View of Klasifikasi Penyakit Cacar Monyet Menggunakan Metode Convolutional Neural Network

(1)

Universitas Multi Data Palembang | 179

KLASIFIKASI PENYAKIT CACAR MONYET MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Tommy Oktavianus Saputra^1*), Derry Alamsyah²

1,2Program Studi Informatika, Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang

1tomyoktaa@gmail.com, ²derry@mdp.ac.id

Kata kunci:

Adam, Cacar Monyet, CNN, Lesi, ResNet-50

Abstract: Smallpox is a condition of the skin that causes fluid-filled pimples all over the body and face. Smallpox consists of several types, one of which is monkeypox. Symptoms in sufferers of monkeypox include fever, rash and skin lesions. Until now, further studies are still being carried out to understand the source of infection and the transmission pattern of monkeypox. The dataset used consists of two, the first dataset is 3192 consisting of 2554 training data and 638 validation data. The second dataset is 770 as test data. So, this research was conducted to classify monkeypox using the Convolutional Neural Network architecture ResNet-50 with the Adam optimization. The results of the tests performed showed the best validation accuracy of 94.82% and the best testing results with an accuracy rate of 76.10%.

Abstrak: Cacar merupakan suatu kondisi pada kulit yang menyebabkan jerawat berisi cairan di seluruh tubuh dan wajah. Cacar terdiri dari beberapa jenis, salah satunya yaitu cacar monyet. Gejala pada penderita cacar monyet meliputi demam, ruam dan lesi kulit. Sampai saat ini masih dilakukan studi lebih lanjut untuk memahami sumber infeksi dan pola penularan dari cacar monyet. Dataset yang digunakan terdiri dari dua yaitu, dataset pertama berjumlah 3192 terdiri dari 2554 data latih dan 638 data validasi. Dataset kedua berjumlah 770 sebagai data uji. Maka, penelitian ini dilakukan untuk mengklasifikasi cacar monyet menggunakan Convolutional Neural Network arsitektur ResNet-50 dengan fungsi optimasi Adam. Hasil pengujian yang dilakukan menunjukkan akurasi validasi terbaik sebesar 94,82% dan hasil uji terbaik dengan tingkat akurasi sebesar 76,10%.

Saputra & Alamsyah (2023). Klasifikasi Penyakit Cacar Monyet Menggunakan Metode Convolutional Neural Network. MDP Student Conference 2023.

PENDAHULUAN

Cacar merupakan suatu kondisi pada kulit yang menyebabkan jerawat berisi cairan di seluruh tubuh dan wajah [1]. Cacar memiliki beberapa jenis namun pada penelitian ini akan berfokus pada cacar monyet.

Cacar monyet pertama diidentifikasi pada tahun 1958, ketika monyet diangkat dari Singapore menuju ke Denmark untuk kepentingan penelitian dan pada penelitian tersebut mengungkapkan penyakit mirip cacar yang disebut cacar monyet [2]. Kasus cacar monyet ditemukan pertama kali pada Agustus 1970 di Republik Demokratik Kongo [3].

Namun baru-baru ini, kasus cacar monyet terkonfirmasi kembali pada 6 Mei 2022 yang berasal dari individu yang melakukan perjalanan ke Nigeria [4]. Lalu pada 21 Mei, kasus cacar monyet dilaporkan dari sebagian jumlah negara dan wilayah, yaitu di Eropa, tetapi juga di Amerika Utara dan Selatan, Asia, Afrika Utara, dan Australia. Mulai dari 27 Juni 2022, WHO (World Health Organization) mendeklarasikan wabah ini sebagai “Evolving Health Threat” dari pada Public Health Emergency of International Concern (PHEIC) [5].

(2)

180 | Universitas Multi Data Palembang

Gejala pada penderita cacar monyet meliputi demam, ruam dan lesi kulit [6]. Gejala tersebut dianggap sebagai ciri khas dari penderita cacar monyet. Perubahan lesi kulit ini dapat diamati dari leher, selangkangan dan area submandibular [7]. Hingga saat ini masih dilakukan investigasi dan studi lebih lanjut untuk memahami sumber infeksi dan pola penularan pada cacar monyet [8]. Berbagai upaya pun perlu dipersiapkan untuk meminimalisir penyebaran penyakit ini, salah satunya dengan cara deteksi dini.

Penelitian terdahulu, seperti Klasifikasi Penyakit Daun Jagung menggunakan metode Convolutional Neural Network arsitektur ResNet-50 dengan optimizer Adam, Nadam, dan SGD yang menggunakan jumlah dataset sebanyak 4225 yang telah di resize menjadi ukuran 224x224 dan penelitian ini menghasilkan tingkat akurasi terbaik sebesar 98,4% pada optimizer Adam [9]. Kemudian, Klasifikasi Jenis Kanker Kulit menggunakan CNN-SVM. CNN digunakan untuk ekstraksi fitur dengan arsitektur VGG-19 dan ResNet-50, sedangkan SVM digunakan sebagai pengklasifikasi dengan kernel linear dan RBF yang dioptimasi menggunakan random grid. Dataset terdiri 300 citra yang dibagi menjadi 240 data latih dan 60 data uji.

