Klasifikasi Penyakit Tuberculosis Berdasarkan Citra Rontgen Thorax Menggunakan Multi-Scale Convolutional Neural Network

Bondan Surya Nusantara; Mutaqin Akbar

doi:10.56211/sudo.v3i1.483

Authors

Bondan Surya Nusantara Universitas Mercu Buana Yogyakarta, Yogyakarta
Mutaqin Akbar Universitas Mercu Buana Yogyakarta, Yogyakarta

DOI:

https://doi.org/10.56211/sudo.v3i1.483

Keywords:

Tuberculosis; Convolutional Neural Network; Multi-Scale; Thorax; X-Ray

Abstract

Tuberculosis (TB) merupakan penyakit menular yang disebabkan oleh bakteri mycobacterium tuberculosis, patogen yang paling sukses menginfeksi paru-paru. Teknik diagnosis penyakit TB yang paling sering digunakan adalah melalui pemeriksaan rontgen thorax (paru-paru). Hasil rontgen dapat dilihat secara citra/visual oleh dokter untuk melihat apakah terdapat ciri dan pola adanya penyakit TB pada pasien. Pada penelitian ini befokus pada Artificial Intelligence (AI) untuk membantu dokter dan memberikan alternatif solusi yang efisien dalam mendiagnosa pasien, apakah pasien tersebut menderita TB atau tidak dengan lebih cepat. Penelitian ini dirancang menggunakan Multi-Scale Convolutional Neural Network (CNN) untuk mengklasifikasi penyakit tuberculosis berdasarkan citra rontgen thorax. Data yang digunakan berupa citra X-ray thorax yang digunakan sebagai input untuk proses image processing. Dataset yang dikumpulkan berjumlah 1400 data yang terdiri dari 2 kelas yaitu paru-paru normal dan paru-paru penderita tuberculosis. Model CNN terdiri dari 3 lapisan konvolusi yang berukuran 3x3, 3 lapisan penggabungan (Maxpool) berukuran 2x2 dan 1 lapisan fully connected yang menggunakan aktivasi softmax. Filter yang digunakan pada setiap lapisan konvolusi adalah 128. Penelitian ini menggunakan algoritma Adam Optimizer. Dataset dibagi menjadi 1120 data pada skenario 1 dan 978 data pada skenario 2 untuk training atau latih dan 280 data pada skenario 1 dan 422 data pada skenario 2 untuk testing atau uji. Dalam proses pelatihan, digunakan nilai epoch 20 diperoleh nilai akurasi sebesar 100% pada semua skenario. Pada tahap pengujian dihasilkan nilai akurasi sebesar 99,29% pada skenario 1 dan 97,67% pada skenario 2.

Downloads

Download data is not yet available.

References

World Health Organization, Regional strategic plan towards ending TB in the WHO South-East Asia Region: 2021–2025. 2021.

M. Halim, A. Sabrina, and M. Aris, “KEPATUHAN PASIEN RAWAT JALAN POLI PARU DALAM PENGGUNAAN OBAT ANTI TUBERKULOSIS (OAT) DI RUMAH SAKIT KARTIKA HUSADA JATIASIH BEKASI,” Jurnal Farmasi IKIFA, vol. 2, pp. 30–37, Apr. 2023.

K. C. Rahlwes, B. R. S. Dias, P. C. Campos, S. Alvarez-Arguedas, and M. U. Shiloh, “Pathogenicity and virulence of Mycobacterium tuberculosis,” Virulence, vol. 14, no. 1, pp. 1–29, Dec. 2023, doi: 10.1080/21505594.2022.2150449. DOI: https://doi.org/10.1080/21505594.2022.2150449

D. E. Juliando and A. Setiarini, “Identifikasi Bakteri pada Citra Dahak Penderita Tubercolusis (TBC) Menggunakan Metode Watershed,” JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering), vol. 2, no. 1, pp. 83–88, May 2017, doi: 10.32486/jeecae.v2i1.60. DOI: https://doi.org/10.32486/jeecae.v2i1.60

