Klasifikasi Paru-Paru Normal Dan Pneumonia Menggunakan Metode Convolutional Neural Network
Berdasarkan Citra Chest X-ray
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Megawati (201710370311112)
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2022
i
LEMBAR PERSETUJUAN
Klasifikasi Paru – Paru Normal Dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-Ray
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata I Informatika Universitas Muhammadiyah Malang
Menyetujui, Malang, 10 Januari 2022
Yufis Azhar, S.Kom., M.Kom.
NIDN.0728088701 Agus Eko Minarno, S.Kom., M.Kom.
NIDN.0729118203
Pembimbing 2 Pembimbing 1
i
LEMBAR PERSETUJUAN
Klasifikasi Paru – Paru Normal Dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-Ray
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata I Informatika Universitas Muhammadiyah Malang
Menyetujui, Malang, 10 Januari 2022
Yufis Azhar, S.Kom., M.Kom.
NIDN.0728088701 Agus Eko Minarno, S.Kom., M.Kom.
NIDN.0729118203
Pembimbing 2 Pembimbing 1
LEMBAR PENGESAHAN
Klasifikasi Paru - Paru Normal Dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-Ray
TUGAS AKHffi
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Informatika Universitas Muhammadiyab Malang
Disusun Oleh : Megawati
NIM: 201710370311112
Tugas Akhir ini telab diuji dan dinyatakan lulus melalui sidang majelis penguji pada 17 Januari 2022
Menyetujui, Penguji I
Didih Rizki C., S.Kom., M.Kom NIDN: 0702109201
Penguji II
Galih Wasis W., S.Kom., M.Cs NIP: 108.1410.0541 engetahui,
·,,, ik lnformatika
icaksono S Korn M. s P : 108.1410.0541
II
LEMBARPERNYATAAN
Yang bertanda tangan dibawah ini:
NAMA : MEGAWATI NIM :201710370311112
FAK / JUR : TEKNIK / INFORMA TIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul "Klasiflkasi Paro Paru Normal Dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-Ray" 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 sumbemya. Demikian surat pemyataan ini saya buat dengan sebenar-benamya. 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 Minamo, S.Kom, M.Kom
Malang, 10 Januari 2022 yang Membuat Pemyataan
- )IL
,
.. -:,"..~
Megawati
1ll
iv
ABSTRAK
Paru-paru merupakan organ yang berperan penting pada sistem pernapasan manusia yang berfungsi sebagai pertukaran oksigen dan karbondioksida didalam darah. Penurunan kualitas udara yang terjadi di dunia khususnya di indonesia, sangat berdampak terhadap meningkatnya resiko terkena penyakit paru-paru. Penyakit paru-paru pada manusia adalah salah satu penyakit yang banyak terjadi pada saat sekarang ini, salah satunya penyakit pneumonia. Dengan data yang tersedia, pada penelitian ini menggunakan metode Convolutional Neural Network yang bertujuan untuk mengetahui tingkat akurasi dari metode yang digunakan. Penelitian ini menghasilkan akurasi sebesar 90% menggunakan metode Convolutional Neural Network.
Kata kunci: Pneumonia, klasifikasi, Convolutional Neural Network
v
ABSTRACT
The lungs are organs that play an important role in the human respiratory system which functions as an exchange of oxygen and carbon dioxide in the blood. The decline in air quality that occurs in the world, especially in Indonesia, has an impact on increasing the risk of developing lung disease. Lung disease in humans is one of the most common diseases nowadays, one of which is pneumonia. With the available data, this study uses the Convolutional Neural Network method which aims to determine the level of accuracy of the method used. This study resulted in an accuracy of 90% using the Convolutional Neural Network method.
Keywords: pneumonia, classification, Convolutional Neural Network
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 yang telah memberikan nasehat- nasehat dan meluangkan waktunya untuk membimbing penulis dengan penuh kesabaran.
2. Bapak/Ibu Dekan Fakultas Teknik Universitas Muhammadiyah Malang yang telah memberikan izin dalam penyusunan tugas akhir ini.