Preprocessing yang digunakan adalah resize dan patch. Hasil terbaik diperoleh pada preprocessing patch dengan arsitektur VGG-19, menggunakan kernel linear optimasi random grid, dengan akurasi sebesar 65,33% [10].

Berdasarkan pendahuluan diatas penggunaan metode Convolutional Neural Network mampu mengenali objek pada proses klasifikasi sehingga penelitian ini akan melakukan penelitian klasifikasi penyakit cacar monyet menggunakan metode tersebut.

METODE

Tahapan yang akan dilakukan pada penelitian klasifikasi penyakit cacar monyet menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 dapat dilihat pada Gambar 1.

Gambar 1. Kerangka Kerja Penelitian

(3)

Universitas Multi Data Palembang | 181 Identifikasi Masalah

Tahap ini dimulai dengan mengumpulkan informasi dan data terkait dengan klasifikasi penyakit cacar monyet.

Studi Literatur

Tahap ini, peneliti akan melakukan pencarian dan mempelajari jurnal terkait dengan klasifikasi penyakit cacar monyet menggunakan berbagai metode, dan penggunaan metode Convolutional Neural Network dalam mengidentifikasi gambar.

Pengumpulan Data

Tahap ini, peneliti akan melakukan pengumpulan data yang berupa Monkeypox Skin Lesion Dataset yang berasal dari [11], [12] dan Monkeypox Skin Images Dataset (MSID) yang berasal dari [13] yang merupakan dataset publik. Gambar 2 menunjukkan gambar contoh dataset.

Gambar 2. Contoh Dataset

Perancangan Sistem

Tahap ini, penulis akan merancang sistem yang akan digunakan dalam penelitian. Data akan dibagi menjadi dua bagian, yaitu data latih dan data validasi, yang dibagi dengan rasio 8:2. Data untuk latih sebesar 80% (2554 data) dan data untuk validasi sebesar 20% (638 data). Dataset kedua akan digunakan sebagai data uji (770). Gambar 3 menunjukkan gambar perancangan sistem.

(4)

Gambar 3. Perancangan Sistem

Implementasi

Tahap ini, penulis akan melakukan implementasi terhadap perancangan sistem ditahap sebelumnya.

Pengujian

Tahap ini, penulis akan membuat beberapa skenario untuk menghasilkan akurasi yang baik dalam mengklasifikasi penyakit cacar monyet. Skenario pengujian yang akan dilakukan menggunakan beberapa parameter sebagai berikut. (1) Arsitektur CNN yang digunakan adalah ResNet-50. (2) Pooling Layer yang digunakan adalah Average Pooling. (3) Optimizer yang digunakan adalah Adam. (4) Pembuatan training model akan ditambahkan Dense 512 pada base model arsitektur ResNet-50. (5) Pengujian model akan dibagi menjadi 3 yaitu 10, 30 dan 50 Epoch

Tabel 1. Skenario Pengujian

Skenario Arsitektur CNN Pooling Layer Optimizer Dense 512 Epoch

1. ResNet-50 Average Adam 1 10

Evaluasi

Pada tahap ini, dilakukan evaluasi terhadap tahap sebelumnya, pengujian. Evaluasi menggunakan metode confusion matrix yang terdiri dari precision, recall, f1-score, dan accuracy. Untuk menghitung persentasenya digunakan Persamaan (1), (2), (3) dan (4).

(5)

Universitas Multi Data Palembang | 183 Precision digunakan untuk mengukur tingkat kesesuaian antara data yang diperkirakan benar dengan data sebenarnya.

(1)

Recall digunakan untuk mengevaluasi perbandingan data yang diperkirakan benar dengan data sebenarnya.

/ (2)

F1-score digunakan untuk menggambarkan rata-rata dari Precision dan Recall yang dibobotkan.

1 2 ∗ ∗ !""

#!""$ (3) Accuracy digunakan untuk mengukur tingkat keberhasilan pengujian

%&'

(4)

Keterangan :

TP = Jumlah data kelas positif dan di prediksikan sebagai kelas positif.

FN = Jumlah data kelas positif tetapi di prediksikan sebagai kelas negatif.

FP = Jumlah data kelas negatif tetapi di prediksikan sebagai kelas positif.

TN = Jumlah data kelas negatif dan di prediksikan sebagai kelas negatif.

HASILDANPEMBAHASAN

Tahap ini membandingkan setiap skenario. Tabel 2 menunjukkan hasil perbandingan precision, recall, f1-score, dan accuracy untuk setiap skenario.

