and fully connected layer. Hyperparameter and parameter used are fixed and not all hyperparameter are used. Testing is done by changing the number of reference images and the number of training images. The best accuracy result obtained by using siamese convolutional neural network model is 94.35%.

Keywords: cell, convolutional neural network, images, malaria, neural network, siamese convolutional neural network, similarity score.

(11)

DAFTAR ISI

LEMBAR PENGESAHAN ... ii

PERNYATAAN TIDAK MELAKUKAN PLAGIAT ...iii

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... iv

KATA PENGANTAR ... vi

ABSTRAK ... viii

ABSTRACT ... ix

DAFTAR ISI ... x

DAFTAR GAMBAR ... xii

DAFTAR RUMUS ... xiv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 4

1.3 Batasan Masalah ... 4

1.4 Tujuan Penelitian ... 5

1.5 Manfaat Penelitian ... 5

1.6 Sistematika Penulisan ... 6

BAB II LANDASAN TEORI ... 7

2.1 Malaria ... 7

2.2 Sel Darah Merah ... 9

2.2.1 Sel Darah Merah Malaria ... 10

2.3 Klasifikasi Citra ... 11

2.4 Artificial Neural Network ... 11

2.5 Convolutional Neural Network ... 13

2.5.1 Feature Learning... 14

2.5.2 Fully Connected Layer ... 15

2.5 Pre-trained Model VGG16 ... 16

2.6 Siamese Convolutional Neural Network ... 16

2.7 Manhattan Distance ... 17

2.8 Metrik Evaluasi ... 18

BAB III METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM... 20

3.1 Metodologi Penelitian ... 20

3.2 Kerangka Penelitian ... 21

3.3 Perancangan Sistem... 22

3.3.1 Flowchart Sistem ... 22

3.3.2 Flowchart Website ... 45

3.3.3 Rancangan Antarmuka Website ... 46

BAB IV IMPLEMENTASI DAN ANALISIS ... 48

4.1 Spesifikasi Perangkat ... 48

4.2 Deskripsi Dataset ... 49

4.3 Implementasi ... 50

4.3.1 Implementasi Sistem... 50

4.3.2 Implementasi RESTful API ... 63

4.3.3 Implementasi Website ... 63

4.4 Pengujian ... 65

(12)

xi

4.4.2 Uji Coba Model CNN ... 71

BAB V KESIMPULAN DAN SARAN... 73

5.1 Simpulan ... 73

5.2 Saran ... 74

DAFTAR PUSTAKA ... 75

(13)

DAFTAR GAMBAR

Gambar 2.1 Sel darah merah malaria ... 10

Gambar 2.2 Arsitektur convolutional neural network ... 13

Gambar 2.3 Arsitektur VGG16 ... 16

Gambar 2.4 Alur kerja Siamese Convolutional Neural Network ... 17

Gambar 2.5 Confusion matrix ... 18

Gambar 3.1 Kerangka penelitian untuk perancangan sistem ... 22

Gambar 3.2 Flowchart alur sistem ... 22

Gambar 3.3 Flowchart proses pre-trained model initialization ... 23

Gambar 3.4 Flowchart proses feature extraction ... 24

Gambar 3.5 Flowchart proses train phase ... 25

Gambar 3.6 Flowchart proses split data ... 27

Gambar 3.7 Flowchart proses parasitized training ... 28

Gambar 3.8 Flowchart proses make pair parasitized and parasitized ... 30

Gambar 3.9 Flowchart proses make pair uninfected and parasitized ... 31

Gambar 3.10 Flowchart proses uninfected training ... 32

Gambar 3.11 Flowchart proses make pair parasitized and uninfected ... 34

Gambar 3.12 Flowchart proses make pair uninfected and uninfected ... 35

Gambar 3.13 Cara konsensus ... 36

Gambar 3.14 Flowchart proses test phase ... 37

Gambar 3.15 Flowchart proses parasitized testing... 39

Gambar 3.16 Flowchart proses uninfected testing ... 41

Gambar 3.17 Flowchart proses konsensus average ... 42

Gambar 3.18 Flowchart proses konsensus max ... 43

Gambar 3.19 Flowchart proses konsensus voting ... 44

Gambar 3.20 Flowchart alur website... 45

Gambar 3.21 Rancangan antarmuka halaman Upload ... 46

Gambar 3.22 Rancangan antarmuka halaman Upload satu gambar ... 47

Gambar 3.23 Rancangan antarmuka halaman Upload lebih dari satu gambar ... 47

Gambar 4.1 Contoh citra sel darah merah ... 50

Gambar 4.2 Potongan kode untuk load data training... 51

Gambar 4.3 Potongan kode untuk load data testing ... 51

Gambar 4.4 Potongan kode untuk feature extraction training... 52

Gambar 4.5 Potongan kode untuk feature extraction testing ... 52

Gambar 4.6 Potongan kode untuk random data ... 53

Gambar 4.7 Potongan kode untuk split data pivot ... 53

Gambar 4.8 Ilustrasi pembentukan pair untuk masing-masing kelas ... 54

Gambar 4.9 Potongan kode train phase parasitized ... 55

Gambar 4.10 Potongan train phase parasitized (lanjutan) ... 56

Gambar 4.11 Potongan kode train phase parasitized ... 56

Gambar 4.12 Potongan kode train phase parasitized (lanjutan) ... 57

Gambar 4.14 Potongan kode untuk load model dan data pivot ... 58

Gambar 4.14 Potongan kode untuk parasitized testing ... 59

Gambar 4.15 Potongan kode untuk uninfected testing ... 60

(14)

xiii

Gambar 4.17 Potongan kode untuk konsensus max ... 61

Gambar 4.18 Potongan kode untuk konsensus voting ... 62

Gambar 4.19 Potongan kode untuk calculate accuracy ... 62

Gambar 4.20 Potongan kode API untuk prediksi data ... 63

Gambar 4.21 Tampilan antarmuka halaman Upload ... 64

Gambar 4.22 Tampilan antarmuka halaman Upload satu gambar ... 64

Gambar 4.23 Tampilan antarmuka halaman Upload lebih dari satu gambar ... 65

Gambar 4.24 Chart hasil prediksi N_data 100 ... 66

(15)

DAFTAR RUMUS

Rumus 2.1 Rumus Fungsi Sigmoid ... 12

Rumus 2.2 Rumus Fungsi Rectified Linear Unit ... 12

Rumus 2.3 Rumus Operasi Konvolusi ... 14

Rumus 2.4 Rumus Manhattan Distance ... 16