Embed Size (px)
Citation preview
1
KLASIFIKASI STATUS HIDRASI BERDASARKAN
WARNA URINE MENGGUNAKAN CNN PADA
APLIKASI BERBASIS WEB
SKRIPSI
Diajukan Guna Memenuhi Persyaratan Memperoleh
Gelar Sarjana Komputer (S.Kom.)
Hans Davin Christian
00000021221
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS TEKNIK DAN INFORMATIKA
UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2021
ii
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi ini adalah karya ilmiah saya sendiri,
bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan
semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam skripsi ini
telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan / penyimpangan, baik dalam
pelaksanaan skripsi maupun dalam penulisan laporan skripsi, saya bersedia
menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah skripsi yang
telah saya tempuh dan status kesarjanaan strata satu yang sudah diterima akan
dicabut.
Tangerang, 31 Mei 2021
Hans Davin Christian
iii
HALAMAN PENGESAHAN
Skripsi dengan judul
“Klasifikasi Status Hidrasi Berdasarkan Warna Urine Menggunakan CNN pada
Aplikasi Berbasis Web”
oleh
Hans Davin Christian
telah diujikan pada hari Jumat, 18 Juni 2021,
pukul 13.00 s.d. 15.00 dan dinyatakan lulus
dengan susunan penguji sebagai berikut.
Ketua Sidang Penguji
Johan Setiawan, S.Kom., M.M., M.B.A. Monika Evelin Johan, S.Kom., M.MSI.
Dosen Pembimbing
Friska Natalia, Ph.D.
Disahkan oleh
Ketua Program Studi Sistem Informasi – UMN
Ririn Ikana Desanti, S.Kom., M.Kom.
25/06/2021 26/06/2021
iv
KLASIFIKASI STATUS HIDRASI BERDASARKAN
WARNA URINE MENGGUNAKAN CNN PADA
APLIKASI BERBASIS WEB
ABSTRAK
Oleh: Hans Davin Christian
Kemajuan teknologi telah banyak dimanfaatkan dalam melakukan deteksi
gangguan kesehatan tanpa melakukan sayatan pada kulit, seperti radiologi, deteksi
kanker, dan deteksi kelainan paru-paru. Metode non-invasive procedure tersebut
telah menjadi fokus pengembangan di bidang kesehatan. Penelitian ini merupakan
salah satu upaya pengembangan non-invasive procedure yang sedang
dikembangankan di UMN terkait masalah dehidrasi. Pendeteksian tingkat dehidrasi
tersebut dilakukan berdasarkan warna pada gambar urine.
Pada penelitian ini digunakan algoritma deep learning yang telah teruji dapat
melakukan pengenalan objek gambar dengan baik, yaitu Convolutional Neural
Network (CNN). Model klasifikasi dibangun menggunakan CNN dengan arsitektur
EfficientNet dengan tujuan untuk melakukan klasifikasi warna urine ke dalam lima
tingkatan dehidrasi (akurasi=93,5%). Hasil pengembangan model tersebut juga
akan diimplementasikan pada aplikasi berbasis web menggunakan bahasa
pemrograman Python.
Aplikasi tersebut dapat melakukan klasifikasi data gambar urine yang diunggah
pengguna dan menampilkan hasil klasifikasi pada tampilan web. Selain itu, aplikasi
yang dibangun juga dapat memberikan rekomendasi kebutuhan air pengguna.
Penelitian ini menghasilkan model klasifikasi tingkat dehidrasi dan pembuatan
aplikasi yang telah memenuhi ekspektasi pengguna. Hal tersebut dapat dilihat
melalui tingkat keberhasilan aplikasi sebesar 98% yang diperoleh melalui pengujian
User Acceptance Test (UAT). Aplikasi ini diharapkan dapat dikembangkan lebih
lanjut, seperti untuk mendukung pembuatan layanan kesehatan atau healthcare
system yang lebih kompleks.
Kata kunci: Aplikasi Berbasis Web, Convolutional Neural Network, Dehidrasi,
Deteksi Urine, Python
v
HYDRATION STATUS CLASSIFICATION BASED ON
URINE COLOR USING CNN ON WEB-BASED
APPLICATIONS
ABSTRACT
By: Hans Davin Christian
Technological advances have been widely used in detecting health problems
without making an incision in the skin, such as radiology, cancer detection, and
detection of lung disorders. This non-invasive procedure method has become the
focus of development in the health sector. This research is one of the efforts to
develop non-invasive procedures that are being developed at UMN related to
dehydration problems. Dehydration level detection is done based on the color in
the urine image.
