Klasifikasi Penyakit Paru-Paru Berdasarkan Hasil Rontgen dengan Menggunakan Metode Convolutional Neural Network

Aldwin, Evan (2023) Klasifikasi Penyakit Paru-Paru Berdasarkan Hasil Rontgen dengan Menggunakan Metode Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000119-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (11MB) | Request a copy

Abstract

Penyakit paru-paru merupakan kondisi dimana paru-paru seseorang tidak dapat berfungsi secara normal. Hal ini berbahaya dikarenakan paru-paru yang menjadi salah satu organ penting dalam tubuh manusia yang berfungsi sebagai alat pernapasan manusia. Jika penyakit ini tidak dapat dideteksi dengan cepat dapat menimbulkan beberapa komplektsitas seperti sesak nafas, kekurangan oksigen, dan yang paling buruk adalah kematian. Dalam pendeteksian penyakit paru-paru ini dibutuhkan keahlian dari seorang ahli, dalam kasus ini adalah Dokter Ahli di bidang Paru-paru. Dokter Ahli dapat melihat kondisi paru-paru seseorang yang mengalami gangguan dengan beberapa metode diagnosa, salah satunya adalah dengan menilai kondisi paru-paru menggunakan hasil rontgen. Rontgen atau Xray merupakan salah satu cara untuk mengambil gambar dari bagian dalam manusia menggunakan sinar radiasi. Dengan melihat hasil rontgen paru-paru ini, dokter ahli dapat mendeteksi penyakit paru-paru berdasarkan kejanggalan yang ditemukan pada gambar yang didapatkan. Akan tetapi, pembacaan hasil rontgen ini sering kali hanya dibaca oleh seorang dokter ahli itu sendiri. Maka dari itu, sebagian besar pembacaan hasil rontgen ini sering dinilai sebagai penilaian yang hasilnya subjektif. Tugas akhir ini akan membangun suatu model Convolutional Neural Network (CNN) yang dapat mengklasifikasikan jenis penyakit paru-paru berdasarkan hasil rontgen yang didapatkan. Model CNN yang dibangun terdiri dari tiga jenis lapisan yakni Convolutional Layer, Pooling Layer, dan Fully-connected Layer. Ketiga lapisan ini berfungsi pada model CNN yuntuk mempelajari cara membedakan atau mengklasifikasikan jenis-jenis penyakit paru-paru yang ada pada data yang digunakan. Data yang digunakan merupakan hasil rontgen berjumlah 518 foto dengan 133 foto yang terinterpretasi terkena penyakit TBC, 149 foto yang terinterpretasi terkena penyakit Pneumonia, dan 236 foto yang terinterpretasi sehat . Data yang digunakan diperoleh dari suatu rumah sakit yang berlokasi di Sidoarjo. Model CNN terbaik yang didapatkan dari percobaan pada tugas akhir adalah model CNN dengan proporsi data 80% data training, 10% data validation, 10% data testing, dan ukuran gambar sebesar 224 x 224. Hasil akurasi yang didapatkan pada percobaan ini adalah 94.64% dan hasilnya 8.16% lebih akurat dibandingkan dengan metode XGBoost dan 13.13% lebih akurat dibandingkan metode SVM. Tetapi, untuk CNN membutuhkan waktu proses 120 kali lebih lambat dibandingkan XGBoost dan 87 kali lebih lambat dibandingkan dengan SVM. Dengan demikian, metode CNN dapat membantu para tenaga medis terutama dokter ahli dalam menilai suatu hasil rontgen yang cenderung bersifat subjektif dan memberikan hasil pembacaan yang bernilai lebih objektif.
=================================================================================================================================
Lung disease is a condition in which a person's lungs cannot function normally. This is a dangerous situation because the lungs are one of the vital organs of the human body and serve as the respiratory system. If the disease is not recognized quickly, it can lead to various complications such as shortness of breath, lack of oxygen, and even death. Recognizing this lung disease requires the expertise of a specialist, in this case a pulmonologist. A pulmonologist can assess a person's lung condition using a variety of diagnostic methods, including assessing lung condition using x-ray results. X-ray is a method of taking pictures of the inside of the human body using radiation. A specialist can examine the results of her x-rays of her lungs and identify lung disease based on the abnormalities found in the resulting images. However, these interpretations of his X-ray results are often made only by the specialists themselves, and therefore most interpretations of X-ray results are considered subjective assessments. The goal of this final project is to build a convolutional neural network (CNN) model that can classify lung disease types based on the obtained X-ray results. A CNN model consists of three types of layers which is Convolutional layers, pooling layers, fully connected layers. These three layers are used by the CNN model to learn how to distinguish or classify different types of lung disease appearing in the data used. The data used consisted of 518 radiographs, of which 133 were interpreted as tuberculosis (TB) disease, 149 as pneumonia and 236 as healthy. The data used were obtained from a hospital in Sidoarjo. The best CNN model from this final project experiment is the CNN model with a data share of 80% training data, 10% validation data, 10% test data and an image size of 224 x 224. The accuracy achieved in this experiment is 94.64%, which is 8.16% more accurate than the XGBoost method and 13.13% more accurate than the SVM method. However, the CNN method requires 120 times the processing time of XGBoost and 87 times the processing time of SVM. Therefore, the CNN method can assist medical professionals, especially specialists, in evaluating X-ray results, which tend to be subjective and provide a more objective reading.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Paru-paru, Rontgen, Klasifikasi, Convolutional Neural Network, Lung Disease, X-ray, Classification
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Evan Aldwin
Date Deposited:	14 Jul 2023 15:36
Last Modified:	14 Jul 2023 15:36
URI:	http://repository.its.ac.id/id/eprint/98469

Actions (login required)

View Item