3. Bapak/Ibu Ketua Jurusan Teknik Informatika Universitas Muhammadiyah Malang yang telah memberika izin dalam penyusunan tugas akhir ini.
4. Orang tua tercinta H. Abdul Hamid Ismail dan HJ. Ramlah serta saudara- saudara saya yang selalu memberikan semangat, doa, nasehat, motivasi, dan semua hal baik yang tidak bisa disebutkan secara rinci.
Berbagai pihak yang tidak dapat penulis sebutkan satu persatu. Khususnya rekan-rekan yang telah memberikan bantuan dan motivasi kepada penulis.
Malang, 11 Januari 2022
Megawati
vii
KATA PENGANTAR
Segala Puji dan Syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul “Klasifikasi Paru-Paru Normal dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-ray”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi pengaruh model yang diusulkan terhadap klasifikasi paru-paru normal dan pneumonia berdasarkan citra chest x-ray. Tugas akhir ini ditulis dalam rangka memenuhi sebagian persyaratan untuk memperoleh gelar sarjana program studi Informatika Fakultas Teknik Universitas Muhammadiyah Malang.
Penulis menyadari bahwa masih banyak kekurangan dalam penulisan tugas akhir ini.
Semoga tugas akhir ini dapat bermanfaat tidak hanya bagi penulis namun juga bermanfaat bagi para pembaca.
Malang, 11 Januari 2022
Megawati
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 Pendahuluan ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 3
1.4 Batasan Masalah ... 3
BAB II ... 4
TINJAUAN PUSTAKA ... 4
2.1 Studi Literatur ... 4
2.2 Pneumonia ... 5
2.3 Klasifikasi ... 5
2.4 Convolutional Neural Network ... 5
2.5 Convolution Layer ... 6
2.6 Pooling Layer ... 7
2.7 Dense Layer ... 8
2.8 Dropout Layer ... 8
2.9 Fully Connected Layer ... 9
2. 10 Rectified Linear Unit (ReLU) Layer ... 9
2.11 Adam ... 10
2.12 Evaluasi ... 10
ix
BAB III ... 12
METODE PENELITIAN ... 12
3.1 Tahapan Penelitian ... 12
3.2 Lingkungan Kerja ... 12
3.3 Dataset ... 13
3.4 Deskripsi Sistem ... 13
3.5 Pembagian Data / Splitting Dataset ... 13
3.6 Preprocessing ... 14
3.7 Augmentasi Data ... 14
3.8 Grayscale ... 15
3.9 Perancangan Model ... 15
3.10 Skenario Pengujian... 17
3.11 Perancangan Sistem ... 17
BAB IV ... 18
IMPLEMENTASI DAN PENGUJIAN ... 18
4.1 Implementasi ... 18
4.2 Import Library ... 18
4.3 Visualisasi Data ... 19
4.4 Splitting Dataset ... 19
4.5 Preprocessing Dataset ... 20
4.5.1 Augmentasi Data ... 20
4.5.2 Grayscale ... 21
4.6 Implementasi Model... 21
4.7 Pengujian dan Evaluasi ... 22
4.8 Evaluasi Hasil Pengujian... 27
BAB V ... 30
KESIMPULAN DAN SARAN ... 30
5.1 Kesimpulan ... 30
5.2 Saran ... 30
DAFTAR PUSTAKA ... 31
x
DAFTAR GAMBAR
Gambar 2. 1Arsitektur Convolutional Neural Network... 6
Gambar 2. 2 Convolution Layer ... 7
Gambar 2. 3 Representasi Proses Max Pooling ...7
Gambar 2. 4 Representasi Proses Avarage Pooling ... 8
Gambar 2. 5 Neural Network Sebelum Dropout ...8
Gambar 2. 6 Neural Network Setelah Dropout ...9
Gambar 2. 7 Fungsi Aktivasi ReLU ... 10
Gambar 3. 1 Diagram Tahapan Penelitian ... 12
Gambar 3. 2 Sampel Data Kelas ...14
Gambar 3. 3 Sampel Data Kelas Pneumonia ... 13
