IDENTIFIKASI FIBROSIS DAN PENEBALAN PLEURA BERDASARKAN CITRA X-RAY MENGGUNAKAN METODE CNN

IVAN ADITYA MAULANA

Informasi Umum

Kode

23.04.1722

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

538 kali

Informasi Lainnya

Abstraksi

<h1 align="center"><a name="_Toc111727418">ABSTRAK</a></h1>

Fibrosis paru-paru merupakan penyakit paru-paru yang ditandai dengan pembentukan jaringan parut sehingga menyebabkan kerusakan struktur dan fungsi pada paru-paru. Gejala fibrosis paru diawali napas yang pendek sehingga kesulitan untuk bernapas dengan baik. Penebalan pleura atau pleural thickening merupakan penyakit kelainan paru dimana terdapat jaringan parut yang melebar hingga ke seluruh permukaan lapisan paru. Penebalan pleura juga merupakan manifestasi dari beberapa penyakit paru-paru. Pemeriksaan penderita penyakit paru-paru memiliki kekurangan untuk mendiagnosis secara akurat karena ciri fibrosis paru dan penebalan pleura memiliki kesamaran. Oleh karena itu, penelitian ini bertujuan untuk memprediksi secara akurat adanya penyakit fibrosis paru dan penebalan pleura.

Pada tugas akhir ini telah dibuat sistem untuk mengidentifikasi penyakit paru-paru ke dalam tiga kelas, yaitu normal, fibrosis paru, dan penebalan pleura. Sistem akan dibuat menggunakan Convolutional Neural Network (CNN). Data yang digunakan dalam penelitian ini adalah data public yang diperoleh secara online melalui Kaggle yang terdiri dari 1.500 citra x-ray berukuran 512 piksel. Proses augmentasi juga ditambahkan pada data training untuk memperoleh dataset yang lebih bervariasi.

Penelitian tugas akhir ini bertujuan untuk merancang sistem identifikasi penyakit paru-paru menggunakan CNN lalu menganalisis parameter yang mempengaruhi performa sistem berdasarkan pengaruh optimizer, batch size, dan learning rate. Parameter yang akan digunakan untuk mengevaluasi performa sistem adalah akurasi, precision, recall, dan f1-score. Berdasarkan hasil pengujian sistem, model terbaik diperoleh dengan Adam optimizer, learning rate 0,001, iterasi 100 epoch dengan early stopping, dan batch size 16. Kedua jenis dataset memperoleh hasil yang tidak jauh berbeda, namun hasil maksimal ditunjukkan pada dataset hasil augmentasi dengan akurasi 0.63, nilai precision 0.62, nilai recall 0.64, dan f1-score 0.63.

Kata kunci: Convolutional Neural Network (CNN), Fibrosis, Pleural Thickening, Preprocessing.