LAPORAN PROYEK Deteksi dan Klasifikasi Penyakit Ginjal Menggunakan Citra CT Scan Berbasis Deep Learning

Organ Ginjal

Latar Belakang

Penyakit ginjal merupakan salah satu masalah kesehatan serius yang berdampak besar pada kualitas hidup masyarakat. Data dari World Health Organization (WHO) dan National Kidney Foundation menunjukkan bahwa jutaan orang di seluruh dunia hidup dengan gangguan ginjal, sering kali tanpa disadari hingga stadium lanjut. Beberapa penyakit ginjal yang umum antara lain:

Kista ginjal
Batu ginjal
Tumor ginjal
Gagal ginjal kronis

Diagnosis dini menjadi kunci untuk mencegah komplikasi jangka panjang. Dalam dunia medis modern, pencitraan radiologi seperti CT scan menjadi alat penting untuk mendeteksi dan mengidentifikasi kelainan struktur ginjal. Namun, interpretasi CT scan masih bergantung pada tenaga ahli radiologi yang terbatas, memakan waktu, dan dapat rentan terhadap kesalahan manusia.

Seiring perkembangan teknologi kecerdasan buatan (AI), khususnya deep learning, muncul potensi besar untuk menciptakan sistem pendeteksian dan klasifikasi penyakit ginjal secara otomatis dan akurat dari citra CT scan. Proyek ini membahas bagaimana Convolutional Neural Network (CNN) dapat digunakan untuk mengidentifikasi penyakit ginjal dari gambar CT.

Rumusan Masalah

Bagaimana membangun model deep learning yang dapat mengenali dan membedakan jenis-jenis penyakit ginjal dari gambar CT scan?
Sejauh mana akurasi sistem klasifikasi otomatis ini dalam membedakan antara ginjal normal, kista, batu ginjal, dan tumor?

Tujuan Penelitian

Mengembangkan model CNN untuk mengklasifikasikan citra CT ginjal ke dalam empat kategori: Normal, Kista, Batu Ginjal, dan Tumor.
Meningkatkan efisiensi dan akurasi diagnosis penyakit ginjal melalui sistem otomatis berbasis gambar medis.
Memberikan kontribusi awal terhadap sistem pendukung keputusan klinis berbasis AI.

Studi Pustaka

CNN dalam Medis

CNN telah banyak digunakan dalam pengolahan citra medis karena kemampuannya mengekstraksi fitur spasial dari gambar. CNN mampu mengenali pola visual yang kompleks dari data gambar CT atau MRI.

Penelitian Terkait

Swin Transformer dan CNN: Digunakan untuk klasifikasi tumor ginjal dengan akurasi >99%.
Transfer Learning (VGG16, ResNet, EfficientNet): Digunakan dalam berbagai studi untuk meningkatkan akurasi klasifikasi gambar medis.
Segmentasi Watershed: Pendekatan lain yang digunakan untuk mengisolasi area ginjal dari latar belakang gambar.

Metodologi Penelitian

Dataset

Dataset: CT-KIDNEY-DATASET-Normal-Cyst-Tumor-Stone
Jumlah kelas: 4

Normal
Kista
Batu Ginjal
Tumor

Sumber: Repositori https://1024terabox.com/s/1cGaWZprTH5KZSSkxIxx3lQ
Format gambar: .jpg atau .png
Ukuran data: bervariasi, dengan total ratusan citra CT.

Arsitektur Sistem

a. Pra-pemrosesan Data

Ukuran gambar diubah menjadi 28x28 piksel dan dinormalisasi ke rentang 0–1.
Citra yang hanya memiliki 1 channel diubah menjadi 3 channel.
Total dataset hasil preprocessing:

train_data1.shape = (3958, 28, 28, 3)
train_labels1.shape = (3958,)

Augmentasi dilakukan dengan:

Rotasi hingga 30 derajat
Horizontal flip

Tujuannya adalah meningkatkan keragaman data untuk meningkatkan generalisasi model.

