IMPLEMENTASI ALGORITMA DEEP CONVOLUTIONAL
NEURAL NETWORK UNTUK DIAGNOSA PENYAKIT
TUBERKULOSIS
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer(S.Kom.)
Fidelius Hartanto Tanian 00000013094
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG 2020
ii
Eunike Endariahna Surbakti, S.Kom., M.T.I Julio Christian Young, S.Kom., M.Kom
LEMBAR PENGESAHAN
IMPLEMENTASI ALGORITMA DEEP CONVOLUTIONAL NEURAL NETWORK UNTUK DIAGNOSA PENYAKIT
TUBERKULOSIS
Oleh
Nama :Fidelius Hartanto Tanian
NIM : 00000013094
Program Studi :Informatika
Fakultas :Teknik & Informatika Tangerang, 22 Mei 2020
Ketua Sidang Dosen Penguji
Dosen Pembimbing
Marlinda Vasty Overbeek S.Kom., M.Kom. Mengetahui,
Ketua Program Studi Informatika
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini Saya:
Nama : Fidelius Hartanto Tanian
NIM : 00000013094
Program Studi : Informatika
Fakultas : Teknik dan Informatika
menyatakan bahwa Skripsi yang berjudul “Implementasi Algoritma Deep
Convolutional Neural Network Untuk Diagnosa Penyakit Tuberkulosis” 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, 05 Mei 2020
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Fidelius Hartanto Tanian NIM : 00000013094
Program Studi : 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 Algoritma Deep Convolutional Neural Network Untuk Diagnosa Penyakit Tuberkulosis
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.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 05 Mei 2020
v
HALAMAN PERSEMBAHAN/ MOTTO
Karya ini kupersembahkan bagi kedua Orang Tuaku terkasih
Those who dare to fail miserably can achieve greatly.
vi
KATA PENGANTAR
Puji syukur kepada Yuhan Yang Maha Esa yang telah memberikan rahmatnya sehingga penulis dapat menyelesaikan skripsi dan laporan skripsi yang berjudul “Implementasi Algoritma Deep Convolutional Neural Network Untuk Diagnosa Penyakit Tuberkulosis” dengan tepat waktu.
Penulis juga mengucapkan terimakasih kepada:
1. Dr. Ninok Leksono, Rektor Universitas Multimedia Nusantara, yang memberi inspirasi bagi penulis untuk berprestasi,
2. Dr. Eng. Niki Prastomo, S.T., M.Sc, Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara,
3. Nunik Afriliana, S.Kom, MMSI, Ketua Program Studi Informatika Universitas Multimedia Nusantara, yang menerima penulis dengan baik untuk berkonsultasi,
4. Marlinda Vasty Overbeek, S.Kom, M.Kom, yang membimbing pembuatan Skripsi dan yang telah mengajar penulis tata cara menulis karya ilmiah dengan benar,
5. Orang tua yang memberikan dukungan, semangat, doa, dan rasa percaya diri sepanjang penulis menyelesaikan laporan skripsi,
vii
6. Raynaldi, Theo, Mario Alexander, Mario Siswanto selaku rekan penulis yang selalu memeberi dukungan, hiburan, serta membantu penulis dalam penyusunan laporan skripsi.
Semoga Skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi, bagi para pembaca
Tangerang, 05 Mei 2020
viii
IMPLEMENTASI ALGORITMA DEEP CONVOLUTIONAL
NEURAL NETWORK UNTUK DIAGNOSA PENYAKIT
TUBERKULOSIS
ABSTRAK
Tuberkulosis (TB) adalah penyakit infeksi kronik yang disebabkan oleh kuman
Mycobacterium Tuberculosis dan dapat ditularkan melalui udara. Proses rontgen
merupakan proses yang dilakukan untuk mengetahui seseorang terkena TB atau tidak. Gambar rontgen berperan penting bagi orang yang diduga terinfeksi penyakit TB. Saat ini penyakit TB sulit untuk terdeteksi karena kurangnya ahli interpretasi radiologi. Untuk dapat memecahkan masalah tersebut, dibuatlah suatu sistem untuk diagnosa penyakit tuberkulosis yang dilakukan secara otomatis dengan menggunakan pembelajaran mesin untuk pengklasifikasian. Untuk membangun sistem ini diperlukan pengolahan gambar seperti image blurring dan algoritma Deep Convolutional Neural Network yang merupakan salah satu algoritma deep learning yang terbukti menghasilkan hasil yang baik pada proses pengklasifikasian gambar. Hasilnya terbaik dari penelitian ini merupakan sistem yang mampu mendiagnosa 84% gambar hasil rontgen data testing pada model yang dibuat dengan presisi rata-rata sebesar 85% dan recall rata-rata sebesar 85%. Kata Kunci: Image Processing, deep learning, DCNN
ix
IMPLEMENTATION OF DEEP CONVOLUTIONAL NEURAL
NETWORK ALGORITHM FOR TUBERCULOSIS DISEASE
DIAGNOSIS
ABSTRACT
Tuberculosis (TB) is a chronic infectious disease caused by Mycobacterium Tuberculosis bacteria and can be transmitted through the air. X-ray process is a process carried out to find out whether someone has TB or not. X-ray images play an important role for people suspected of being infected with TB. At present TB disease is difficult to detect because of lack of radiological interpretations. To be able to solve this problem, a system for tuberculosis disease automatic diagnosis is done using machine learning for classification. To build this system requires image processing such as image blurring and the Deep Convolutional Neural Network algorithm which is one of the deep learning algorithms that is proven to produce good results in the image classification process. The best result from this research is that the system is able to diagnose 84% of the X-ray data testing results on the model created with 85% average precision and 85% average recall.