This study uses one of the proven deep learning algorithms to recognize image
objects, that is Convolutional Neural Network (CNN). The classification model was
built using CNN with the EfficientNet architecture to classify urine color into five
levels of dehydration (accuracy = 93.5%). The results of the model development
will also be implemented on web-based applications using the Python programming
language.
The application can classify user-uploaded urine image data and display the
classification results on a web page. In addition, the application can also provide
recommendations for the user's water intake needed. This study produces a
classification model for detecting dehydration levels and makes applications that
meet user expectations. This can be seen through the application success rate of
98% obtained through the User Acceptance Test (UAT). This application is
expected to be further developed, such as to support the creation of more complex
healthcare systems.
Keywords: Convolutional Neural Network, Dehydration, Python, Urine Detection,
Web-Based Application
vi
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Kuasa sehingga skripsi yang berjudul
“Klasifikasi Status Hidrasi Berdasarkan Warna Urine Menggunakan CNN pada
Aplikasi Berbasis Web” dapat selesai tepat pada waktunya. Skripsi ini penulis
ajukan kepada Program Strata 1, Program Studi Sistem Informasi, Fakultas Teknik
dan Informatika, Universitas Multimedia Nusantara.
Dengan berakhirnya proses penulisan skripsi ini, penulis ingin mengucapkan terima
kasih kepada Universitas Multimedia Nusantara yang telah memberi beasiswa
kepada penulis selama menempuh pendidikan di Universitas Multimedia Nusantara
sehingga dapat membantu meringankan penulis dalam membayar biaya kuliah
hingga selesai.
Selain itu, penulis juga ingin mengucapkan terima kasih kepada:
1. Ibu Ririn Ikana Desanti, S.Kom., M.Kom. selaku Ketua Program Studi
Sistem Informasi yang telah mendukung penulis dalam menyelesaikan
laporan skripsi.
2. Ibu Friska Natalia, Ph.D. selaku dosen pembimbing skripsi yang telah
memberikan bimbingan dan saran yang diberikan kepada penulis selama
pengerjaan skripsi.
vii
3. Ibu Wella, S.Kom., M.MSI. yang telah membantu penulis dalam
memberikan arahan dan pedoman penulisan skripsi pada mata kuliah
Metodologi Riset Sistem Informasi.
4. Teman-teman angkatan 2017 Sistem Informasi yang telah menemani dan
membantu dalam penyelesaian laporan skripsi ini.
Tidak lupa penulis mengucapkan terima kasih kepada orang tua dan keluarga yang
telah memberikan semangat dan doa kepada penulis dalam penyelesaian skripsi ini.
Semoga skripsi ini dapat memberikan informasi dan inspirasi yang bermanfaat bagi
para pembaca.
Tangerang, 16 Mei 2021
Penulis
viii
DAFTAR ISI
PERNYATAAN ...................................................................................................... ii
HALAMAN PENGESAHAN ................................................................................ iii
ABSTRAK ............................................................................................................. iv
ABSTRACT .............................................................................................................. v
KATA PENGANTAR ........................................................................................... vi
DAFTAR ISI ........................................................................................................ viii
DAFTAR GAMBAR ............................................................................................. xi
DAFTAR TABEL ................................................................................................ xiii
DAFTAR RUMUS .............................................................................................. xiv
BAB I PENDAHULUAN ....................................................................................... 1
1.1. Latar Belakang Masalah ........................................................................... 1
1.2. Rumusan Masalah .................................................................................... 4
1.3. Batasan Masalah ....................................................................................... 5
1.4. Tujuan dan Manfaat Penelitian ................................................................. 5
1.4.1. Tujuan Penelitian .............................................................................. 5
1.4.2. Manfaat Penelitian ............................................................................ 6
BAB II LANDASAN TEORI ................................................................................. 7
2.1. Dehidrasi .................................................................................................. 7
2.1.1. Pengertian Dehidrasi ......................................................................... 7
2.1.2. Dampak Fisiologis Dehidrasi ............................................................ 8
2.1.3. Tingkatan Dehidrasi ........................................................................ 11
2.2. Density .................................................................................................... 12
2.3. Rapid Application Development (RAD) ................................................. 13
ix
2.4. Prototyping ............................................................................................. 14
2.5. Waterfall ................................................................................................. 15
2.6. Cross-Industry Standard Process for Data Mining (CRISP-DM) ......... 16
2.7. Deep Learning ........................................................................................ 18
2.8. Convolutional Neural Network (CNN) .................................................. 20
2.8.1. Algoritma CNN ............................................................................... 20
