200-Article Text-3847-1-10-20230705

Download as pdf or txt
Download as pdf or txt
You are on page 1of 7

Institut Riset dan Publikasi Indonesia (IRPI)

MALCOM: Indonesian Journal of Machine Learning and Computer Science


Journal Homepage: https://journal.irpi.or.id/index.php/malcom
Vol. 3 Iss. 1 April 2023, pp: 1-7
ISSN(P) 2797-2313 | ISSN(E): 2775-8575

Classification of Alzheimer's dementia severity using Convolutional Neural


Network method on MRI image of brain

Klasifikasi Keparahan Demensia Alzheimer Menggunakan Metode


Convolutional Neural Network pada Citra MRI Otak

Mochammad Faizal Nazili1*, Aga Bagus Firmansyah2, Rani Purbaningtyas3


1,2,3
Fakultas Teknik, Universitas Bhayangkara Surabaya, Indonesia

E-Mail: 1agabagus20@gmail.com, 2faisalnazili45@gmail.com, 3raniubhara@gmail.com

Received May 16th 2022; Revised Nov 26th 2022; Accepted Jan 12th 2023
Corresponding Author: Mochammad Faizal Nazili

Abstract

Image classification is a field that has found its way into various aspects of life, such as image search, facial recognition,
and marketing research. Alzheimer's, a neurodegenerative disease for which there is no cure, is generally detected using
MRI and the symptoms reported by the sufferer. However, misdiagnosis often occurs due to overlapping symptoms of old
age and Alzheimer's symptoms, and examination of brain tissue for a clear diagnosis can only be carried out after death.
In the hope of improving this process, an artificial neural network model was developed to classify the severity of
Alzheimer's dementia to help doctors review and improve diagnosis accuracy. To do this, we used a set of MRI images with
4 classes and Convolutional Neural Networks (CNN) from early learning and transfer methods. The method we found that
most accurately predicts the Alzheimer's class of MRI scans is Convolution Neural Network.

Keywords: Alzheimer's, Classification, CNN, Dementia, MRI

Abstrak

Klasifikasi Gambar adalah bidang yang telah menemukan jalan ke berbagai aspek kehidupan, seperti pencarian gambar,
pengenalan wajah, dan riset pemasaran. Alzheimer, penyakit neurodegeneratif yang belum ada obatnya, umumnya
terdeteksi menggunakan MRI dan gejala yang dilaporkan oleh si penderita. Namun, kesalahan diagnosis sering terjadi
karena gejala usia tua dan gejala Alzheimer yang tumpang tindih, dan pemeriksaan jaringan otak untuk diagnosis yang jelas
hanya dapat dilakukan setelah kematian. Dengan harapan untuk memperbaiki proses ini, maka dikembangkanlah model
jaringan saraf tiruan untuk mengklasifikasikan tingkat keparahan demensia Alzheimer untuk membantu dokter meninjau
ulang dan meningkatkan akurasi diagnosis. Untuk melakukan ini, kami menggunakan set gambar MRI dengan 4 kelas dan
Convolutional Neural Networks (CNN) dari metode pembelajaran awal dan transfer. Metode yang kami temukan yang
paling akurat memprediksi kelas Alzheimer dari pemindaian MRI adalah Convolution Neural Network.