x
DAFTAR ISI
LEMBAR PENGESAHAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv
HALAMAN PERSEMBAHAN/ MOTTO ... v
KATA PENGANTAR ... vi
ABSTRAK ... viii
ABSTRACT ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
DAFTAR LAMPIRAN ... xiv
BAB I PENDAHULUAN ... 2
1.1 Latar Belakang Masalah ... 2
1.2 Rumusan Masalah ... 5
1.3 Batasan Masalah... 6
1.4 Tujuan Penelitian... 6
1.5 Manfaat Penelitian ... 7
1.6 Sistematika Penulisan Laporan Penelitian ... 7
BAB II LANDASAN TEORI ... 9
2.1 Tuberkulosis ... 9 2.2 Grayscale Image ... 10 2.3 Gaussian Filter ... 10 2.4 Image Thresholding ... 11 2.5 Pembelajaran Mesin ... 12 2.6 Deep Learning ... 14
2.7 Convolutional Neural Network ... 15
2.8 Perbedaan Neural Network Dengan CNN ... 21
2.9 Confusion Matrix ... 21
BAB III METODOLOGI DAN PERANCANGAN SISTEM ... 23
3.1 Metodologi Penelitian ... 23 3.1.1 Dataset TB ... 24 3.1.2 Praproses ... 24 3.1.3 Pembagian data ... 26 3.1.4 Pembuatan Model ... 29 3.1.5 Klasifikasi Dengan DCNN ... 30
xi
3.1.6 Evaluasi ... 30
3.2 Perancangan Aplikasi ... 31
3.2.1 Flowchart ... 31
3.2.2. Desain Antarmuka ... 32
BAB IV IMPLEMENTASI DAN ANALISIS ... 34
4.1 Spesifikasi Sistem ... 34 4.1.1 Software ... 34 4.1.2 Hardware ... 35 4.1.3 Library ... 35 4.2 Implementasi Sistem ... 36 4.2.1 Praproses ... 36 4.2.2 Pembuatan Model ... 39 4.2.3 Klasifikasi dengan DCNN ... 41 4.2.4 Validasi ... 46 4.3 Implementasi ... 48 4.3.1 Simulasi perhitungan ... 48
4.4 Hasil Tampilan Aplikasi ... 52
BAB V SIMPULAN DAN SARAN ... 55
5.1 Simpulan ... 55
5.2 Saran ... 55
xii
DAFTAR GAMBAR
Gambar 2.1: Neural Network Untuk Klasifikasi Digit ... 15
Gambar 2: Proses Klasifikasi Gambar CNN ... 16
Gambar 3.1 Flowchart Penelitian ... 23
Gambar 3.2 Flowchart Praproses ... 24
Gambar 3.3 Pembagian Data... 27
Gambar 3.4 Struktur Model DCNN ... 29
Gambar 3.5 Flowchart Aplikasi ... 31
Gambar 3.6 Desain Antarmuka aplikasi... 32
Gambar 3.7 Desain Antarmuka Aplikasi Setelah Input ... 33
Gambar 4.1 Source Code Praproses ... 36
Gambar 4.2 Hasil Sebelum dan Sesudah Grayscale ... 37
Gambar 4.3 Hasil Sebelum dan Sesudah Resize ... 38
Gambar 4.4 Hasil Gaussian Filter ... 38
Gambar 4.5 Hasil Otsu Thresholding ... 39
Gambar 4.6 Source Code Pembuatan Model ... 40
Gambar 4.7 Source Code Model Training ... 42
Gambar 4.8 Diagram Akurasi 100 Epoch Dataset Praproses ... 42
Gambar 4.9 Diagram Loss 100 Epoch Dataset Praproses ... 43
Gambar 4.10 Diagram Akurasi 100 Epoch Dataset Tanpa Praproses ... 44
Gambar 4.11 Diagram Loss 100 Epoch Dataset Tanpa Praproses ... 45
Gambar 4.12 Source Code Prediksi Data Test ... 46
Gambar 4.13 Source Code Confusion Matrix ... 46
Gambar 4.14 Hasil Confusion Matrix Threshold 0.5 ... 46
Gambar 4.15 Classification Report Threshold 0.5 ... 47
Gambar 4.16 Classification Report Dataset Praproses Threshold 0.3 ... 47
Gambar 4.17 Classification Report Dataset Tanpa Praproses Threshold 0.3 ... 48
Gambar 4.18 Halaman Utama Aplikasi ... 53
xiii
DAFTAR TABEL
Tabel 2.1: Confusion Matrix ... 21
Tabel 4.1 Struktur Layer Model DCNN ... 40
Tabel 4.2 Kenel Gaussian Blur ... 50
Tabel 4.3 Data Simulasi Otsu Thresholding... 50
xiv
DAFTAR LAMPIRAN
Lampiran 1 Form Bimbingan Skripsi ... 61
Lampiran 2 Data Gambar Spektrum Warna Biru ... 62
Lampiran 3 Data Gambar Spektrum Warna Hijau ... 63
Lampiran 4 Data Gambar Spektrum Warna Merah ... 64
Lampiran 5 Data Gambar Hasil Grayscale ... 65
Lampiran 6 Data Gambar Hasil Gaussian Filter ... 66
Lampiran 7 Hasil Otsu Thresholding ... 67