2.8.2. Dropout ........................................................................................... 21
2.8.3. Pre-Trained Model EfficientNet ..................................................... 22
2.9. Support Vector Machine (SVM) ............................................................ 24
2.10. K-Fold Cross Validation ..................................................................... 27
2.11. Confusion Matrix ................................................................................ 28
2.12. Tools ................................................................................................... 29
2.12.1. Python ............................................................................................. 29
2.12.2. Tensorflow ...................................................................................... 30
2.12.3. Flask ................................................................................................ 31
2.13. Penelitian Terdahulu ........................................................................... 31
BAB III METODOLOGI PENELITIAN.............................................................. 34
3.1. Objek Penelitian ..................................................................................... 34
3.2. Metode Penelitian ................................................................................... 35
3.2.1. Metode Pengembangan Sistem ....................................................... 35
3.2.2. Metode Klasifikasi .......................................................................... 37
3.3. Variabel Penelitian ................................................................................. 39
3.3.1. Variabel Dependen .......................................................................... 39
3.3.2. Variabel Independen ....................................................................... 40
3.4. Tools ....................................................................................................... 40
x
3.5. Kerangka Teori ....................................................................................... 41
3.5.1. Requirement Planning ..................................................................... 41
3.5.2. User Design ..................................................................................... 42
3.5.3. Construction .................................................................................... 42
3.5.4. Implementation ................................................................................ 48
BAB IV ANALISIS DAN HASIL PENELITIAN ............................................... 49
4.1. Requirement Planning ............................................................................ 49
4.2. User Design ............................................................................................ 51
4.2.1. Use Case Diagram .......................................................................... 51
4.2.2. Activity Diagram ............................................................................. 53
4.3. Construction ........................................................................................... 59
4.3.1. Business Understanding .................................................................. 59
4.3.2. Data Understanding ........................................................................ 60
4.3.3. Data Preparation ............................................................................ 61
4.3.4. Modeling ......................................................................................... 66
4.3.5. Evaluation ....................................................................................... 71
4.3.6. Deployment ..................................................................................... 76
4.4. Implementation ....................................................................................... 86
4.5. Hasil Analisis.......................................................................................... 87
BAB V KESIMPULAN DAN SARAN ................................................................ 89
5.1. Kesimpulan ............................................................................................. 89
5.2. Saran ....................................................................................................... 89
DAFTAR PUSTAKA ........................................................................................... 89
LAMPIRAN .......................................................................................................... xv
xi
DAFTAR GAMBAR
Gambar 2.1 Tingkat Dehidrasi .............................................................................. 11
Gambar 2.2 Metode Pengembangan Sistem RAD ................................................ 13
Gambar 2.3 Metode Pengembangan Prototyping ................................................. 14
Gambar 2.4 Metode Pengembangan Waterfall ..................................................... 15
Gambar 2. 5 Tahapan CRISP-DM ........................................................................ 16
Gambar 2.6 Contoh Arsitektur CNN dalam Pengenalan Objek atau Gambar ...... 20
Gambar 2.7 Contoh Dropout 5% Neuron ............................................................. 22
Gambar 2.8 Arsitektur EfficientNet ...................................................................... 23
Gambar 2. 9 Grafik Perbandingan Berbagai Pre-Trained Model ......................... 24
Gambar 2.10 Mencari hyperplane terbaik yang memisahkan kedua kelas –1 dan
+1 .......................................................................................................................... 25
Gambar 2.11 10-Fold Cross Validation ................................................................ 27
Gambar 2.12 Confusion Matrix............................................................................. 28
