Prediksi Infeksi COVID-19 Dari Gambar X-ray Dada Dengan ML Deep Learning

05/09/202030/01/2023 trioadi 270 Comments AI, cnn, Deeplearning, python, tensorflow

Kembali lagi di postingan ke sekian, namun merupakan postingan pertama pada kategori Artificial Intelligence. Sebenernya sih udah lama kepengen nulis ini, tapi yah… banyak yang harus di beresin di RL (Real Life), cari kerja misalnya jadi kudu edit-edit CV sama resume, wawancara juga meski masih belom ada kelanjutannya… #curhat wkwk

Seperti yang kita tau pandemi virus korona ini udah berlangsung dari januari, dan baru masuk resmi ke Indonesia pada bulan maret dan nyampe sekarang belum juga beres, bukan hanya di Indonesia aja sih malah hampir di seluruh negara juga gitu. Oleh karena itu untuk mengurangi penyebaran virus ini kita sebagai manusia sebisa mungkin untuk menjalankan protokol kesehatan, untuk kebaikan bersama sih. Mungkin kita udah bosan denger kalimat itu, tapi yaaa itu salah satu bentuk usaha sederhana untuk mengurangi penyebaran virus korona yang dapat kita lakukan.

Skip intro nya, menurut WHO the most common symptoms adalah demam, batuk kering, dan merasa lelah. Sekitar 1 dari setiap 5 orang yang terjangkit COVID-19 sakit parah dan mengalami kesulitan bernafas.

Disini kita akan pake data dari kaggle yang dikumpulkan dari github oleh Mr. Prashant Patel yang dapat dilihat di link berikut.

Total ukuran data tersebut kurang lebih 2GB yang dibagi 3 label gambar, yaitu NORMAL, PNEUMONIA, COVID19. Contoh perbandingannya dapat dilihat pada gambar berikut

Gimana, bisa membedakan ga antara normal, penderita pneumonia dan penderita covid19? kalo saya sih enggak yah, keliatannya mirip semua tuh wkwk

Oke, sekarang kita akan mengerjakan / membuat program menggunakan google colab, menggunakan framework tensorflow dan keras. Namun sebelum itu kita butuh mempersiapkan data dahulu.

Langkah Pertama adalah buka situs kaggle, kemudian daftar akun kaggle dan login, mudah dan gratis kok tenang aja. Hal ini dibutuhkan karena kita butuh API key untuk mendownload data gambar di google colab kita.

Setelah login, klik foto profile pada bagian pojok kanan atas lalu pilih My Account

Pada bagian API, klik Create New Api Token. Lalu secara otomatis akan terdownload sebuah file kaggle.json

Sekarang kita fokus membuat program / coding, buka google colab kemudian login. Pada menu bar klik File -> New notebook

selanjutnya kita install kaggle pada google colab yang kita gunakan, caranya dengan memasukan kode berikut

#install kaggle
!pip install kaggle

1 2	#install kaggle !pip install kaggle

Kemudian klik tombol run, seperti pada gambar

hasilnya akan muncul seperti berikut

Sekarang kita harus memasukkan kaggle.json tadi kedalam google colab kita, caranya dengan menggunakan fitur upload

from google.colab import files
files.upload()

1 2	from google.colab import files files.upload()

Klik run, kemudian choose file dan pilih kaggle.json yang telah kita download sebelumnya, maka akan muncul tampilan seperti dibawah

Langkah selanjutnya adalah membuat folder kaggle, kemudian mencopy file kaggle.json kedalam folder yang telah dibuat

!mkdir ~/.kaggle
!cp kaggle.json ~/.kaggle/

1 2	!mkdir ~/.kaggle !cp kaggle.json ~/.kaggle/

Kemudian kita ubah permission file

!chmod 600 ~/.kaggle/kaggle.json

1	!chmod 600 ~/.kaggle/kaggle.json

Selanjutnya kita mendownload dataset berikut, tenang aja yg mendownload mesin google colab jadi kita ga keluar kuota, caranya adalah dengan mencopy API command, seperti gambar dibawah

lalu paste kan di baris code dengan menambahkan tanda seru didepannya, seperti berikut

!kaggle datasets download -d prashant268/chest-xray-covid19-pneumonia

1	!kaggle datasets download -d prashant268/chest-xray-covid19-pneumonia

akan tampil seperti ini

Karena file tersebut masih di zipped, maka akan kita unzip, hal pertama adalah mengimport library zip dan OS, seperti berikut

import zipfile,os

1	import zipfile,os

Selanjutnya kita membuath path direktori file yang telah kita download tadi, kemudian ekstrak file tersebut di folder /tmp

zip_dir = '/content/chest-xray-covid19-pneumonia.zip'
zip_ref = zipfile.ZipFile(zip_dir, 'r')
zip_ref.extractall('/tmp')
zip_ref.close()

zip_dir = '/content/chest-xray-covid19-pneumonia.zip'

zip_ref = zipfile.ZipFile(zip_dir, 'r')

zip_ref.extractall('/tmp')

zip_ref.close()