Keyword: Alzheimer, CNN, Demensia, Klasifikasi, MRI

1. PENDAHULUAN
Demensia alzheimer adalah sebuah penyakit dimana terjadinya penurunan fungsi ingat otak sehingga
menggangu aktivitas sehari-hari. Kebanyakan penderita penyakit demenia berumur 60 tahun keatas. Namun
tidak menutup kemungkinan sesorang dapat didiagnosa demensia alzheimer sebelum berusia 60 tahun. Pada
tahun 2013 penderita penyakit demensia yang ada di indonesia mencapai 1 juta orang yang akan di perkirakan
meningkat menjadi 2 kali lipat di tahun 2030 [1].
Pendeteksian keparahan demensia sejak dini dapat mengurangi laju keparahan demensia alzheimer.
Salah satu metode pendeteksian demensia alzheimer yaitu dengan cara pemindaian otak menggunakan CT scan
dan MRI untuk melihat apakah ada kelainan organ pada otak. Namun, sering terjadi kesalahan diagnosa.
Bahkan dengan kemajuan teknologi didunia medis [2]. Masih sulit untuk memprediksi secara akurat apakah
pasien menderita penyakit demensia alzheimer serta tingkat keparahannya .
Berdasarkan uraian diatas, untuk dapat mengklasifikasikan tingkat keparahan penyakit demensia
alzheimer, kami membuat sebuah model jarinagan syaraf tiruan untuk mengklasifikasikan tingkat keparahan
demensia alzheimer ini. Penelitian ini menggunakan algoritma Convolutional Neural Network (CNN) untuk

Link: https://journal.irpi.or.id/index.php/malcom/article/view/200 1
MALCOM-03(01): 1-7

memproses kumpulan data citra MRI otak yang terbagi menjadi 4 macam yaitu, Non demented, Moderate
Demented, Mild Demented dan Very Mild Demented.
CNN adalah salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa
digunakan untuk mendeteksi dan mengenali object pada sebuah image. Secara garis besar CNN tidak jauh beda
dengan neural network biasanya [3]. CNN terdiri dari neuron yang memiliki weight, bias dan activation
function. Convolutional layer juga terdiri dari neuron yang tersusun sedemikian rupa sehingga membentuk
sebuah filter dengan panjang dan tinggi (pixels). Secara garis besarnya, CNN memanfaatkan proses konvolusi
dengan menggerakan sebuah kernel konvolusi (filter) berukuran tertentu ke sebuah gambar, komputer
mendapatkan informasi representatif baru dari hasil perkalian bagian gambar tersebut dengan filter yang
digunakan [4].

2. BAHAN DAN METODE


Dalam metodologi penelitian ini kami menggunakan V-model untuk mendukung sebuah penelitian
dengan metode Convolutional Neural Network. Tahapan-tahapan yang akan dilakukan dalam penelitian ini
adalah sebagai berikut

Gambar 1. Metodologi Penelitian

2.1 Analisis Permasalahan


Pada tahapan ini adalah untuk melakukan sebuah analisa permasalahan dari informasi yang didapatkan,
dan tahapan sebelumnya agar bisa cocok didapatkan dengan metode untuk mengatasi masalah dalam penelitian
ini yaitu identifikasi penyakit demensia alzheimer melalui citra CT Scan dan MRI. Demensia merupakan
penyakit hilangnya fungsi kognitif pada otak secara multidimensional dan berkelanjutan. Disebabkan oleh
kerusakan system saraf pusat. Penyakit Alzheimer merupakan penyait degeneratif dan penyebab utama dari
demensia. Penyakit ini ditandai dengan penurunan fungsi kognitif seperti penurunan memori, bahasa,
pemecahan masalah dan fungsi keterampilan lainnya yang mempengaruhi seseirang melakukan kegiatan sehari
hari. Hal ini terjadi dikarenkan sel sel saraf didalam otak yang terlibat dalam fungsi kognitif telah rusak dan
tidak bekerja dengan normal pada penyakit Alzheimer, kerusakan syaraf pada akhirnya akan mempengaruhi
penderita melakukan gerakan tubuh dasar seperti berjalan ataupun menelan. Akhirnya penderita akan
mengalami kematian setelah beberapa tahun dikarenakan tidak berfungsinya kemampuan motorik penderita.

2.2 Convolution Neural Network (CNN)


Convolution layer merupakan proses utamayang mendasari jaringan arsitektur CNN dan terdiri atas
kernel. Kernel-kernel pada lapisan ini sering disebut filter konvolusi. Kernel berfungsi mempelajari fitur-fitur
lokal pada feature map [7].Tahap convolutional layer melakukan operasi konvolusi pada output dari layer
sebelumnya. Konvolusi adalah istilah matematis dimana pengaplikasian sebuah fungsi pada output fungsi lain
secara berulang. Persamaan konvolusi merupakan persamaan pada dua fungsi argument bernilai riil [3].
Operasi konvolusi 𝑠(𝑡) dapat ditunjukkan pada persamaan 1.