Gambar 3. 4 Arsitektur Model CNN Menggunakan Resnet-50 [22] ... 16
Gambar 4. 1 Source code import library ... 19
Gambar 4. 2 Output pembagian data pada kelas pneumonia dan normal ... 19
Gambar 4. 3 Source Code pembagian dataset ... 20
Gambar 4. 4 Output pembagian dataset ... 20
Gambar 4. 5 Source Code proses augmentasi ... 20
Gambar 4. 6 Source Code Grayscale ... 21
Gambar 4. 7 Arsitektur model ... 22
Gambar 4. 8 Model summary ... 22
Gambar 4. 9 Source code training model ... 23
Gambar 4. 10 Diagram accuracy dan val_accuracy ... 24
Gambar 4. 11 Diagram loss dan val_loss ... 24
Gambar 4. 12 Accuracy model ... 25
Gambar 4. 13 Klasifikasi report CNN ... 25
Gambar 4. 14 Confusion matrix ... 26
Gambar 4. 15 Hasil prediksi yang sesuai... 26
Gambar 4. 16 Hasil prediksi yang tidak sesuai ... 27
xi
DAFTAR TABEL
Tabel 2. 1 Penelitian Terdahulu dan Pendukung ... 5
Tabel 2. 2 Confusion Matrix ... 11
Tabel 3. 1 Jumlah Dataset ... 13
Tabel 3. 2 Detail Jenis Augmentasi Gambar ... 15
Tabel 4. 1 Hasil Pengujian ... 27
Tabel 4. 2 Perbandingan Penelitian ... 29
31
DAFTAR PUSTAKA
L. A. Andika, H. Pratiwi, and S. S. Handajani, “Lingga Aji Andika 1 , Hasih Pratiwi 2 , and Sri Sulistijowati Handajani 3 1,” pp. 331–340, 2019.
B. Triharyanto et al., Klasifikasi Paru-Paru Normal Dan Tidak Berdasarkan Citra X-Ray Thorax Dengan Backpropagation Klasifikasi Paru-Paru Normal Dan Tidak Berdasarkan Citra X-Ray Thorax. 2020.
A. Mujahidin and D. Pribadi, “Penerapan Algoritma C4 . 5 Untuk Diagnosa Penyakit Pneumonia Pada Anak Balita Berbasis Mobile,” vol. 5, no. 2, pp. 155–161, 2017.
U. S. Utara, “KLASIFIKASI PNEUMONIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI,” 2018.
I. D. Maysanjaya, “Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan Convolutional Neural Network ( Classification of Pneumonia Based on Lung X-rays Images using Convolutional Neural Network ),” vol. 9, no. 2, pp. 190–195, 2020.
S. Antani, “A Report to the Board of Scientific Counselors Automated Detection of Lung Diseases in Chest X-Rays,” no. April, 2015.
S. G. I. Mdp, “Klasifikasi Pneumonia Menggunakan Metode K- Nearest Neighbor Dengan Ekstraksi GLCM,” vol. 1, no. 1, pp. 33–44, 2020.
A. H. Ahnafi, A. Arifianto, and K. N. Ramadhani, “Pneumonia Classification from X-ray Images using Residual Neural Network,” vol. 5, no. September, pp. 43–54, 2020, doi:
10.21108/indojc.2020.5.2.454.
World Health Organization, Revised WHO Classification and Treatment of Childhood Pneumonia at Health Facilities: Evidence Summaries. 2014.
O. Acces, “Open Acces Acces,” vol. 02, no. 01, pp. 402–406, 2020.
T. C. Morphology, “No 主観的健康感を中心とした在宅高齢者におけ る 健康関連指標に関する共分散構造分析Title.”
I. M. D. Maysanjaya, “Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan Convolutional Neural Network,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 190–
195, 2020, doi: 10.22146/jnteti.v9i2.66.
L. Fei-Fei, J. Deng, and K. Li, “ImageNet: Constructing a large-scale image database,” J.
Vis., vol. 9, no. 8, pp. 1037–1037, 2010, doi: 10.1167/9.8.1037.
