DEEP LEARNING UNTUK DETEKSI VIRUS COVID-19

BERDASARKAN CITRA X-RAY

PROPOSAL TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat

Dalam Menempuh Ujian Sidang Sarjana
Di Program Studi Informatika

NPM : 0617101052

Nama : Fahmi Rizaldi

Konsentrasi : APPLIED DATABASE

PRODI INFORMATIKA – FAKULTAS TEKNIK

UNIVERSITAS WIDYATAMA

BANDUNG
2020
 BAB I

PENDAHULUAN

1.1 LATAR BELAKANG MASALAH

Virus corona paling terbaru yang ditemukan adalah virus corona COVID-
19. Virus ini termasuk penyakit menular dan baru ditemukan di Wuhan, China pada
Desember 2019 yang kemudian menjadi wabah. Gejala COVID-19 yang paling
umum adalah demam, kelelahan, dan batuk kering. Beberapa pasien mungkin
mengalami sakit dan nyeri, hidung tersumbat, pilek, sakit tenggorokan atau diare.
Gejala-gejala ini bersifat ringan dan terjadi secara bertahap. Namun, beberapa orang
yang terinfeksi tetapi tidak menunjukkan gejala apa pun dan tak merasa tidak enak
badan. Sekitar 1 dari setiap 6 orang yang mendapatkan COVID-19 sakit parah dan
mengalami kesulitan bernapas.

Protokol untuk melakukan pengujian apakah subjek terinfeksi COVID-19

harus berdasarkan pada faktor klinis, epidemiologis serta penilaian dari
kemungkinan infeksi. Pemeriksaan spesimen di laboratorium dengan menggunakan
Reverse Transcriptase PCR (RT-PCR) dan dikonfirmasi dengan teknik sekuensing
dilakukan untuk memastikan infeksi COVID-19. Spesimen yang diambil adalah
spesimen dari saluran pernafasan atas (nasofaring dan orofaring) dan saluran nafas
bawah seperti dahak, aspirat trakea dan bilasan bronkoalveolar. Mahalnya harga tes
tersebut menjadi suatu hal yang sulit didapatkan oleh masyarakat yang kurang
mampu.

Penelitian sebelumnya yang dilakukan oleh Sharma, H., Jain, J. S., Bansal,
P., dan Gupta, S. (2020) dalam melakukan deteksi menggunakan X-Ray dan
pengklasifikasian penyakit Pneumonia menggunakan teknologi Deep Learning
dengan Convolutional Neural Network menghasilkan deteksi terhadap objek yang
merupakan pasien yang terinfeksi oleh Pneumonia. Hasil uji akurasi dan deteksi
penyakit pada citra X-ray ini mencapai 90,6% [1].

Akan tetapi dalam penelitian tersebut belum memuat suatu program untuk
memudahkan masyarakat untuk melakukan deteksi secara mandiri. Melakukan
deteksi dini terhadap virus ini akan membantu subjek yang terinfeksi untuk
melakukan pengobatan lebih lanjut, dan mencegah penuluran terhadap subjek yang
tidak terinfeksi, kemudian bagi yang tidak terinfeksi agar berhati-hati dan
mencegah agar subjek tidak tertular oleh virus tersebut. Sehingga hal ini dapat
meminimalisir penularan virus covid-19.
 Virus SARS-CoV-2 dapat dideteksi dengan memanfaatkan data citra
berdasarkan CT-Scan X-Ray yang dilakukan oleh subjek. Tindakan tersebut dapat
dibantu dengan cara pengenalan terdahap pada suatu objek. Untuk melakukan
pengenalan objek tersebut, dikenal dengan teknologi machine learning. Machine
Learning ini akan mencoba menirukan bagaimana proses manusia belajar dan
mengeneralisasi melalui proses pelatihan, pembelajaran, atau training terhadap data
yang disebut dengan data training lalu akan mengambil kesimpulan dari hasil data
untuk dianalisis. Deep learning merupakan teknologi yang paling populer untuk
mengenali suatu kegiatan atau objek yang memiliki tingkat keakuratan lebih tinggi
dibanding dengan metode mesin sebelumnya [2]. Deep learning merupakan
algoritma jaringan saraf tiruan yang menggunakan data sebagai input dan
memprosesnya dengan menggunakan sejumlah lapisan tersembunyi (hidden layer).
Setelah itu melakukan transformasi non linier dari data masukan untuk menghitung
nilai output [3]. Dalam Deep Learning, representasi untuk lapisan-lapisan yang
tersembunyi dipelajari melalui model yang disebut neural network. Jenis neural
network yang digunakan untuk biasa digunakan pada data citra untuk mendeteksi
suatu objek yang ada didalamnya adalah CNN (Convolutional Neural Network).