𝑠(𝑡) ∑ 𝐼(𝑎). 𝐾(𝑡 − 𝑎) (1)


𝑎

Dengan (𝑎) adalah input dan 𝐾(𝑎) adalah kernel. Input convolution layer merupakan gambar yang
direpresentasikan menjadi sebuah matriks. Operasi konvolusi menghasilkan nilai tinggi dan rendah pada posisi

Klasifikasi Keparahan Demensia Alzheimer Menggunakan... (Nazil et al, 2023) 2


ISSN(P): 2797-2313 | ISSN(E): 2775-8575

tertentu pada feature map. Posisi tertentu dari konvolusi kernel, merupakan perkalian untuk setiap nilai pada
sel kernel dan nilai piksel gambaryang tumpang tindih dengan sel kernel.
𝑚 𝑚
ℎ𝑖,𝑗 ∑ ∑ 𝑤𝑘,𝑙 𝑥𝑖=𝑘−1,𝑗+𝑙−1 (2)
𝑘=1 𝑙=1

Fungsi aktivasi Rectifier Linear Unit(ReLU)merupakan fungsi aktivasi sederhana yang memiliki kepentingan
praktis khusus karena perhitungannya yang cepat.Kelebihan fungsi aktivasi ReLU dibandingkan denganfungsi
aktivasi lain adalah sebagai berikut [5]:
1. Fungsi aktivasi ReLU merupakan fungsi aktivasi default ketika mengembangkan multi layer perceptron
dan convolutional neural network.
2. Fungsi aktivasi ReLU mengatasi masalah gradient descent yang hilang, yang memungkinkan model
belajar lebih cepat dan berkinerja lebih baik.
3. Menemukan cara melatih jaringan dengan lebih cepat, sehingga mengurangi overfitting

Fungsi aktivasi ReLU memetakan input ke 0 jika negatif dan mempertahankan nilainya jika positif.
Representasi fungsi ReLU ditunjukkan pada gambar 2 [8].

Gambar 2. Fungsi Aktivasi ReLU

Fungsi aktivasi softmax merupakan fungsi input vektor dari bilangan real 𝐾, yang kemudian
dinormalkan menjadi distribusi probabilitas yangterdiri atas probabilitas 𝐾 yang proposional ke eksponensial
input. Komponen vektor pada softmax memiliki interval (0,1) [9]. Fungsi softmax merupakan lapisan yang
menghubungkan antara fully connected layer dengan dense connection. Softmax berfungsi untuk menghitung
probabilitas pada setiap kelas targetyang memungkinkan dan akan membantu menentukan kelas target pada
input yang diberikan.Nilai softmax berada pada rentang probabilitas output dari 0 hingga 1 dan jumlah semua
probabilitas sama dengan satu. Definisi fungsi softmax 𝜎 = ℝ𝐾 → ℝ𝐾 ditunjukkan pada persamaan 3 [10][11].

𝑒 𝑧𝑖
𝜎(𝑧)𝑖 (3)
∑𝐾
𝑗=1 𝐸
𝑧𝑗

dengan 𝑖 = 1, … , 𝐾 dan 𝑧 = (𝑧𝑖, … , 𝑧𝐾) ∈ ℝ𝐾

2.3 Implementasi
Implementasi system merupakan suatu penerapan jalannya system yang sudah dibuat sebelumnya,
penerapan dan juga pengujian bagi system berdasarkan hasil analisa dan hasil rancangan menjadi sebuah
system klasifikasi keparahan demensia Alzheimer menggunakan CNN.

1. Prapemrosesan
Proses ini merupakan proses awal untuk memasukkan data gambar ke dalam program. Nnantinya
gambar akan dipisah menjadi beberapa kelompok yakni training data, validasi data, dan testing data
dengan perbandingan 80% dan 20%.