H. Tjandrasa, R. E. Putra, A. Y. Wijaya, and I. Arieshanti, “Classification of non- proliferative diabetic retinopathy based on hard exudates using soft margin SVM,” Proc. -
32 2013 IEEE Int. Conf. Control Syst. Comput. Eng. ICCSCE 2013, pp. 376–380, 2013, doi:
10.1109/ICCSCE.2013.6719993.
S. Mishra, S. Hanchate, and Z. Saquib, “Diabetic retinopathy detection using deep learning,” Proc. Int. Conf. Smart Technol. Comput. Electr. Electron. ICSTCEE 2020, pp.
515–520, 2020, doi: 10.1109/ICSTCEE49637.2020.9277506.
M. Mateen, J. Wen, N. Nasrullah, S. Sun, and S. Hayat, “Exudate Detection for Diabetic Retinopathy Using Pretrained Convolutional Neural Networks,” Complexity, vol. 2020, 2020, doi: 10.1155/2020/5801870.
L. Cheng, X. Zhang, and J. Shen, “Road surface condition classification usingdeep learning,” J. Vis. Commun. Image Represent., vol. 64, p. 102638, 2019, doi:
10.1016/j.jvcir.2019.102638.
Y. Ming, J. Tang, Z. X. Chen, F. Xu, L. J. Zhang, and Y. Q. Lu, “Generation of N00N state with orbital angular momentum in a twisted nonlinear photonic crystal,” IEEE J. Sel. Top.
Quantum Electron., vol. 21, no. 3, pp. 225–230, 2015, doi: 10.1109/JSTQE.2014.2382977.
S. G. I. Mdp, “Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine,” vol.
1, no. 1, pp. 21–32, 2020.
M. Hasan, M. M. Islam, M. I. I. Zarif, and M. M. A. Hashem, “Attack and anomaly detection in IoT sensors in IoT sites using machine learning
approaches,” Internet of Things (Netherlands), vol. 7, p. 100059, 2019, doi:
10.1016/j.iot.2019.100059.
K. Xu, D. Feng, and H. Mi, “Deep convolutional neural network-based early automated detection of diabetic retinopathy using fundus image,” Molecules, vol. 22, no. 12, 2017, doi:
10.3390/molecules22122054.
A. Hibatullah and I. Maliki, “Penerapan Metode Convolutional Neural Network Pada Pengenalan Pola Citra Sandi Rumput,” 2019.
F. Nashrullah, S. Adhi, and G. Budiman, “Investigasi Parameter Epoch Pada Arsitektur ResNet- 50 Untuk Klasifikasi Pornografi,” J. Comput. Electron. Telecommun., pp. 1–8, 2020.
, ' '
TA-010
UNIVERSITAS MUHAMMADIY AH MALANG
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INFORMATIKA
JI. Raya Tlogomas 246 Malang 65144 Telp. 0341 - 464318 Ext 247, Fax. 0341 - 460782
FORM CEK PLAGIARISME LAPORAN TUGAS AKHlR
Nama Mahasiswa : Megawati
NIM : 201710370311112
Judul TA : Klasifikasi Paru-Paru Normal dan Pneumonia Menggunakan Metode Convolutional Neural Network Berdasarkan Citra Chest X-ray
Hasil Cek Plagiarisme dengan Turnitin
No. Komponen Pengecekan Nilai Maksimal Basil Cek Plagiarisme Plagiarisme (%) (%) *
1. Bab I - Pendahuluan 10% 7%
2. Bab 2 - Tinjauan Pustaka 25% 12%
3. Bab 3 - Analisis dan Perancangan 25% 14%
4. Bab 4 - Implementasi dan Pengujian 15 % 11%
5. Bab 5 - Kesimpulan dan Saran 5% 0%
6. Makalah Tugas Akhir / Jumal 20% 18%
Mengetahui,
bing
o S.Kom., M.Kom)
*) Hasil eek plagiarism bisa diisikkan oleh salah satu pembimbing