I. H. Sarker, “Machine Learning: Algorithms, Real-World Applications and Research Directions,” SN Comput Sci, vol. 2, no. 3, pp. 1–21, May 2021, doi: 10.1007/s42979-021-00592-x. DOI: https://doi.org/10.1007/s42979-021-00592-x

M. M. Taye, “Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions,” Computation, vol. 11, no. 3, pp. 1–23, Mar. 2023, doi: 10.3390/computation11030052. DOI: https://doi.org/10.3390/computation11030052

A. Rasyid and L. Heryawan, “Klasifikasi Penyakit Tuberculosis (TB) Organ Paru Manusia Berdasarkan Citra Rontgen Thorax Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Manajemen Informasi Kesehatan Indonesia (JMIKI), vol. 11, no. 1, Mar. 2023, doi: 10.33560/jmiki.v11i1.484. DOI: https://doi.org/10.33560/jmiki.v11i1.484

I. Bakti and M. Firdaus, “Classification of Image Files of Lung X-Ray Results with Architecture Convolution Neural Network (CNN),” Journal of Information Technology, vol. 3, no. 1, pp. 26–34, Mar. 2023, doi: 10.46229/jifotech.v3i1.590. DOI: https://doi.org/10.46229/jifotech.v3i1.590

S. N. Fadilah, D. C. R. Novitasari, and L. Hakim, “Pengaruh Reduksi Fitur Pada Klasifikasi Kanker Paru Menggunakan CNN Dengan Arsitektur GoogLeNet,” Jurnal Fourier, vol. 12, no. 1, pp. 20–32, Apr. 2023, doi: 10.14421/fourier.2023.121.20-32. DOI: https://doi.org/10.14421/fourier.2023.121.20-32

T. Berliani, E. Rahardja, and L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” Journal of Medicine and Health, vol. 5, no. 2, pp. 123–135, Aug. 2023, doi: 10.28932/jmh.v5i2.6116. DOI: https://doi.org/10.28932/jmh.v5i2.6116

M. Ramadhan, D. Iskandar Mulyana, M. Betty Yel, and S. Tinggi Ilmu Komputer Cipta Karya Informatika Jl Raden, “OPTIMASI ALGORITMA CNN MENGGUNAKAN METODE TRANSFER LEARNING UNTUK KLASIFIKASI CITRA X-RAY PARU-PARU PNEUMONIA DAN NON-PNEUNOMIA,” Jurnal Teknik Informatika Kaputama (JTIK), vol. 6, no. 2, 2022.

Y. F. Riti and S. S. Tandjung, “Klasifikasi Covid-19 Pada Citra CT Scans Paru-Paru Menggunakan Metode Convolution Neural Network,” Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 1, p. 91, Feb. 2022, doi: 10.35889/progresif.v18i1.784. DOI: https://doi.org/10.35889/progresif.v18i1.784

T. Rahman, M. Chowdhury, and A. Khandakar, “Tuberculosis (TB) Chest X-ray Database,” https://www.kaggle.com/datasets/tawsifurrahman/tuberculosis-tb-chest-xray-dataset.

M. Akbar, A. S. Purnomo, and S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 3, pp. 310–315, Dec. 2022, doi: 10.32736/sisfokom.v11i3.1452. DOI: https://doi.org/10.32736/sisfokom.v11i3.1452

W. S. Smith, The Scientist and Engineer’s Guide to Digital Signal Processing. California Technical Publishing, 1999.

D. Scherer, A. Müller, and S. Behnke, “Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition,” 2010, pp. 92–101. doi: 10.1007/978-3-642-15825-4_10. DOI: https://doi.org/10.1007/978-3-642-15825-4_10

A. P. Engelbrecht, Computational Intelligence. Wiley, 2007. doi: 10.1002/9780470512517. DOI: https://doi.org/10.1002/9780470512517

C. Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall, “Activation Functions: Comparison of trends in Practice and Research for Deep Learning,” Nov. 2018, [Online]. Available: http://arxiv.org/abs/1811.03378