Gambar 3. 1 Variabel Penelitian ........................................................................... 39
Gambar 3.2 Alur Kerja Penelitian ......................................................................... 41
Gambar 3.3 Penerapan CRISP-DM pada Tahap Construction RAD ................... 43 \
Gambar 4.1 Use Case Diagram ............................................................................. 51
Gambar 4.2 Activity Diagram – Klasifikasi Tingkat Dehidrasi melalui Gambar dari
Local Storage ........................................................................................................ 53
Gambar 4.3 Activity Diagram – Klasifikasi Tingkat Dehidrasi melalui Akses
Kamera .................................................................................................................. 54
Gambar 4.4 Activity Diagram – Register dan login ............................................. 55
Gambar 4.5 Activity Diagram – Memasukkan Data Diri ..................................... 57
Gambar 4.6 Activity Diagram – Melihat Rekomendasi Kebutuhan Air ............... 58
Gambar 4.7 Distribusi Data untuk Setiap Tingkatan Dehidrasi ............................ 60
Gambar 4.8 Dataset Urine ..................................................................................... 61
Gambar 4.9 Kode Python untuk Mengenali Path dan Label Setiap Data Gambar 62
xii
Gambar 4.10 Kode Python untuk Membagi Data Menjadi 5-Fold ....................... 62
Gambar 4.11 Kode Python untuk Menyalin dan Membuat Direktori 5-Fold ....... 63
Gambar 4.12 Kode Python untuk Melakukan Augmentasi Data .......................... 65
Gambar 4.13 Contoh Data Gambar Hasil Augmentasi ......................................... 66
Gambar 4.14 Kode Python untuk Membuat Arsitektur Base Model EfficientNetB7
............................................................................................................................... 67
Gambar 4.15 Kode Python untuk Memodifikasi Output Layer dari Model
EfficientNetB7 ...................................................................................................... 68
Gambar 4.16 Kode Python untuk Melakukan Training Model............................. 70
Gambar 4.17 Kode Python untuk Menyimpan Hasil Training ke CSV ................ 71
Gambar 4.18 Grafik Validation Accuracy selama Training Model ...................... 71
Gambar 4.19 Grafik Validation Loss selama Training Model .............................. 72
Gambar 4.20 Nilai Validation Accuracy Tertinggi Selama 5 Kali Pelatihan Model
............................................................................................................................... 73
Gambar 4.21 Confusion Matrix dari Model Terbaik untuk Klasifikai Tingkat
Dehidrasi ............................................................................................................... 74
Gambar 4.22 Tampilan Home dari Web ............................................................... 77
Gambar 4.23 Tampilan Halaman Hasil Klasifikasi Gambar Urine ...................... 78
Gambar 4.24 Tampilan Halaman Login pada Web .............................................. 79
Gambar 4.25 Tampilan Halaman Register pada Web ........................................... 80
Gambar 4.26 Tampilan Halaman Konfirmasi Email untuk Reset Password ........ 80
Gambar 4.27 Tampilan Pengiriman Email untuk Reset Password Berhasil ......... 81
Gambar 4.28 Tampilan Hasil Pengiriman Email pada Akun Gmail Pengguna .... 81
Gambar 4.29 Tampilan Form untuk Melakukan Reset Password......................... 82
Gambar 4.30 Pesan Sukses dalam Melakukan Reset Password ........................... 82
Gambar 4.31 Tampilan Halaman Setup Profile pada Web ................................... 83
Gambar 4.32 Tampilan Halaman untuk Melihat Rekomendasi Kebutuhan Air
Melalui Akses Kamera .......................................................................................... 84
Gambar 4.33 Tampilan Halaman untuk Melihat Rekomendasi Kebutuhan Air
Melalui Local Storage ........................................................................................... 85
xiii
DAFTAR TABEL
Tabel 2.1 SVM Kernel Function ........................................................................... 26
Tabel 2.2 Penelitian Terdahulu ............................................................................. 31
Tabel 3.1 Lima Tingkatan Dehidrasi .................................................................... 35
Tabel 3.2 Perbandingan Metode Pengembangan Sistem ...................................... 36
Tabel 3.3 Perbandingan Metode Klasifikasi Tingkat Dehidrasi ........................... 38
Tabel 3.4 Modul Pendukung pada Penelitian Ini .................................................. 40
Tabel 4.1 Arsitektur CNN EfficientNetB7............................................................ 66
Tabel 4.2 Susunan Layer Model ........................................................................... 67
Tabel 4.3 Perubahan Learning Rate pada Model .................................................. 69
Tabel 4.4 Akurasi Masing-masing Tingkat Dehidrasi .......................................... 75
Tabel 4.5 Kesimpulan Hasil UAT ......................................................................... 87
Tabel 4.6 Perubahan yang Dihasilkan Setelah Pembuatan Aplikasi ..................... 88
xiv
DAFTAR RUMUS
Rumus 2.1 Massa Jenis ......................................................................................... 12
Rumus 2.2 Maksimum Margin pada Hyperplane ................................................. 26
Rumus 2.3 Menghitung Akurasi dari Confusion Matrix ....................................... 29
Rumus 4.1 Rekomendasi Kebutuhan Air .............................................................. 52
xv
LAMPIRAN
1. Formulir Hasil User Acceptance Test (UAT)
2. Similarity Index Turnitin
3. Formulir Bimbingan