Convutional Neural Network yang digunakan pada penelitian yang

dilakukan oleh Wei, R., Zhou, F., Liu, B., Bai, X., Fu, D., Li, Y., Liang, B., dan
Wu, Q (2019) memperoleh representasi yang baik dari metode lainnya dalam
pengklasifikasian citra. Penggunaan CNN tersebut dalam mendeteksi suatu
penyakit dapat mencapai hasil yang maksimal [4]. Oleh karena itu, berdasarkan
permasalahan yang telah dijelaskan tadi maka akan dilakukan implementasi “Deep
Learning untuk deteksi virus covid-19 berdasarkan citra X-Ray”. Penelitian ini
berfokus dalam menganalisa citra hasil CT-Scan dalam bentuk X-Ray untuk
mengklasifikasi penyakit yang disebabkan oleh virus covid-19.
1.2 RUMUSAN MASALAH
Berdasarkan pada permasalahan yang telah dijelaskan pada bagian latar
belakang masalah, maka dapat dirumuskan permasalahan sebagai berikut :

1. Bagaimana mendeteksi virus covid-19 berdasarkan citra X-ray.

2. Bagaimana cara membuat dataset yang dapat diproses oleh CNN.

3. Bagaimana hasil klasifikasi dari penggunaan model CNN.

1.3 TUJUAN
Penelitian pada permasalahan yang telah dijelaskan pada bagian latar
belakang masalah, bertujuan sebagai berikut:
1. Implementasi metode Deep Learning untuk mendeteksi virus covid19
berdasarkan citra X-ray.
2. Menerapkan preprocessing konvolsi pada citra X-ray yang kemudian
dijadikan dataset pada sesi training CNN.
3. Menganalisa hasil klasifikasi citra X-ray virus covid19 dari penggunaan
CNN guna memperoleh akurasi yang tinggi.

1.4 BATASAN MASALAH

Batasan permasalahan yang ada dalam penelitian ini dibatasi oleh hal-hal
sebagai berikut:
1. Dataset yang digunakan adalah data citra X-ray yang didapat dari situs
Kaggle yang berjumlah 2.156, dengan jumlah data training yaitu 1.686 dan
jumlah data testing 433.
2. Pada data citra yang digunakan memiliki pixel yang seragam yaitu 1692 x
1878 pixels.
3. Klasifikasi penyakit hanya terdapat 2 kelas.
1.5 Metodologi Penelitian
Dalam merancang dan mengimplementasikan Deep Learning, penelitian ini
menggunakan metodologi CRISP-DM. Metodologi ini terdiri dari 6 tahapan yaitu
[5] :
1. Tahap Pemahaman Bisnis (Business Understanding)
Pada tahap ini, hal yang dilakukan adalah memahami tujuan dan maksud
dari penelitian yang akan dilakukan. Tahap pemahaman bisnis ini dibantu
dengan pengumpulan studi literatur dari beberapa sumber yaitu buku,
ebook, karya ilmiah, jurnal, dan sumber studi literatur lainnya.
2. Tahap Pemahaman Data (Data Understanding)
Pada tahapan pemahaman data, hal yang dilakukan yaitu dengan
mengumpulkan data citra x-ray bagian dada yang bersumber dari website
kaggle, github, dan melakukan eksplorasi data.
3. Tahap Persiapan Data (Data Preparation)
Tahapan persiapan data yaitu melakukan implementasi dari pemahaman
data yang berupa pemilihan data dan pengubahan format data. Data yang
diubah adalah data citra x-ray menjadi sebuah dataset dengan penerapan
langkah data pre-processing.
4. Tahap Pemodelan (Modelling)
Pada tahap ini dilakukan perancangan dalam membuat model penelitian
yang akan dibuat. Ada beberapa hal yang dilakukan pada tahap pemodelan
antara lain, pemilihan teknik pemodelan, membangun model, menilai, dari
model yang telah dibuat.
5. Tahap Evaluasi (Evaluation)
Tahap evaluasi ini adalah tahap untuk melakukan evaluasi dari hasil model
yang telah dibuat dan dilakukan peninjauan secara mendalam terhadap hasil
agar hasil sesuai dengan tujuan yang telah didefinisikan pada tahap
pemahaman bisnis.
6. Tahap Penyebaran (Deployment)
Pada tahapan penyebaran, dilakukan penyusunan sebuah laporan dari
pengetahuan yang telah didapat pada penelitian ini.
 BAB II

