Pengembangan Aplikasi Diagnosis Dini Penyakit Paru-Paru Berbasis Website pada Citra X-Ray Menggunakan Pendekatan Deep Learning

Harjanto, Revina Rahmanisa (2023) Pengembangan Aplikasi Diagnosis Dini Penyakit Paru-Paru Berbasis Website pada Citra X-Ray Menggunakan Pendekatan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05311940000046-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Paru-paru adalah salah satu organ vital manusia yang berfungsi sebagai alat pernafasan. Apabila paru-paru tidak berfungsi dengan baik maka akan menyebabkan kematian. Penyakit paru-paru dapat terjadi pada siapa saja dan dapat disebabkan oleh banyak faktor, seperti polusi udara, rokok, dan infeksi. Diagnosis penyakit paru-paru saat ini umumnya menggunakan citra medis, seperti citra X-ray yang dikaji oleh dokter spesialis atau tenaga medis seperti radiolog. Namun, diagnosis dini oleh dokter spesialis atau tenaga medis membutuhkan waktu dan proses yang cukup panjang. Salah satu penelitian menunjukkan bahwa faktor human error masih terjadi dalam diagnosis penyakit paru-paru. Oleh karena itu, pada penelitian ini penulis akan mengembangkan suatu sistem deep learning berbasis website dengan tujuan untuk membantu tenaga medis dalam meningkatkan akurasi dan efisiensi diagnosis dini penyakit paru-paru. Penelitian ini akan berfokus pada diagnosis dini dari 6 jenis penyakit paru-paru, yaitu, Pneumonia, Mass, Nodule, Edema, Consolidation dan COVID-19. Penelitian ini menggunakan arsitektur DenseNet-121 dan arsitektur VGG16 sebagai pembanding. Dataset yang digunakan adalah dataset chest X-Ray yang tersedia secara publik, yaitu dari National Institutes of Health (NIH) dan COVID-19 Radiography. Pada implementasi sistem penulis menggunakan bantuan library Streamlit dalam pembuatan website. Dokter akan mengunggah gambar chest X-Ray ke dalam website yang kemudian akan diklasifikasikan oleh model berupa teks score prediksi. Penulis menggunakan 4 versi model, model versi 1 memiliki F-1 Score sebesar 66,45%, model versi 2 memiliki F-1 Score sebesar 76,79%, model versi 3 memiliki F-1 Score sebesar 58,21% dan model versi 4 memiliki F-1 Score sebesar 76,48%. Model versi 2 dan 4 dengan penambahan dataset Guangzhou Women and Children's Medical Center menunjukkan akurasi yang sangat baik pada label pneumonia dan label normal. Hasil tersebut didapatkan setelah melakukan pengujian model dengan data validation dan test. Model versi 2 menggunakan Densenet-121 memiliki performa lebih baik dalam mengklasifikasikan gambar dengan akurasi dan tingkat prediksi yang lebih tinggi dibandingkan dengan VGG16. Salah satu penelitian menunjukkan adanya masalah misslabeling pada dataset NIH Chest X-Ray yang dapat mempengaruhi performa algoritma CNN dalam mendiagnosis kondisi medis. Misslabeling pada dataset NIH Chest X-Ray secara signifikan mempengaruhi akurasi model setelah dilatih dan diuji. Jika dataset NIH Chest X-Ray memiliki label yang benar, model memiliki potensi untuk memberikan prediksi dengan tingkat akurasi yang tinggi.
===============================================================================================================================
lungs are one of the vital human organs that function as a means of respiration. If the lungs do not function properly, it will cause death. Lung disease can happen to anyone and can be caused by many factors, such as air pollution, smoking, and infection. Current diagnosis of lung diseases generally uses medical images, such as X-ray images, which are reviewed by specialists or medical personnel such as radiologists. However, early diagnosis by specialists or medical personnel requires a long time and process. One study shows that human error still occurs in the diagnosis of lung disease. Therefore, in this research, the author will develop a website-based deep learning system with the aim of assisting medical personnel in improving the accuracy and efficiency of early diagnosis of lung diseases. This research will focus on the early diagnosis of 6 types of lung diseases, namely, Pneumonia, Mass, Nodule, Edema, Consolidation and COVID-19. This research uses the DenseNet-121 architecture and the VGG16 architecture as a comparison. The datasets used are publicly available chest X-Ray datasets, from the National Institutes of Health (NIH) and COVID-19 Radiography. In the implementation of the system, the author uses the help of the Streamlit library in making the website. Doctors will upload chest X-Ray images to the website which will then be classified by the model in the form of prediction score text. The author uses 4 versions of the model, model version 1 has an F-1 Score of 66.45%, model version 2 has an F-1 Score of 76.79%, model version 3 has an F-1 Score of 58.21% and model version 4 has an F-1 Score of 76.48%. Model versions 2 and 4 with the addition of the Guangzhou Women and Children's Medical Center dataset show excellent accuracy on pneumonia labels and normal labels. These results were obtained after testing the model with validation and test data. Version 2 of the model using Densenet-121 performed better in classifying images with higher accuracy and prediction rate compared to VGG16. One study showed a misslabeling problem in the NIH Chest X-Ray dataset that can affect the CNN algorithm's performance in diagnosing medical conditions. Misslabeling in the NIH Chest X-Ray dataset significantly affects the accuracy of the model after training and testing. If the NIH Chest X-Ray dataset is correctly labeled, the model has the potential to provide predictions with a high degree of accuracy.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Paru-paru, Chest X-Ray, CNN, DenseNet-121, VGG16, Lung Diseases
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Revina Rahmanisa Harjanto
Date Deposited:	08 Sep 2023 04:39
Last Modified:	08 Sep 2023 04:39
URI:	http://repository.its.ac.id/id/eprint/103971

Actions (login required)

View Item