IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK
PADA SISTEM KLASIFIKASI PENYAKIT
KANKER KULIT
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer(S.Kom.)
Willy 00000022180
PROGRAM STUDI INFORMATIKA
UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2021
ii
LEMBAR PENGESAHAN
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK PADA SISTEM KLASIFIKASI PENYAKIT
KANKER KULIT Oleh
Nama : Willy
NIM : 00000022180
Program Studi : Informatika
Fakultas : Teknik Informatika Tangerang, 13 April 2021
Ketua Sidang Dosen Penguji
Julio Christian Young S.Kom., M.kom Arya Wicaksana S.Kom., M.Eng.Sc., OCA, CEH Dosen Pembimbing
Alethea Suryadibrata, S.Kom., M.Eng Mengetahui,
Ketua Program Studi Informatika
Marlinda Vasty Overbeek, S.Kom, M.kom Digitally signed by Marlinda Vasty Overbeek
Date: 2021.04.19 16:52:23 +07'00'
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT Dengan ini saya:
Nama : Willy
NIM : 00000022180 Program Studi : Informatika
Fakultas : Teknik dan Informatika
menyatakan bahwa Skripsi yang be j d l Implementasi Convolutional Neural Network pada Sistem Klasifikasi Penyakit Kanker Kulit ini adalah ka a ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh 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, bagik dalam pelaksaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Tangerang, 23 Maret 2021
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Willy
NIM : 00000022180
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royaliti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
Implementasi Convolutional Neural Network pada Sistem Klasifikasi Penyakit Kanker Kulit
Beserta perangkat yang diperlukan.
Dengan Hak Bebas Royaliti 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 royalty kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya
v
ilmiah tersebut. Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya
Tangerang, 23 Maret 2021
vi
HALAMAN PERSEMBAHAN/MOTTO
Karya ini kupersembahkan bagi kedua Orang Tuaku Terkasih
Those who dare to fail miserably can achieve greatly. ~John F.Kennedy~
vii
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa yang telah memberkati penulis sehingga penulis dapat menyelesaikan skripsi dan laporan skripsi yang berjudul Implemen a i Con ol ional Ne al Ne o k pada Si em Kla ifika i Kanke K li dengan epa ak . Pen li j ga mengucapkan terimakasih kepada
1. Dr. Ninok Leksono selaku Rektor Universitas Multimedia Nusantara, 2. Dr. Eng. Niki Prastomo, S.T., M.Sc. selaku Dekan Fakultas Teknik dan
Informatika Universitas Multimedia Nusantara,
3. Marlinda Vasty Overbeek, S.Kom, M.Kom selaku Kepala Program Studi Informatika Universitas Multimedia Nusantara,
4. Alethea Suryadibrata, S.Kom., M.Eng yang membimbing pembuatan Skripsi dan yang telah mengajar penulis tata cara menulis karya ilmiah dengan benar,
5. Pihak-pihak lain yang telah membantu pembuatan dan penyusunan laporan skripsi ini yang tidak dapat penulis sebutkan satu per satu.
Semoga Skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi, bagi para pembaca
Tangerang, 23 Maret 2021
viii
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK
PADA SISTEM KLASIFIKASI PENYAKIT
KANKER KULIT
ABSTRAK
Convolutional neural network merupakan sebuah algoritma deep learning yang dapat menerima sebuah input berupa citra, dan dapat menetapkan perbedaan setiap gambar secara handal. Pada algoritma convolutional neural network terdapat convolution layer yang berfungsi mencari feature penting pada citra dengan melakukan perkalian dengan kernel berukuran kecil sepanjang keseluruhan input. Tujuan penelitian ini adalah mengimplementasi convolutional neural network untuk klasifikasi penyakit kanker kulit. Data yang digunakan terdiri dari tiga kelas yaitu squamosa cell carcinoma, basal cell carcinoma, dan melamona. Penyakit kanker kulit dipilih karena dinilai penyakit tersebut sulit untuk dikenali. Penelitian ini menggunakan arsitektur yaitu ResNet50 dari Keras. Berdasarkan uji coba dilakukan dengan menggunakan learning rate sebesar 0,0001, 0,00005, dan 0,00001, didapatkan hasil nilai rata-rata akurasi yaitu 89,1%, 90,2%, dan 89,4% serta nilai rata-rata loss yaitu yaitu 0,5077, 0,3956, dan 0,4053. Pada hasil uji coba tersebut dapat disimpulkan bahwa model dengan learning rate 0,00005 merupakan model dengan akurasi dan loss terbaik. Oleh karena itu, model yang digunakan model dengan learning rate 0,00005. Hasil terbaik yang didapatkan dari model dengan learning rate tersebut adalah sebesar 90,1% untuk nilai akurasi, 0,317 untuk nilai loss dan 89,7% untuk nilai f1-score.