LANDASAN TEORI

2.1 Covid-19
Penyakit sindrom pernafasan akut yang parah Coronavirus 2 (SARS-CoV-
2) yang dimulai di Wuhan, Cina, pada akhir tahun 2019. Kemudian menyebar ke
seluruh dunia dan menjadi pandemi global. Virus SARS-CoV-2 umumnya
menyerang sistem pernapasan.

Angka kejadian wabah ini mencapai 26 juta kasus dengan 870 ribu
diantaranya mengalami kematian diseluruh dunia. Saat ini, metode Real-Time
Transcription Polymerase Chain Reaction (RT-PCR) menjadi standar untuk
mendiagnosis penyakit COVID-19. Namun pada daerah dengan kasus yang terus
meningkat, angka negatif palsu juga terus ditemukan. Pada proses pengambilan
sampel, sampel dari saluran pernapasan bawah memiliki nilai diagnostik lebih
tinggi daripada saluran pernapasan atas, namun pengambilan sampelnya lebih sulit.
Beberapa pasien mungkin tidak dapat terdiagnosis dan dicegah pada tahap dini,
yang dikhawatirkan akan memberi hasil yang lebih buruk. Selain itu, selama
menunggu hasil deteksi virus dari RT-PCR juga dapat menyebabkan keterlambatan
diagnosis penyakit.

Pemeriksaan radiologi dapat berperan penting dalam melawan COVID-19.

Penggunaan pemeriksaan radiologi sangat membantu dalam menilai dan melihat
perkembangan penyakit [6]. Pada beberapa kasus dengan hasil tes virologi yang
negatif, pemeriksaan radiologi dapat menunjukkan adanya infeksi paru-paru.
Sehingga pemeriksaan radiologi dapat mendeteksi infeksi virus pada tahap awal.
Pemeriksaan radiologi toraks berperan penting dalam penegakkan diagnosis dan
penilaian pengobatan pada COVID-19. Pemeriksaan dapat dilakukan menggunakan
x- ray dada atau CT-Scan dada. Pemeriksaan CT Scan merupakan metode paling
efektif untuk mendeteksi kelainan COVID-19 di paru, khususnya pada tahap awal
penyakit. Apalagi pemeriksaan serial CT scan dada dengan interval waktu yang
berbeda (tiga- tujuh hari) juga efektif dalam menilai perkembangan penyakit (dari
saat diagnosis awal COVID-19 hingga pasien sembuh) [7].
2.2 Machine Learning
Machine Learning merupakan bagian dari Artificial Intelligence, yang
mencakup semua pendekatan yang memungkinkan mesin untuk mempelajari data
tanpa diprogram secara eksplisit. Maksud dari Machine Learning adalah untuk
melatih mesin berdasarkan data yang diberikan dan algoritma, dan informasi yang
diproses, membuat keputusan. Machine Learning ialah suatu hal yang dinamis,
artinya memiliki kemampuan untuk memodifikasi dirinya sendiri saat melihat lebih
banyak data. Aspek 'belajar' dari Machine Learning yang berarti algoritma
Machine Learning berusaha meminimalkan kesalahan dan memaksimalkan
kemungkinan akan suatu prediksi menjadi benar [8]. Pada Machine Learning
terdapat model yang menjadi parameter dan pembelajaran dalam melakukan
optimasi parameter yaitu berdasarkan model data training. Ada beberapa metode
dalam machine learning yaitu unsupervised learning, supervised learning,
reinforcement learning, Evolutionary Learning, semi-supervised learning,
Ensemble Learning, Artificial Neural Network, Instance based learning, dan
Hybrid Learning [9].

