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
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,
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,
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
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
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
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
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
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
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.