b. Pembagian Data

Menggunakan `train_test_split` dari `sklearn`, dataset dibagi sebagai berikut:

Dataset	Ukuran
Train	6.256 sampel
Test	1.391 sampel
Validation	696 sampel
Input Image	(28, 28, 3)

c. Arsitektur CNN yang Digunakan:

Optimizer: Adam

d. Training

Epoch: 3
Batch size: 196
Callback: EarlyStopping dan ModelCheckpoint

Evaluasi Model

Akurasi
Loss (grafik selama pelatihan)
Confusion Matrix
F1-Score

Implementasi dan Kode

Proyek ini diimplementasikan menggunakan Python dan pustaka berikut:

TensorFlow / Keras — untuk membangun dan melatih model CNN
NumPy, Pandas — manipulasi data
Matplotlib, Seaborn — visualisasi
Sklearn — evaluasi performa model

Struktur folder dalam repositori:

├── CT-KIDNEY-DATASET-Normal-Cyst-Tumor-Stone/
├── kidneyData.csv
├── kidneyCNN.ipynb

Notebook utama kidneyCNN.ipynb berisi seluruh proses pipeline dari load data, preprocessing, arsitektur CNN, hingga evaluasi model.

Hasil dan Diskusi

Berdasarkan pelatihan model:

Model mencapai akurasi pelatihan >95% dan akurasi validasi >90% pada 3 epoch.
Model dilatih selama 3 epoch dengan optimizer Adam dan loss function sparse_categorical_crossentropy.

Hasil Training:

Epoch	Loss	Accuracy	Val_Loss	Val_Accuracy
1	0.6054	77.40%	0.1214	97.41%
2	0.0554	99.04%	0.0174	100%
3	0.0124	99.92%	0.0071	100%

Model menunjukkan kemampuan generalisasi yang tinggi terhadap data validasi.
Kurva Loss dan akurasi menunjukkan tren pelatihan yang sangat baik tanpa overfitting sejauh ini.

Confusion matrix menunjukkan bahwa sebagian besar kelas berhasil diprediksi dengan benar.
Masih terdapat kesalahan klasifikasi antara Kista dan Tumor karena bentuk yang terkadang mirip secara visual pada CT scan.

Keunggulan dan Kelemahan

Kelebihan:

Dataset yang terstruktur baik
Arsitektur CNN cukup sederhana untuk direplikasi
Cocok untuk pembelajaran awal dalam domain medical imaging

Keterbatasan:

Dataset relatif kecil
Belum menggunakan segmentasi area ginjal
Belum mengimplementasikan transfer learning atau model pretrained

Saran dan Pengembangan Lanjutan

Transfer Learning: Gunakan model pretrained seperti VGG16 atau EfficientNet untuk akurasi lebih tinggi.
Segmentasi Ginjal: Gunakan U-Net atau metode segmentasi lain untuk mengekstrak area ginjal sebelum klasifikasi.
Model Ensembel: Gabungkan beberapa model CNN untuk performa lebih stabil.
Augmentasi lebih banyak: Menambah variasi data untuk mengurangi overfitting.
Validasi Klinis: Mengujikan model pada data nyata dari rumah sakit untuk validasi dunia nyata.

Kesimpulan

Proyek ini berhasil mengembangkan model CNN sederhana yang mampu mengklasifikasikan citra CT ginjal ke dalam empat kelas penyakit ginjal dengan tingkat akurasi yang menjanjikan. Dengan pendekatan berbasis deep learning, proses diagnosis dapat dilakukan lebih cepat dan efisien, mendukung dunia medis untuk memberikan perawatan lebih dini dan akurat.

Proyek ini dapat dijadikan fondasi awal untuk sistem diagnosis medis otomatis yang lebih canggih di masa depan dengan integrasi teknologi AI dan data medis yang lebih luas.

Google Colab Projek https://colab.research.google.com/drive/15Tb1Pg4b-yidf7CoiN32T55OK9_uax3z?usp=sharing

DATASET https://1024terabox.com/s/14LIF2mbRI9ZH5yn1gSP-1A