Jika kita lihat kedalam folder /tmp tadi, ada sebuah folder bernama data, didalam folder data terdiri dari dua folder train dan test, didalam folder tersebut masing-masing terdapat folder NORMAL, PNEUMONIA, COVID19 yang berisi foto-foto x-ray yang kemudian folder tersebut merupakan perwakilan dari tiap label.

kemudian kita buat variabel dengan isi direktori training dan validating, dimana pada training menggunakan folder train dan validating menggunakan folder test

train_dir = '/tmp/Data/train'
val_dir = '/tmp/Data/test'

1 2	train_dir = '/tmp/Data/train' val_dir = '/tmp/Data/test'

untuk mengecek folder sekaligus label dapat menggunakan fungsi berikut

os.listdir(train_dir)

1	os.listdir(train_dir)

setelah itu kita import library tensorflow dan module yang dibutuhkan, seperti RMSprop dan ImageDataGenerator

import tensorflow as tf
from tensorflow.keras.optimizers import RMSprop
from tensorflow.keras.preprocessing.image import ImageDataGenerator

import tensorflow as tf

from tensorflow.keras.optimizers import RMSprop

from tensorflow.keras.preprocessing.image import ImageDataGenerator

Hal selanjutnya adalah proses augmentasi gambar, jadi pada proses ini program akan membuat data pelatihan baru sehingga menambah dataset dengan menggunakan data yang telah ada, caranya yaitu dengan mengubah misal rotasi gambar, rescale gambar, sudut gambar, dll.

train_datagen = ImageDataGenerator(
              rescale = 1./255,
              rotation_range=20,
              horizontal_flip=True,
              shear_range=0.2,
              fill_mode='nearest'
)
val_datagen = ImageDataGenerator(
              rescale = 1./255,
              rotation_range=20,
              horizontal_flip=True,
              shear_range=0.2,
              fill_mode='nearest'
)

train_datagen = ImageDataGenerator(

rescale = 1./255,

rotation_range=20,

horizontal_flip=True,

shear_range=0.2,

fill_mode='nearest'

)

val_datagen = ImageDataGenerator(

rescale = 1./255,

rotation_range=20,

horizontal_flip=True,

shear_range=0.2,

fill_mode='nearest'

)

bagian selanjutnya adalah membuat train_generator dan validation_generator, yang berisi direktori lokasi yang telah dibuat sebelumnya,

target_size merupakan ukuran gambar masukan sehingga setiap gambar akan diubah ukurannya ke ukuran ini,

batch_size merupakan jumlah gambar yang akan dihasilkan dari generator per batch,

color_mode jika gambar hitam putih atau abu-abu set “grayscale” atau jika gambar berwarna, set “rgb”,

class_mode set “binary” jika hanya dua label/kelas, jika memiliki lebih dari tiga label gunakan “categorical”,

train_generator = train_datagen.flow_from_directory(
      train_dir,
      target_size=(256, 256),
      batch_size=10,
      color_mode='grayscale',
      class_mode='categorical'
)

val_generator = val_datagen.flow_from_directory(
      val_dir,
      target_size=(256, 256),
      batch_size=10,
      color_mode='grayscale',
      class_mode='categorical'
)

train_generator = train_datagen.flow_from_directory(

train_dir,

target_size=(256, 256),

batch_size=10,

color_mode='grayscale',

class_mode='categorical'

)

val_generator = val_datagen.flow_from_directory(

val_dir,

target_size=(256, 256),

batch_size=10,

color_mode='grayscale',

class_mode='categorical'

)

dari gambar diatas terlihat bahwa kita memiliki 5144 gambar training yang dibagi menjadi 3 kelas/label, sedangkan 1288 gambar sebagai validating.

Selanjutnya adalah kita membuat model dari Deep Learning, pada bagian ini kita membuat input sebanyak 256×256, dengan filter sebanyak 32 pada layer pertama, kernel size sebesar 3 x 3, dan fungsi aktivasinya adalah relu.

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(256,256,1)),
    tf.keras.layers.MaxPooling2D(2,2),

    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),

    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),

    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),

    tf.keras.layers.Conv2D(192, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')
])

model = tf.keras.models.Sequential([

tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(256,256,1)),