MALCOM - Vol. 3 Iss. 1 April 2023, pp: 1-7 3


MALCOM-03(01): 1-7

2. Training Data
Pada tahap ini yakni proses training data merupakan proses pelatihan model CNN yang telah dibuat
sehingga nantinya dapat mengklasifikasikan citra sesuai dengan label yang telah ditentukan. Jumlah
data yang digunakan pada proses ini yakni 640 citra non demented, 179 citra mild demented, 12 citra
moderate demented dan 448 very mild demented dengan menggunakan data training 2560 citra non
demented, 717 mild demented, 52 citra moderate demented dan 1792 citra very mild demented. Proses
training akan menggunakan 40 epoch.

3. Testing Data
Proses ini merupakan tahap akhir dari proses training. Proses testing ini dilakukan untuk melihat
ketepatan dan performa model yang didapat pada tahap training. Citra akan dicocokkan dengan model
yang sudah ditraining apakah cocok atau tidak.

3. HASIL DAN PEMBAHASAN


Berdasarkan hasil uji yang telah dilakukan pada sistem klasifikasi Alzheimer melalui citra MRI
menggunakan Convolutional Neural Network (CNN), dapat diperoleh nilai akurasi dengan rata-rata 90%
setelah melalui proses pelatihan selama rata-rata 99 detik/epoch, sehingga memakan waktu 1 jam 21 menit
untuk melatih sebanyak 40 epoch. Pengujian data dilakukan pada 640 citra Non demented, 179 citra Mild
Demented ,12 citra moderate demented dan 448 very mild demented dengan menggunakan data training 2560
citra Non demented, 717 Mild Demented, 52 citra moderate demented dan 1792 citra very mild demented.

Tabel 1. Percobaan MRI dengan CNN


No Nama Citra Citra Output Hasil

1 Mild Demented Mild demented Berhasil

2 Mild Demented Mild Demented Berhasil

3 Mild Demented Mild Demented Berhasil

4 Moderate Demented Moderate Demented Berhasil

Klasifikasi Keparahan Demensia Alzheimer Menggunakan... (Nazil et al, 2023) 4


ISSN(P): 2797-2313 | ISSN(E): 2775-8575

No Nama Citra Citra Output Hasil

5 Moderate Demented Mild Demented Gagal

6 Non Demented Non Demented Berhasil

7 Non Demented Non Demented Berhasil

9 Non Demented Very Mild Demented Gagal

10 Very Mild Demented Very mild demeneted Berhasil

.. ….. .. .. ..

1279 Very Mild demented Non Demented Gagal

Setelah menguji 1280 citra, maka metode penghitungan penilaian klasifikasi dapat dibuat dalam tabel
confusion matrix seperti pada tabel dibawah ini. Dari tabel confusion matrix pada table dibawah ini akan
dilakukan penghitung penilaian klasifikasi sesuai dengan nilai yang di dapat. Ditunjukkan pada Gambar 3.

MALCOM - Vol. 3 Iss. 1 April 2023, pp: 1-7 5


MALCOM-03(01): 1-7

Gambar 3. Hasil Akurasi Percobaan dengan CNN

Perhitungan nilai akurasi dapat diperoleh dengan merujuk persamaan akurasi confusion matriks.
𝑇𝑃𝐴 𝑇𝑃𝐵 𝑇𝑃𝐶 𝑇𝑃𝐷
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =
𝑇𝑃𝐴 𝐸𝐴𝐵 𝐸𝐴𝐶 𝐸𝐴𝐷 𝐸𝐵𝐴 𝑇𝑃𝐵 𝐸𝐵𝐶 𝐸𝐵𝐷 𝐸𝐶𝐴 𝐸𝐶𝐵 𝑇𝑃𝐶 𝐸𝐶𝐷 𝐸𝐷𝐴 𝐸𝐷𝐵 𝐸𝐷𝐶 𝑇𝑃𝐷

139 + 3 + 557 + 243


=
139 + 3 + 33 + 82 + 0 + 3 + 0 + 2 + 26 + 5 + 557 + 121 + 14 + 2 + 50 + 243
942
=
1280
= 0.73 ( 73% )

Dari perhiungan akurasi diatas, dapat diketahui bahwa tingkat akurasi yang dihasilkan adalah 73%.
Masih kurang memuaskan untuk hasil penggunaan metode deep learning. Dapat kita lihat hasil akurasi dan
kegagalan pada gambar 4.

