Klasifikasi Lesi Kulit Menggunakan Convolutional Neural Network
Laporan Tugas Akhir
Diajukan untuk Memenuhi Persyaratan Guna Meraih GelarSarjana Informatika Universitas Muhammadiyah Malang
Suryani Rachmawati 201710370311321
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021
i
ii
iii
iv
KATA PENGANTAR
Alhamdulillahirabbil’alamin segala puji dan syukur tak pernah terhenti dipanjatkan kepada Allah Subhanahu Wa Ta’alaa yang telah memberikan rahmat, karunia dan hidayah-Nya, sehingga penyusunan skripsi yang berjudul
“ KLASIFIKASI LESI KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK”
Dapat diselesaikan dengan lancar. Penulisan skripsi ini disusun guna memenuhi syarat untuk memperoleh gelar sarjana strata 1 pada Fakultas Teknik Program Studi Informatika Universitas Muhammadiyah Malang.
Selama proses penyusunan tugas akhir ini, penulis tidak lepas dari bantuan, dukungan, bimbingan, arahan, serta doa dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan rasa syukur dan terima kasih sebesar-besarnya keapda:
1. Allah Subhanahu Wa Ta’alaa yang telah memberikan begitu banyak nikmat dan karunia-Nya kepada penulis sehingga dapat menyelesaikan tugas akhir ini dengan lancar.
2. Kedua orang tua penulis, Bapak Suko Purnomo dana Mama Nurul Aeni, yang setiap saat selalu memberikan nasihat, semangat, motivasi, materi, serta mendoakan kelak sukses perjalanan hidup, karir, dan kelancaran dalam penyusunan tugas akhir ini.
3. Bapak Agus Eko Minarno, M.Kom. selaku dosen pembimbing 1 dan Bapak Yufis Azhar, M.kom. selaku dosen pembimbing 2 yang selalu memberikan arahan, memberikan nasihat dengan segala bimbingan terbaik yang diberikan kepada penulis sehingga tugas akhir ini dapat diselesaikan dengan baik.
4. Seluruh sahabat penulis di kelas H angkatan 2017 yang menjadi teman seperjuangan di dalam perkuliahan maupun di luar perkuliahan yang memberikan kesan terindah selama perkuliahan.
Penulis menyadari, bahwa penulisan tugas akhir ini masih jauh dari kata sempurna dan masih banyak kekurangan serta kesalahan dalam penulisan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang membangun sangat diharapkan
v
oleh penulis untuk meningkatkan penulisan tugas akhir di masa mendatang sehingga dapat memberikan manfaat baik bagi penulis maupun pihak lainnya.
Malang, 18 Juli 2021
Suryani Rachmawati
vi
ABSTRAK
Lesi kulit merupakan suatu kondisi bagian kulit yang memiliki pertumbuhan atau penampakan yang abnormal. Reaksi ini muncul disebabkan oleh infeksi virus seperti herpes simplex (HSV) yang ditandai munculnya kemerahan pada kulit.
Mendeteksi jenis penyakit kulit secara otomatis dari hasil dermoskopi dapat membantu mendiagnosa secara cepat dan meningkatkan akurasi untuk menghemat waktu. Pada penelitian ini mengusulkan metode machine learning yaitu Convolutional Neural Network untuk mendiagnosa penyakit kulit secara otomatis.
Pengujian penelitian ini menggunakan teknik augmentasi data dan penyeimbangan data untuk diimplementasikan pada dataset citra lesi kulit ISIC 2018. Pada pengujian dengan teknik dan metode yang diusulkan dapat menghasilkan akurasi sebesar 98%.
Teknik augmentasi dan penyeimbangan data yang diusulkan, dapat mempengaruhi model yang diusulkan dari segi peningkatan performa.
Kata kunci : Dermoskopi, herpes simplex, lesi kulit, machine learning, Convolutional Neural Network
vii
ABSTRACT
A skin lesion is a condition where the skin has an abnormal growth or appearance. This reaction appears to be caused by a virus infection such as herpes simplex (HSV) which is characterized by the appearance of redness on the skin.
Detecting the type of skin disease automatically from dermoscopy result can help diagnose quickly and increase accuracy to saving time. This research proposes a method, machine learning that is Convolutional Neural Network to diagnose skin disease automatically. This examination research uses data augmentation and data balancing techniques to be implemented in the skin lesion image dataset ISIC 2018.
This examination with the proposed techniques and method can produce an accuracy of 98%. The proposed data augmentation and balancing techniques can affect the proposed model in terms of improving performance.
Keyword: Dermoscopy, herpes simplex, Skin lesion, Machine learning, Convolutional Neural Network
viii
ix
x
xi
DAFTAR GAMBAR
Gambar 1 Arsitektur Convolutional Neural Network ... 5
Gambar 2 Convolutional layer ... ..6
Gambar 3 Pooling layer ... ..7
Gambar 4 Implementasi Dropout ... ..8
Gambar 5 Fungsi Aktivasi ReLU ... ..8
Gambar 6 Tahapan penelitian ... 12
Gambar 7 Citra lesi kulit ... 14
Gambar 8 Arsitektur Model CNN ... 16
Gambar 9 Source code import library ... 19
Gambar 10 Source code visualisasi data ... 20
Gambar 11 Output visualisasi data ... 20
Gambar 12 Source code balanced data ... 21
Gambar 13 Output data balance ... 21
Gambar 14 Source code split data ... 22
Gambar 15 Source code encoding ... 22
Gambar 16 Output encoding ... 22
Gambar 17 Source code augmentasi data ... 23
Gambar 18 Arsitektur model ... 25
Gambar 19 Model summary ... 26
Gambar 20 Source code training model ... 26
Gambar 21 Diagram accuracy dan val_accuracy... 26
Gambar 22 Diagram loss dan val_loss ... 27
Gambar 23 Diagram accuracy model ... 27
Gambar 24 Klasifikasi report CNN ... 28
Gambar 25 Confusion matrix ... 28
xii
DAFTAR TABEL
Tabel 1 Confusion Matrix ... 11
Tabel 2 Spesifikasi Perangkat Keras ... 13
Tabel 3 Spesifikasi Perangkat Lunak ... 13
Tabel 4 Rincian Data Lesi Kulit ... 14
Tabel 5 Class data ... 19
Tabel 6 Perbandingan penelitian ... 29
xiii
DAFTAR PUSTAKA
[1] S. B. Basturk, C. E. J. Dancer, and T. McNally, “Dermoscopy as a Tool for Estimating Breslow Thickness in Melanoma,” J. Pre-proof, p. 104743, 2020, doi:
10.1016/j.adengl.2021.02.007.
