KLASIFIKASI PENYAKIT KATARAK PADA MATA MANUSIA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK
LAPORAN TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Rizka Nurlizah (201710370311076)
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021
DAFTAR ISI
LEMBAR PERSETUJUAN ... ii
LEMBAR PERNYATAAN ... iii
LEMBAR PENGESAHAN ... iv
Abstrak ... v
Abstract ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... vii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiii
BAB I ... 1
PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Tujuan... 3
1.4 Batasan Masalah ... 3
BAB II ... 4
2.1 Literatur Review ... 4
2.2 Penyakit Katarak ... 5
2.3 Dataset ... 6
2.4 Deep Learning ... 7
2.5 Convolutional Neural Network (CNN) ... 7
2.6 Pre-Trained ... 8
2.6.1 Arsitektur Model VGG16 ... 8
2.6.2 Arsitektur ResNet50... 9
2.7 Augmentasi Data ... 10
2.8 Evaluasi ... 10
2.8.1 Accuracy ... 11
2.8.2 Precision ... 11
2.8.3 Recall ... 11
2.8.4 F1-Score ... 11
BAB III ... 12
3.1 Dataset ... 12
3.2 Pre-Processing ... 13
3.3 Build Model CNN ... 14
3.3.1 Model VGG16 dan Model ResNet50 ... 14
3.4 Lingkungan Kerja ... 16
3.5 Pengujian ... 16
BAB IV ... 18
4.1 Pre-preprocessing Augmentasi Data ... 18
4.1.1 Melakukan preprocessing CROP (menghilangkan background hitam yang berlebihan pada gambar) ... 18
4.1.2 Membuat folder berdasarkan label pada gambar dan memasukkan file-file gambar sesuai dengan labelnya ... 19
4.1.3 Melakukan Preprocessing dan Augmentasi Gambar ... 20
4.1.4 Melakukan pembagian dataset ... 27
4.2 Arsitektur Model VGG 16... 27
4.2.1 Inisialisasi data ... 27
4.2.2 Menggunakan pre-trained layer untuk ekstraksi fitur ... 28
4.2.3 Melakukan training menggunakan feature map yang telah diperoleh29 4.2.4 Melakukan fine-tuning model VGG-16 ... 31
4.2.5 Membuat image generator untuk model fine-tuning ... 33
4.2.6 Melakukan training pada model fine-tuning VGG-16 ... 35
4.2.7 Melakukan evaluasi pada model fine-tuning VGG-16 ... 36
4.2.9 Membuat grafik plot hasil akurasi training validation dan loss training validation 36 4.2.10 Melakukan prediksi model fine-tuning VGG-16 menggunakan data testing 37 4.3 Arsitektur model ResNet50 ... 38
4.3.1 Inisialisasi data ... 38
4.3.2 Membuat image generator untuk model fine-tuning ... 39
4.3.3 Membuat arsitektur model fine-tuning ResNet50... 41
4.3.4 Melakukan training pada model fine-tuning ResNet50 ... 43
4.3.5 Melakukan evaluasi pada model fine-tuning ResNet50 ... 44
4.3.6 Membuat grafik plot hasil akurasi training validation dan loss training validation 45 4.3.7 Melakukan prediksi model fine-tuning VGG-16 menggunakan data testing 46 4.4 Evaluasi ... 46
4.4.1 Model VGG-16 ... 46
4.4.2 Model ResNet50 ... 50
4.5 Hasil Penelitian ... 53
BAB V ... 55
5.1 Kesimpulan... 55
5.2 Saran ... 55
DAFTAR PUSTAKA ... 56
DAFTAR GAMBAR
Gambar 1 : Contoh gambar bola mata kiri dan kanan. (a) mata kiri (b) mata kanan (c) mata kiri
(d) mata kanan (e) mata kiri ... 21
Gambar 2 : Arsitektur CNN secara umum ... 23
Gambar 3 : Arsitektur VGG16 ... 24
Gambar 4 : Arsitektur ResNet50 [12] ... 25
Gambar 5 : Arsitektur pengerjaan penelitian ... 28
Gambar 6 : (a) Hasil menghilangkan Background hitam, (b) Hasil terbalik searah jarum jam, (c) Hasil terbalik berlawanan arah jarum jam, (d) Hasil terbalik secara horizontal flip, (e) Hasil terbalik secara vertical flip, (f) Hasil memberi efek terang, (g) Hasil memberi efek blur/buram, (h) Hasil pergeseran melengkung ... 30
Gambar 7 : alur model VGG16 dan ResNet50 ... 32
Gambar 8 : Source Code mengatur size gambar ... 34
