Klasifikasi Penyakit Tuberculosis (TB) Organ Paru Manusia Berdasarkan Citra Rontgen Thorax Menggunakan Metode Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.33560/jmiki.v11i1.484Keywords:
Tuberculosis, Convolutional Neural Network (CNN), X-ray, MobileNetAbstract
Tuberculosis (TB) adalah suatu penyakit infeksi menular yang disebabkan oleh Mycobacterium Tuberculosis dan dapat menyerang berbagai organ dalam tubuh manusia terutama paru-paru. Pemeriksaan diagnosis pada penyakit TB-paru dapat dilakukan dengan melihat keluhan atau gejala klinis pasien, pemeriksaan biakan, pemeriksaan mikroskopis, radiologi ataupun tuberculin test. Selama ini, paramedis mendiagnosis penderita TB tersebut hanya berdasarkan citra rontgen secara manual. Oleh karena itu, diperlukan adanya Artificial Intelligence (AI) untuk membantu dan mempermudah dokter dalam mengklasifikasi penyakit TB paru berdasarkan citra rontgen thorax.
Penelitian ini merancang klasifikasi citra x ray penyakit tuberculosis berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNet. Dataset berupa citra X-ray paru yang akan digunakan sebagai masukan untuk proses pengolahan citra atau image processing. Tahapan pertama yaitu input berupa citra X-ray, selanjutnya dilakukan proses preprocessing citra (resizing, grayscale, contrast), dilanjutkan dengan proses segmentation (thresholding), dilanjutkan dengan proses augmentasi data, terakhir citra akan diklasifikasikan menjadi tiga kelas yaitu normal, TBR(tuberculosis bagian kanan), TBRL (tuberculosis bagian kanan dan kiri). Tuberculosis bagian kiri tidak masuk kedalam klasifikasi dikarenakan tuberculosis lebih cenderung terkena pada bagian kanan atau di kedua bagian.
Dalam penelitian ini dilakukan pengujian terhadap pengaruh citra ( tanpa image processing , preprocessing dan segmentation) , pengaruh batch size ,pengaruh variasi epoch, pengaruh augmentasi dan perbandingan terhadap performa klasifikasi. Hasil akhir dari penelitian ini menunjukan optimizer terbaik yaitu Adam menggunakan preprocessing CLAHE pada epoch 50 batch size 32 dan menghasilkan nilai akurasi validasi sebesar accuracy sebesar 96.837%, precision 95%, recall 93%, F-1 score sebesar 93%, dan loss sebesar 0.210.
Downloads
References
Ahmad Hania, Abu. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning. Jurnal Teknologi Indonesia.
Ahmad. U, 2005, Pengolahan Citra Digital da Teknik Pemrogramannya, Graha Ilmu
Anbarjafari, G., Jafari, A., Jahromi, M. N., Ozcinar, C., & Demirel, H. (2015). Image Illumination Enhancement With an Objective no-reference measure of illumination assessment based on Gaussian distribution Mapping. Engineering Science and Technology, an International Journal
Astuti, Fitri Andri. 2021. Pemanfaatan Teknologi Artificial Intelligence untuk Penguatan Kesehatan dan Pemulihan Ekonomi Nasional. Bandung
B. Khasoggi and E. Samsuryadi, "Efficient mobilenet architecture as image recognition on mobile and embedded devices," Indonesian Journal of Electrical Engineering and Computer Science, vol. 16, no. 1, p. 389~394, 2019
Center of Disease Control and Prevention. Transmission and Pathogenesis of Tuberculosis.2013
Chitradevi, B., & Srimathi, P. (2014). An Overview Image Processing Techniques. International Journal of Innovative Research in Computer and Communication Engineering. India: ISSN
Cristianini, N. dan Shawe-Taylor, J., 2006, An introduction to support vector machines: And other kernel-based learning methods, Cambridge: Cambridge University Press
Depkes RI. 2008. Pedoman Nasional Penanggulangan Tuberkulosis, edisi 2, Jakarta: Dirjen P2M&PL
Eko, Dirvi.J.S., Asih,Setiarini. 2017. Identifikasi Bakteri pada Citra Dahak Penderita Tubercolusis (TBC) Menggunakan Metode Watershed. Journal of Electrical Electronic Control and Automotive Engineering (JEECAE). Madiun. Vol.2, No.1
Evelyn CP, 2009. Anatomi dan Fisiologi untuk Paramedis. Jakarta. Gramedia
Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine Learning, 3(2), 95–99
Gonzales, Rafael C. & Richard E. Woods & Steven L. Eddins. 2004. Digital Image Processing. Prentice-Hall
Hadiarto, Mangunnegoro. 2015. Diagnosis dan Penatalaksanaan Asma. Jurnal Respirologi Indonesia. 15(3): 113-119
Howard, A. G., M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, . M. Andreetto and H. Adam, 2017
"MobileNets: Efficient Convolutional Neural Networks for Mobile Vision," Computer Science
Icksan A.G, Luhur R., 2008. Radiologi Thorax Tuberculosis Paru. 1st edition, Jakarta: Sagung Seto. Hal 2-3, 7, 16
Indriani, D., Adiningsih, S., Mahmudiono, T. (2005). Faktor resiko yang mem-pengaruhi kejadian TB paru pada anak jalanan dengan studi kasus di Yayasan Insani Surabaya. Jurnal FKM UA. Surabaya
Jayanti, N. 2013. Perbandingan Kapasitas Vital Paru pada Atlet Pria Cabang Olahraga & Lari Cepat Persiapan Olahraga Provinsi 2013 di Bandar Lampung. Majority Journal. 2(5): 113-118