[2] D. L. Z. Astuti and Samsuryadi, “Kajian Pengenalan Ekspresi Wajah menggunakan Metode PCA dan CNN,” Annu. Res. Semin. Fak. Ilmu Komput., vol. 4, no. 1, pp. 293–
297, 2018.
[3] R. Septian, D. I. Saputra, and S. Sambasri, “Klasifikasi Emosi Menggunakan Convolutional Neural Networks Emotion Classification Based on Convolutional Neural Networks,” no. November 2019, pp. 53–62, 2019.
[4] W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus,” J. Simantec, vol. 7, no. 2, pp. 48–53, 2020, doi:
10.21107/simantec.v7i2.6551.
[5] A. Mahbod, G. Schaefer, C. Wang, R. Ecker, and I. Ellinger, “Institute for Pathophysiology and Allergy Research , Medical University of Vienna , Austria Department of Research and Development , TissueGnostics GmbH , Austria
Department of Computer Science , Loughborough University , U . K . Department of Biomedical,” Ieee, pp. 1229–1233, 2019.
[6] S. R. Guha and S. M. R. Haque, “Convolutional neural network based skin lesion analysis for classifying melanoma,” 2019 Int. Conf. Sustain. Technol. Ind. 4.0, STI 2019, vol. 0, pp. 1–5, 2019, doi: 10.1109/STI47673.2019.9067979.
[7] G. S. Jayalakshmi and V. S. Kumar, “Performance analysis of convolutional neural network (CNN) based cancerous skin lesion detection system,” ICCIDS 2019 - 2nd Int.
Conf. Comput. Intell. Data Sci. Proc., pp. 1–6, 2019, doi:
10.1109/ICCIDS.2019.8862143.
[8] H. Fonda, “Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn),” J. Ilmu Komput., vol. 9, no. 1, pp. 7–10, 2020, doi:
10.33060/jik/2020/vol9.iss1.144.
[9] K. K. Kumar, K. Kranthi , M. Dileep Kumar, Ch. Samsonu, “Role of convolutional neural networks for any real time image classification, recognition and analysis,”
Mater. Proc., 2021, doi: https://doi.org/10.1016/j.matpr.2021.02.186.
[10] G. Zhao, G. Liu, L. Fang, B. Tu, and P. Ghamisi, “Multiple convolutional layers fusion framework for hyperspectral image classification,” Neurocomputing, vol. 339, pp.
149–160, 2019, doi: 10.1016/j.neucom.2019.02.019.
[11] O. N. Putri, “Implementasi metode cnn dalam klasifikasi gambar jamur pada analisis image processing,” 2020.
[12] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan
Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017.
[13] L. Cheng, X. Zhang, and J. Shen, “Road surface condition classification using deep learning,” J. Vis. Commun. Image Represent., vol. 64, p. 102638, 2019, doi:
10.1016/j.jvcir.2019.102638.
xiv
[14] Y. Achmad, R. C. Wihandika, and C. Dewi, “Klasifikasi emosi berdasarkan ciri wajah wenggunakan convolutional neural network,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 11, pp. 10595–10604, 2019.
[15] J. Bjorck, C. Gomes, B. Selman, and K. Q. Weinberger, “Understanding batch normalization,” Adv. Neural Inf. Process. Syst., vol. 2018-Decem, no. NeurIPS, pp.
7694–7705, 2018.
[16] J. Konar, P. Khandelwal, and R. Tripathi, “Comparison of Various Learning Rate Scheduling Techniques on Convolutional Neural Network,” 2020 IEEE Int. Students’
Conf. Electr. Electron. Comput. Sci. SCEECS 2020, 2020, doi:
10.1109/SCEECS48394.2020.94.
[17] P. P. Singh, R. Kaushik, H. Singh, N. Kumar, and P. S. Rana, “Convolutional neural networks based plant leaf diseases detection scheme,” 2019 IEEE Globecom Work. GC Wkshps 2019 - Proc., 2019, doi: 10.1109/GCWkshps45667.2019.9024434.
[18] I. SABILLA, AHMAD, “ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS DAN KESEGARAN BUAH PADA
NERACA BUAH,” Tesis, no. 201510370311144, 2020.
[19] 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, p. 59, 2019, doi: 10.22146/jnteti.v8i1.491.
[20] and T. B. Olaf Ronneberger, Philipp Fischer, “Convolutional Networks for
Biomedical Image Segmentation,” Lect. Notes Comput. Sci. (including Subser. Lect.
Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9351, no. Cvd, pp. 12–20, 2015, doi: 10.1007/978-3-319-24574-4.
xv