Gambar 9 : Souce Code untuk mengatur file path ... 35
Gambar 10: Source Code untuk pelebelan gambar ... 36
Gambar 11 : Source Code rotasi berlawanan arah jarum jam ... 37
Gambar 12 : Source Code rotasi searah jarum jam ... 38
Gambar 13 : Source Code horizontal flip ... 39
Gambar 14 : Source Code vertical flip ... 40
Gambar 15: Source Code meberi efek terang ... 40
Gambar 16 : Source Code memberi efek blur/buram ... 41
Gambar 17 : Source Code memberi efek melengkung ... 42
Gambar 18 : Source Code pengercekan folder yang di buat ... 43
Gambar 19: Source Code inisialisasi data ... 43
Gambar 20 : Source Code membuat generator dan feature map ... 44
Gambar 21 : Source Code training menggunakan hasil dari feature map yang telah diperoleh ... 45
Gambar 22 : Source Code untuk melakukan fine-tuning VGG-16 ... 47
Gambar 23 : Arsitektur model fine-tuning VGG-16 ... 48
Gambar 24 : Source Code membuat image data generator model fine-tuning .... 49
Gambar 25: Source Code melakukan training model fine-tuning VGG-16 ... 50
Gambar 26 : Source Code melakukan evaluasi model fine-tuning VGG-16 ... 50
Gambar 27 : Source Code plot accuracy training validation dan loss training validation 51 Gambar 28 : Source Code plot accuracy training validation dan loss training validation 52 Gambar 29 : Source Code inisialisasi data ... 52
Gambar 30 : Source Code membuat image data generator model fine-tuning .... 53
Gambar 31 : Source Code untuk melakukan fine-tuning ResNet50 ... 55
Gambar 32 : Arsitektur model fine-tuning ResNet50 ... 55
Gambar 33 : Source Code melakukan training model fine-tuning ResNet50 ... 56
Gambar 34 : Source Code melakukan evaluasi model fine-tuning ResNet50 ... 57
Gambar 35 : Source Code plot accuracy training validation dan loss training validation 57 Gambar 36 : Source Code plot accuracy training validation dan loss training validation 58 Gambar 37 : arsitektur dari model VGG-16 ... 59
Gambar 38 : Hasil akurasi training validation ... 60
Gambar 39 : Hasil loss training validation ... 60
Gambar 40 : Hasil testing data ... 61
Gambar 41 : Plot Confusional Matriks ... 62
Gambar 42 : akurasi Training Validation... 63
Gambar 43 : Loss Training Validation... 63
Gambar 44 : Hasil Testing Model ... 64
Gambar 45 : Confusion Matriks ... 65
DAFTAR TABEL
Table 1 : Peneliti Terdahulu ... 18
Table 2 : Hasil Training dan Testing ... 63
Table 3 : Arsitektur model ResNet50 ... 64
Table 4 : Hasil Training dan Testing ... 66
Table 5 : Akurasi Arsitektur ... 67
KATA PENGANTAR
Assalamualaikum Warahmadtullahi Wabarakatuh
Alhamdulillah, senantiasa kita ucapkan puji syukur atas kehadiran Allah SWT yang hingga saat ini masih memberikan kita nikmat iman dan kesehatan, sehingga saya diberikan waktu untuk menyelesaikan Tugas Akhir yang berjudul “Klasifikasi Penyakit Katarak Pada Mata Manusia Dengan Menggunakan Metode Convulational Neural Network (CNN)”. Tugas Akhir ini ditulis untuk memenuhi syarat kelulusan. Ucapan Terima Kasih saya sampaikan pada:
1. Bapak Agus Eko Minarno,S.Kom,M.Kom selaku dosen pembimbing pertama Tugas Akhir saya
2. Bapak Galih Wasis Wicaksono S.kom,.M.Cs selaku dosen pembimbing kedua Tugas Akhir saya
3. Kedua orang tua saya atas segala doa dan dukungan yang diberikan 4. Teman dan Sahabat saya atas segala semangat yang diberikan
Pada Tugas Akhir ini akan dibahas mengenai klasifikasi dalam salah satu penyakit mata. Tugas Akhir ini berisikan klasifikasi penyakit mata yang menggunakan salah satu metode yang ada pada klasifikasi suatu gambar yatu CNN.