Gambar 4. Grafik Akurasi dan Error percobaan dengan CNN

4. KESIMPULAN
Berdasarkan dari hasil percoban dapat disimpulkan bahwa pemrosesan data training berjalan baik dan
lancar menghasilkan akurasi 73%. Akan tetapi pada proses validasi, nilai dari akurasi dan erroe memiliki
kecenderungan bergelombang, tidak konsisten yang mengakibatkan banyak data yang gagal dalam proses
validasi.

REFERENSI
[1]. Nisa N dan Sinuraya RK. "BIOMARKER miRNA-146a SEBAGAI DETEKSI DINI YANG EFEKTIF
UNTUK ALZHEIMER". Farmaka. vol. 15, no 2. pp: 159-177. 2016.
[2]. Wildah SS, Agustiani S, Ramadhan MRS, Gata W, Nawawi HM. “Deteksi Penyakit Alzheimer
Menggunakan Algoritma Naïve Bayes Dan Correlation Based Feature Selection”. Jurnal Informatika.
vol. 7, no. 2.pp:166-173. 2020.
[3]. Yanan Sun, Bing Xue, Mengjie Zhang and Gary G. Yen. "Completely Automated CNN Architecture
Design Based on Blocks". IEEE Transactions on Neural Networks and Learning Systems. 2019

Klasifikasi Keparahan Demensia Alzheimer Menggunakan... (Nazil et al, 2023) 6


ISSN(P): 2797-2313 | ISSN(E): 2775-8575

[4]. Morteza Heidari, Seyedehnafiseh Mirniaharikandehei, Abolfazl Zargari Khuzani, Gopichandh Danala,
Yuchen Qiu, Bin Zheng. "Improving the performance of CNN to predict the likelihood of COVID-19
using chest X-ray images with preprocessing algorithm". International Journal of Medical Informatics.
2020.
[5]. Chelghoum, R., Ikhlef, A., Hameurlaine, A., & Jacquir, S. (2020). Transfer learning using
convolutional neural network architectures for brain tumor classification from MRI images. IFIP
Advances in Information and Communication Technology, 583 IFIP, 189–200.
https://doi.org/10.1007/978-3-030-49161-1_17
[6]. Hatmanti, N. M., & Ana Yunita. (2019). Senam Lansia dan Terapi Puzzle Terhadap Demensia Pada
Lansia. In Jurnal Keperawatan Muhammadiyah (Vol. 4, Issue 1). http://journal.um-
surabaya.ac.id/index.php/JKM
[7]. Khan, H. A., Jue, W., Mushtaq, M., & Mushtaq, M. U. (2020). Brain tumor classification in MRI image
using convolutional neural network. Mathematical Biosciences and Engineering, 17(5), 6203–6216.
https://doi.org/10.3934/MBE.2020328
[8]. Mehindra Prasmatio, R., Rahmat, B., & Yuniar, I. (2020). DETEKSI DAN PENGENALAN IKAN
MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. In Jurnal Informatika dan
Sistem Informasi (JIFoSI) (Vol. 1, Issue 2).
[9]. Peryanto, A., & Anton Yudhana. (2019). Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep
Learning Berbasis Metode Convolutional Neural Network.
https://www.mathworks.com/discovery/convolutional-neural-network.html
[10]. Seetha, J., & Raja, S. S. (2018). Brain tumor classification using Convolutional Neural Networks.
Biomedical and Pharmacology Journal, 11(3), 1457–1461. https://doi.org/10.13005/bpj/151
[11]. Sultan, H. H., Salem, N. M., & Al-Atabany, W. (2019). Multi-Classification of Brain Tumor Images
Using Deep Neural Network. IEEE Access, 7, 69215–69225.
https://doi.org/10.1109/ACCESS.2019.2919122

MALCOM - Vol. 3 Iss. 1 April 2023, pp: 1-7 7

You might also like