2.3 Deep Learning

Deep learning adalah bagian dari keluarga yang lebih luas dari metode
machine learning berdasarkan representasi data pembelajaran, dan juga merupakan
sekumpulan algoritma yang berupaya memodelkan abstraksi tingkat tinggi dalam
kumpulan data dengan menggunakan beberapa lapisan pemrosesan dengan struktur
yang kompleks, atau sebaliknya terdiri dari beberapa transformasi non-linier.
Pengamatan (misalnya, sebuah gambar) dapat direpresentasikan dalam banyak cara
seperti vektor nilai intensitas per-piksel atau dengan cara lebih yang abstraks
seperti sekumpulan tepi, kawasan, dengan bentuk tertentu, dll. Beberapa
representasi membuatnya lebih mudah untuk mempelajari tugas (misalnya,
pengenalan wajah atau pengenalan ekspresi wajah [10]. Salah satu potensi
pembelajaran mendalam menggantikan fitur buatan tangan dengan algoritma yang
efisien untuk pembelajaran fitur unsupervised atau semi-supervised dan
hierarchical feature extraction [11]. Berbagai arsitektur Deep learning seperti deep
neural networks, convolutional deep neural networks, deep belief networks dan
recurrent neural networks telah diterapkan pada bidang seperti pengenalan ucapan
otomatis, pemrosesan bahasa alami, pengenalan audio, dan bioinformatika di mana
telah terbukti menghasilkan hasil yang canggih untuk berbagai tugas.
2.4 Neural Network
Neural Network disebut juga jaringan saraf tiruan (JST) terinspirasi oleh
otak manusia dan dapat digunakan untuk machine learning dan artificial
intelligence. Dengan jaringan tersebut, berbagai masalah berbasis komputer dapat
diselesaikan. Neural Network dimodelkan pada struktur otak biologis. Terdiri dari
model abstrak, neuron yang saling berhubungan, pengaturan khusus dan
penghubungnya dapat digunakan untuk memecahkan masalah dalam aplikasi
berbasis komputer diberbagai bidang seperti statistik, teknologi atau ekonomi.
Struktur dan operasi suatu jaringan syaraf tiruan dapat digambarkan sebagai
berikut: Pertama, model abstrak dari suatu jaringan syaraf tiruan terdiri dari neuron-
neuron yang disebut juga unit atau node. Mereka dapat mengambil informasi dari
luar atau dari neuron lain dan menyebarkannya ke neuron lain atau
mengeluarkannya sebagai hasil akhir. Pada dasarnya, perbedaan dapat dibuat antara
neuron masukan, neuron tersembunyi, dan neuron keluaran. Neuron masukan
menerima informasi berupa pola atau sinyal dari luar. Neuron tersembunyi terletak
di antara neuron input dan output, dan memetakan pola informasi internal. Sebagai
hasilnya, neuron keluaran menyampaikan informasi dan sinyal ke dunia luar.
Neuron yang berbeda terhubung satu sama lain melalui tepi. Dengan demikian,
keluaran dari satu neuron dapat menjadi masukan dari neuron berikutnya.
Tergantung pada kekuatan koneksi. Edge memiliki bobot tertentu, semakin kuat
pembobotannya, semakin besar pengaruh yang dapat diberikan neuron pada
koneksi ke neuron lain. Maka dari itu, neural network harus dilatih sebelum dapat
memecahkan masalah [12].
2.5 Convolutional Neural Network
Convolutional Neural Networks (CNN) merupakan pengembangan dari
Neural Network yang terinspirasi dari jaringan syaraf manusia, umumnya
digunakan untuk memproses data gambar untuk mengenali, dan mendeteksi suatu
objek pada gambar tersebut.
CNN terdiri dari rangkaian konvolusional dan subsampling lapisan secara
opsional disertai melalui lapisan yang sepenuhnya terhubung, yaitu, satu atau
beberapa lapisan yang sepenuhnya terhubung kedalam beberapa convolution layers
dan pooling layers. Input dan output dari setiap tahap adalah kumpulan array yang
disebut peta. Tahap keluaran mewakili karakteristik yang diambil dari semua lokasi
pada data.