Saya menyadari bahwa dalam penulisan Tugas ini masih jauh dari kata sempurna serta kesalahan yang penulis yakni diluar batas kemampuan saya. Maka dari itu saya ucapkan maaf sebesar- besarnya. Saya berharap karya tulis ini dapat bermanfaat bagi semua pihak.
Malang, 05 Juli 2021
Rizka Nurlizah
DAFTAR PUSTAKA
[1] S. Sourav, D. Bottari, I. Shareef, R. Kekunnaya, and B. Röder, “An electrophysiological biomarker for the classification of cataract-reversal patients: A case-control study,” EClinicalMedicine, vol. 27, pp. 1–11, 2020, doi: 10.1016/j.eclinm.2020.100559.
[2] P. Kumari and K. R. Seeja, “Periocular Biometrics for non-ideal images:
With off-the-shelf Deep CNN & Transfer Learning approach,” Procedia Comput. Sci., vol. 167, no. 2019, pp. 344–352, 2020, doi:
10.1016/j.procs.2020.03.234.
[3] V. Wirawan and Y. E. Soelistio, “Model Klasifikasi Mata Katarak dan Normal Menggunakan Histogram,” J. Ultim., vol. 9, no. 1, pp. 33–36, 2017, doi: 10.31937/ti.v9i1.561.
[4] “Ocular Disease Recognition Using Convolutional Neural Networks | by Grzegorz Meller | Towards Data Science.”
https://towardsdatascience.com/ocular-disease-recognition-using- convolutional-neural-networks-c04d63a7a2da (accessed Jun. 13, 2021).
[5] A. U. Patwari, “Detection , Categorization , and Assessment of Eye Cataracts Using Digital Image Processing,” no. June, pp. 1–5, 2011.
[6] S. Kolhe and S. K. Guru, “Remote Automated Cataract Detection System Based on Fundus Images,” pp. 10334–10341, 2016, doi:
10.15680/IJIRSET.2015.0506152.
[7] “Ocular Disease Recognition | Kaggle.”
https://www.kaggle.com/andrewmvd/ocular-disease-recognition-odir5k (accessed Jun. 13, 2021).
[8] A. Gasc et al., “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI ALAT TULIS,” Photosynthetica, vol. 2, no. 1, pp. 1–13, 2018, [Online].
Available: http://link.springer.com/10.1007/978-3-319-76887-
8%0Ahttp://link.springer.com/10.1007/978-3-319-93594- 2%0Ahttp://dx.doi.org/10.1016/B978-0-12-409517-5.00007-
3%0Ahttp://dx.doi.org/10.1016/j.jff.2015.06.018%0Ahttp://dx.doi.org/10.1 038/s41559-019-0877-3%0Aht.
[9] “Pengenalan Deep Learning Part 7 : Convolutional Neural Network (CNN)
| by Samuel Sena | Medium.”
https://medium.com/@samuelsena/pengenalan-deep-learning-part-7- convolutional-neural-network-cnn-b003b477dc94 (accessed Jun. 13, 2021).
[10] “Pengenalan Deep Learning Part 1 : Neural Network | by Samuel Sena | Medium.” https://medium.com/@samuelsena/pengenalan-deep-learning- 8fbb7d8028ac (accessed Jun. 13, 2021).
[11] A. M. Rizki and N. Marina, “Klasifikasi Kerusakan Bangunan Sekolah Menggunakan Metode Convolutional Neural Network Dengan Pre-Trained Model Vgg-16,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 197–206, 2019, doi: 10.35760/tr.2019.v24i3.2396.
[12] S. Sourav et al., “Multi-channel Convolutions Neural Network Based Diabetic Retinopathy Detection from Fundus Images,” Procedia Comput.
Sci., vol. 9, no. 1, pp. 37–45, 2019, doi: 10.1016/j.bspc.2020.102167.
[13] I. H. W, D. Jondri, M. Si, and A. Rizal, “Klasifikasi Suara Paru-Paru Menggunakan Convolutional Neural Network ( CNN ),” vol. 8, no. 2, pp.
3218–3223, 2021.
[14] I. W. Saputro and B. W. Sari, “Chandra, W. N., Indrawan, G., & Sukajaya, I. N. (2016). Spam Filtering Dengan Metode Pos Tagger Dan Klasifikasi Naïve Bayes. Jurnal Ilmiah Teknologi Informasi Asia, 10(1), 47–55.
Smyrniw, W. (2016). 1. Introduction 11. Ukrainian Science Fiction.
https://d,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 1, 2020.