Tabel 2. Hasil Pengujian Validasi

Skenario Accuracy Monkeypox Others

Precision Recall F1-score Precision Recall F1-score

1. 93,88% 93,90% 92,25% 93,07% 93,87% 95,19% 94,53%

2. 93,88% 90,69% 96,12% 93,33% 96,73% 92,09% 93,35%

3. 90,12% 97,42% 79,92% 87,81% 85,92% 98,30% 91,69%

4. 94,35% 93,05% 94,36% 93,70% 95,42% 94,35% 94,88%

5. 94,82% 94,34% 94,01% 94,17% 95,21% 95,48% 95,34%

6. 94,35% 93,66% 93,66% 93,66% 94,91% 94,91% 94,91%

Berdasarkan hasil pengujian validasi pada Tabel 2, terlihat bahwa penggunaan epoch dan penambahan layer dense yang berbeda dapat mempengaruhi hasil akurasi. Penggunaan epoch 50 dan penambahan 1 layer dense 512 menghasilkan akurasi tertinggi sebesar 94,82%. Sementara itu, penggunaan epoch 30 dan penambahan 1 layer dense 512 menghasilkan akurasi terendah sebesar 90,12%.

Tabel 3. Hasil Pengujian Uji

Skenario Accuracy True False

Precision Recall F1-score Precision Recall F1-score

1 76,10% 63,84% 78,49% 70,41% 85,94% 74,74% 79,95%

2 66,49% 52,39% 82,43% 64,06% 85,19% 57,43% 68,61%

3 71,81% 59,56% 69,17% 64,01% 80,71% 73,31% 76,84%

4 61,11% 47,92% 85,66% 61,51% 85,29% 47,25% 60,81%

5 69,48% 55,41% 80,64% 65,69% 85,16% 63,13% 72,51%

6 68,57% 54,39% 82,07% 65,42% 85,67% 60,89% 71,19%

(6)

Berdasarkan hasil pengujian validasi pada Tabel 3, terlihat bahwa penggunaan epoch dan penambahan layer dense yang berbeda dapat mempengaruhi hasil akurasi. Penggunaan epoch 10 dan penambahan 1 layer dense 512 menghasilkan akurasi tertinggi sebesar 76,10%. Sementara itu, penggunaan epoch 30 dan penambahan 2 layer dense 512 menghasilkan akurasi terendah sebesar 61,11%.

SIMPULAN

Berdasarkan penelitian yang telah dilakukan, metode Convolutional Neural Network dengan arsitektur ResNet-50 yang digunakan dapat mengklasifikasi penyakit cacar monyet dengan baik. Hasil pengujian pada setiap skenario didapatkan hasil validasi terbaik di skenario kelima dengan tingkat akurasi sebesar 94,82%

dan hasil uji terbaik di skenario pertama dengan tingkat akurasi sebesar 76,10%. Dari pengujian setiap skenario dapat disimpulkan bahwa penggunaan epoch dan penambahan dense yang berbeda dapat mempengaruhi tingkat akurasi dalam mengklasifikasi penyakit cacar monyet.

DAFTARPUSTAKA

[1] Y. Nawaz, I. Nazar, R. Z. Sattar, B. Saeed, dan M. K. Ullah, “A Review on Smallpox,” J. Biomed. Sci., Vol. 11, No. 6, Hal. 65, 2022, doi: 10.36648/2254-609X.11.6.65.

[2] P. Von Magnus, E. K. Andersen, K. B. Petersen, dan A. Birch Andersen, “A PoxLike Disease in Cynomolgus Monkeys,” Acta Pathol. Microbiol. Scand., Vol. 46, No. 2, Hal. 156–176, 1959,

[3] S. S. Marennikova, E. M. Seluhina, N. N. Mal’ceva, K. L. Cimiskjan, dan G. R. Macevic, “Isolation and Properties of The Causal Agent of A New Variola-Like Disease (Monkeypox) In Man.,” Bull.

World Health Organ., Vol. 46, No. 5, hal. 599–611, 1972.

[4] World Health Organization, “Monkeypox - United Kingdom of Great Britain and Northern Ireland,”

2022. https://www.who.int/emergencies/disease-outbreak-news/item/2022-DON381

[5] World Health Organization, “Multi-Country Monkeypox Outbreak In Non-Endemic Countries,” 2022.

https://www.who.int/emergencies/disease-outbreak-news/item/2022-DON385

[6] K. D. Reed dkk., “The Detection of Monkeypox in Humans in the Western Hemisphere,” Hal. 342–

350, 2004.

[7] A. Nalca, A. W. Rimoin, S. Bavari, dan C. A. Whitehouse, “Reemergence of Monkeypox : Prevalence , Diagnostics , and Countermeasures,” Vol. 21702, Hal. 1765–1771, 2005.

[8] Kementerian Kesehatan Republik Indonesia, “Pencegahan dan Pengendalian Penyakit,” Kementeri.

Kesehat. RI, Vol. 1, No. 1, Hal. 1, 2022, [Daring]. Tersedia pada:

https://www.kemkes.go.id/article/view/19093000001/penyakit-jantung-penyebab-kematian-terbanyak- ke-2-di-indonesia.html

[9] I. P. Putra, R. Rusbandi, dan D. Alamsyah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network,” J. Algoritm., Vol. 2, No. 2, Hal. 102–112, 2022,

[10] M. E. Al Rivan dan R. Yohannes, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” Vol. 2, No. 2, Hal. 133–144, 2022, doi: https://doi.org/10.35957/algoritme.v2i2.2363.