Gambar 1 Arsitektur Dasar CNN

 Daftar Pustaka

[1] H. Sharma, J. S. Jain, P. Bansal, and S. Gupta, "Feature Extraction and Classification
of Chest X-Ray Images Using CNN to Detect Pneumonia," in 2020 10th
International Conference on Cloud Computing, Data Science & Engineering
(Confluence), 2020, pp. 227-231.
[2] L. Deng and D. Yu, "Deep Learning: Methods and Applications," Foundations and
Trends in Signal Processing, vol. 7, 01/01 2013.
[3] W. Silfianti, "IMPLEMENTASI DEEP LEARNING MENGGUNAKAN
FRAMEWORK TENSORFLOW DENGAN METODE FASTER REGIONAL
CONVOLUTIONAL NEURAL NETWORK UNTUK PENDETEKSIAN
JERAWAT," Jurnal Ilmiah Teknologi dan Rekayasa, vol. 23, pp. 89-102, 01/01
2018.
[4] R. Wei, F. Zhou, B. Liu, X. Bai, D. Fu, Y. Li, B. Liang, and Q. Wu, "Convolutional
Neural Network (CNN) Based Three Dimensional Tumor Localization Using Single
X-Ray Projection," IEEE Access, vol. 7, pp. 37026-37038, 2019.
[5] F. Schäfer, C. Zeiselmair, J. Becker, and H. Otten, Synthesizing CRISP-DM and
Quality Management: A Data Mining Approach for Production Processes. 2018, pp.
190-195.
[6] Ş. Akçay, T. Özlü, and A. Yılmaz, "Radiological approaches to COVID-19
pneumonia," (in eng), Turkish journal of medical sciences, vol. 50, no. SI-1, pp. 604-
610, 2020.
[7] A. Borghesi and R. Maroldi, "COVID-19 outbreak in Italy: experimental chest X-ray
scoring system for quantifying and monitoring disease progression," (in eng), La
Radiologia medica, vol. 125, no. 5, pp. 509-513, 2020.
[8] D. Jakhar and I. Kaur, "Artificial intelligence, machine learning and deep learning:
definitions and differences," Clinical and Experimental Dermatology, vol. 45, no. 1,
pp. 131-132, 2020.
[9] J. Alzubi, A. Nayyar, and A. Kumar, "Machine Learning from Theory to Algorithms:
An Overview," Journal of Physics: Conference Series, vol. 1142, p. 012012, 11/01
2018.
[10] P. Glauner, Deep Learning For Smile Recognition. 2016, pp. 319-324.
[11] H. Song and S.-Y. Lee, Hierarchical Representation Using NMF. 2013, pp. 466-473.
[12] M. Mijwil, A. Esen, and A. Alsaadi, "Overview of Neural Networks," vol. 1, p. 2,
04/01 2019.
Sample Dataset
X-Ray Normal X-Ray Covid-19

Paper Utama Yang Jadi Reference

Tobias, R. R. N. M. I., De Jesus, L. C. M., Mital, M. E. G., Lauguico, S. C., Guillermo, M.
A., Sybingco, E., Bandala, A. A., & Dadios, E. P. (2020). CNN-based Deep Learning Model
for Chest X-ray Health Classification Using TensorFlow. Proceedings - 2020 RIVF
International Conference on Computing and Communication Technologies, RIVF 2020.
https://doi.org/10.1109/RIVF48685.2020.9140733