Jong, J.S, 2005, Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab, C.V Andi Offset, Yogyakarta
Karargyris, A., Jaegar, S., Antani, S., & Thoma, G. (2012). Detection Tuberculosis in Radiographs Using Combined Lung Masks. Annual International Conference. San Diego, California USA: IEEE EMBS
Khan, A. H. (2016). Tuberculosis Control in Sindh, Pakistan: Critical Analysis of its Implementation. King Saud Bin Abdulaziz University for Health Sciences. Pakistan: Elsevier Limited
Knechel, N. A., RN, MSN, & ACNP. (2009). Tuberculosis; Pathophysiology, Clinical Features, and Diagnosis. Clinical Article
L. Perez and J. Wang. The effectiveness of data augmentation in image classification using deep learning, 2017
Loey, M., Manogaran, G., & Khalifa, N. E. M. (2020). A deep transfer learning model with classical data augmentation and CGAN to detect COVID-19 from chest CT radiography digital images. Neural Computing and Applications, 0123456789
Maladkar, K., 2020, Overview of convolutional neural network in image classification, Analytics India Magazine, Available at: https://analyticsindiamag.com/convolutional-neural-network-image-classification-overview/ (Accessed October 23, 2021)
Mitha.N, Wara. 2014. Analisis Citra Sinar-X Tulang Tangan Menggunakan Metode Thresholding Otsu Untuk Identifikasi Osteoporosis. Skripsi. Pontianak: Universitas Tanjungpura
Munir, R., 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung
Patil, N. M., & Nemade, M. U. (2017). Music Genre Classification Using MFCC , K-NN and SVM Classifier. 4(2), 43–47
Pasi, Nani Sulviana. 2018. Identifikasi Penyakit Tuberkulosis (TB) Organ Paru Berdasarkan Citra X-ray Menggunakan Probabilistic Neural Network (PNN), Skripsi.Jurusan Teknologi Informasi Universitas Sumatera Utara Medan
Purnamasari, R. W., 2013, Implementasi jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Deteksi Penyakit TBC, Skripsi, Jurusan Matematika UNNES Semarang
Rohmah, R. N., Susanto, A., & Soesanti, I. (2013). Lung Tuberculosis Identification Based on Statistical Feature of Thoracic X-ray. IEEE Quality in Research (pp. 19-20). Indonesia: IEEE
Rohman, Feri Fahrur dan Ami Fauzijah. 2008. Rancang bangun aplikasi sistem pakar untuk menentukan jenis gangguan perkembangan pada anak. Jurnal Media Informatika Vol 6 No 1 ISSN : 0854-4743
Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu
Santosa, P. A. (2014). Implementasi Jaringan Syaraf Tiruan dalam Memilih Metode Enhanced Oil Recovery. proceeding Simposium Nasional IATMII
Suciati, Nanik & Rosdiana Rahmawati. (2006). Dekomposisi Morfologi Bentuk Biner Dua dimensi Menjadi Poligon Konveks dengan Pendekatan Heuristik. Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Suhendra, Adang. 2004. Catatan Kuliah Pengantar Pengolahan Citra. Univesitas Gunadarma
Sutoyo, T. 2009. Teori Pengolahan Citra Digital. Yogyakarta:Andi
Tanaka, M.; Okutomi, M. A novel inference of a restricted boltzmann machine. Pattern Recognition (ICPR), 2014 22nd International Conference on. 2014; pp 1526–153
Tua, Jodiaman. 2017. Klasifikasi Penyakit Stroke Menggunakan Convolutional Neural Network. Skripsi. Program Studi Teknologi Informasi. Fakultas Ilmu Komputer dan Teknologi Informasi. Universitas Sumatera Utara. Medan
Ucar, F., & Korkmaz, D. (2020). COVIDiagnosis-Net: Deep Bayes-SqueezeNet based diagnosis of the coronavirus disease 2019 (COVID-19) from X-ray images. Medical Hypotheses, 140(April), 109761. https://doi.org/10.1016/j.mehy.2020.109761
Utami, S. R. (2014). Perancangan Aplikasi Perbaikan Citra Hasil Pengambilan Webcam Menerapkan Metode Contrast Stretching. Jurnal Pelita Informatika Budi Darma Volume VII, pp.39-43
W. Wang, Y. Hu, T. Zou, H. Liu, J. Wang and X. Wang, "A New Image Classification Approach via Improved MobileNet Models with Local Receptive Field Expansion in Shallow Layers," Hindawi, vol. 1, no. 1, pp. 1-10, 2020
W. Widayat, “Pengaruh Word Embedding Dimension Reduction Terhadap Kinerja LSTM untuk Analisis Sentimen,†2018
Wang, Yu, Chen, Y., Yang, N., Zheng, L., Dey, N., Ashour, A. S., … Shi, F. (2018). Classification of mice hepatic granuloma microscopic images based on a deep convolutional neural network. Applied Soft Computing Journal. https://doi.org/10.1016/j.asoc.2018.10 .006
Wang, S.C., 2003, Artificial Neural Network, Interdisciplinary Computing in Java Programming, 81–100
Wayan. I.S.E.P., Arya, Yudhi.W., Rully, Soelaiman. 2016. Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101. Jurnal Teknik ITS. Surabaya. Vol. 5, No. 1
WibowoD., Paryana W., 2009.Anatomi Tubuh Manusia. Yogyakarta: GrahaIlmu
World Health Organization (WHO Region (2016). Tuberculosis Control In The SouthEast Asia Region. New Delhi, India: Region Office for South-East As