ix
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK
PADA SISTEM KLASIFIKASI PENYAKIT
KANKER KULIT
ABSTRACT
Convolutional neural network is a deep learning algorithm that can accept an input in the form of an image and reliably determine the difference for each image. In the convolutional neural network, there is a convolution layer which function to find important feature from image by multiplying that image with small kernel along the entire input. This research aims to implement convolutional neural network to identify skin cancer. The data uses consisted of three classes, such as squamosa cell carcinoma, basal cell carcinoma, and melamona. Skin cancer was chosen because it is considered that the disease is difficult to recognize. In this research, the architecture used is ResNet50 from Keras. Based on the trials carried out using a learning rate of 0.0001, 0.00005, and 0.00001, the result of the average accuracy is 89%, 90.2%, and 89% and the average loss is 0,5077, 0,3956, and 0,4053. From the results of these trials, it can be concluded that the model with a learning rate of 0.00005 is the model with the best accuracy and loss. Therefore, the model used is a model with a learning rate of 0.00005. The best results obtained from the model with the learning rate are 90.1% for the accuracy value, 0.317 for the loss value and 89.7% for the f1-score value.
x DAFTAR ISI
LEMBAR PENGESAHAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv
HALAMAN PERSEMBAHAN/MOTTO ... vi
KATA PENGANTAR ... vii
ABSTRAK ... viii
ABSTRACT ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiv
BAB 1 PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Batasan Masalah ... 4 1.4 Tujuan Penelitian ... 4 1.5 Manfaat Penelitian ... 5 1.6 Sistematika Penulisan ... 5
BAB 2 LANDASAN TEORI ... 7
2.1 Image Processing ... 7
2.2 Computer Vision ... 8
2.3 Kanker Kulit ... 8
2.4 Pembelajaran Mesin ... 9
2.5 Artificial Neural Network ... 11
2.6 Convolutional Neural Network ... 12
2.7 Pretrained Model ResNet50 ... 14
2.8 Confusion Matrix ... 15
BAB 3 METODOLOGI PENELITIAN... 17
3.1 Metodologi Penelitian ... 17
xi
3.2.1 Flowchart All Pipeline ... 18
3.2.2 Flowchart Website ... 24
3.2.3 Desain Antarmuka ... 25
BAB 4 IMPLEMENTASI DAN ANALISIS ... 27
4.1 Spesifikasi Perangkat ... 27 4.2 Deskripsi Dataset ... 29 4.3 Implementasi ... 30 4.3.1 Implementasi Sistem ... 30 4.3.2 Implementasi Website ... 39 4.4 Pengujian ... 41
4.4.1 Uji Coba Training ... 42
4.4.2 Evaluasi Model... 43
BAB 5 SIMPULAN DAN SARAN ... 46
5.1 Simpulan ... 46
5.2 Saran ... 47
DAFTAR PUSTAKA ... 48
xii
DAFTAR GAMBAR
Gambar 2.1 Jenis kanker kulit ... 8
Gambar 2.2 Proses umum pada machine learning ... 10
Gambar 2.3 Struktur dasar neural network ... 11
Gambar 2.4 Arsitektur convolutional neural network... 12
Gambar 2.5 Pooling layer ... 14
Gambar 2.6 Arsitektur ResNet50 ... 15
Gambar 2.7 Confusion matrix ... 15
Gambar 3.1 Flowchart program secara keseluruhan ... 19
Gambar 3.2 Praproses citra ... 19
Gambar 3.3 Flowchart pembagian data ... 20
Gambar 3.4 Pembagian dataset ... 21
Gambar 3.5 Flowchart augmentasi data ... 22
Gambar 3.6 Flowchart pembuatan pretrained model ... 23
Gambar 3.7 Flowchart training model ... 23
Gambar 3.8 Flowchart evaluasi... 24
Gambar 3.9 Flowchart aplikasi ... 24
Gambar 3.10 Halaman website ... 25
Gambar 3.11 Halaman website setelah di upload ... 26
Gambar 4.1 Data citra kanker kulit ... 29
Gambar 4.2 Histogram jumlah data ... 30
Gambar 4.3 Potongan kode praproses ... 31
Gambar 4.4 Citra sesudah resize ... 31
Gambar 4.7 Potongan kode pembagian data ... 33
Gambar 4.5 Potongan kode augmentasi data ... 33
Gambar 4.6 Citra sesudah augmentasi ... 34
Gambar 4.8 Potongan kode pembuatan model ... 35
Gambar 4.9 Potongan kode training model... 36
Gambar 4.10 Diagram akurasi 50 epochs ... 36
Gambar 4.11 Diagram loss 50 epochs ... 37
xiii
Gambar 4.13 Potongan kode prediksi data test ... 38
Gambar 4.14 Potongan kode confusion matrix ... 39
Gambar 4.15 Potongan kode perhitungan evaluasi ... 39
Gambar 4.16 Potongan kode upload dan prediksi citra ... 40
Gambar 4.17 Halaman awal website ... 40
xiv
DAFTAR TABEL
Tabel 4.1 Hasil akurasi uji coba ... 42
Tabel 4.2 Hasil loss uji coba ... 43
Tabel 4.3 Confusion matrix... 44
