224-313-1-SM

Volume 07/ No.03/ Oktober-Desember/ 2009 Jurnal Ilmiah “Elektrikal Enjiniring” UNHAS

PENENTUAN MORFOLOGI SEL DARAH MERAH (ERITROSIT)

BERBASIS PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN

Elly Warni

Jurusan Teknik Elektro Universitas Hasanuddin

[email protected]

Abstrak

Penelitian ini bertujuan memebuat statu sstem yang dapat menentukan morfologi normal dan abnormal sel

drah merah pada citra digital. Penelitiaan ini menggunakan citra normal dan abnormal sel darah merah yang

berasal dari Lembaga Penelitian ABX dari Montpeller Perancis, jumlah sampel yang digunakan sebanyak 175

sampel yang terbagi atas 105 sampel citra latih dan 70 sampel citra uji, dilakukan secara bertahap, yaitu (1)

pengolahan citra yang meliputi akuisisi citra, grayscale, dan deteksi tepi, (2) ekstraksiciri, dan (3) identifikasi

dengan menggunakan jeringan syaraf tirun yang berupa pelatihan dan pengenalan

Kata Kunci: jeringan syaraf tiruan, pengolahan citra, sel darah merah

I. PENDAHULUAN

Morfologi normal dan abnormal dari sel darah

merah seorang pasien sangat membantu para dokter

dalam mendeteksi suatu penyakit. Pada saat ini, analitis

tentang morfologi sel darah merah yang dilakukan oleh

para dokter dan pihak laboratorium masih dengan cara

konvensional, sehingga tidak selalu sama antara dokter

yang satu dengan yang lainnya. Kondisi fisik,

pengetahuan, ketelitian dan konsentrasi dokter sangat

menentukan hasil analisis, karena dilakukan dengan

pengamatan langsung. Selain hal tersebut diatas, jika sel

darah merah yang akan diketahui morfologi normal dan

abnormalnya cukup banyak, maka akan membutuhkan

banyak waktu dan tenaga. Di lain pihak analisis tersebut,

tidak menghasilkan bukti citra sehingga tidak dapat

dianalisis oleh banyak dokter.

Peran sistem multimedia, misalnya kamera atau

video digital sangat penting untuk mengambil suatu

objek penelitian dalam mengenali suatu objek. Misalnya

berupa gambar atau suara. Data berupa citra yang

diperoleh dari kamera video atau kamera digital akan

melalui tahap pengolahan citra. Pengolahan citra

merupakan metode atau teknik yang dapat digunakan

untuk memproses citra atau gambar dengan jalan

memanipulasinya menjadi data gambar yang diinginkan

atau keperluan analisis selanjutnya. Pengolahan citra

dilakukan dengan menggunakan bantuan komputer.

Jaringan saraf tiruan adalah salah satu representasi

buatan dari otak manusia yang selalu mencoba untuk

mensimulasikan proses pembelajaran pada otak manusia

tersebut. Istilah buatan di sini digunakan karena jaringan

saraf ini diimplementasikan dengan menggunakan

komputer yang mampu menyelesaikan sejumlah proses

perhitungan selama proses pembelajaran.

II. TEORI PENUNJANG

2.1. Sel Darah Merah (Eritrosit)

Fungsi utama dari sel darah merah (eritrosit)

adalah mentransfer hemoglobin. Eritrosit normal

berbentuk bulat atau agak oval dengan diameter 7 – 8

mikron (normosit). Dilihat dari samping, eritrosit

nampak seperti cakram atau bikonkaf dengan sentral

akromia kira-kira ⅓ - ½ diameter sel. Dalam

mengevaluasi morfologi sel darah merah pada sediaan

apus, ada 4 hal yang harus diperlihatkan : 1. bentuknya

(shape), 2. ukurannya (size), 3. warnanya (staining), dan

4. struktur intraselluler (structure). (Patologi klinik,

2006).

a. Morfologi Normal Sel Darah Merah

Eritrosit normal kelihatan bundar dengan

diameter 7,5 µm dengan ketebalan tepi 2 µm. Dari

samping eritrosit kelihatan berbentuk seperti cakram

dengan kedua permukaannya cekung (biconcav disk).

b. Morfologi Abnormal Sel Darah merah Kelainan eritrosit biasanya dinyatakan dengan

perubahan ukuran, bentuk, dan warnanya (atau derajat

hemoglobinnya).

- Kelainan ukuran eritrosit

a. Mikrosit,

b. Makrosit,

- Kelainan Warna Eritrosit

a. Hipokromia

b. Hiperkromik

- Kelainan Bentuk Eritrosit

a. Ecchinocytes

b. Elliptocytes

c. Poikilocytes

d. SchistocytesSickle cell

e. Tear Drop Cell


2.2. Pengolahan Citra Digital

Pengolahan Citra adalah suatu metode atau

teknik yang dapat digunakan untuk memproses citra

atau gambar dengan jalan memanipulasi menjadi data

gambar yang diinginkan untuk mendapatkan informasi

tertentu (Murni, Aniati. 1992).

Dalam pengolahan citra digital, terdapat proses

-proses :

a. Peningkatan mutu citra.

b. Deteksi sisi.

c. Registrasi dan resampling citra.

d. Pemadatan data citra.

e. Pengelompokan pola dan analsis data.

f. Klasifikasi dan segmentasi citra.

2.3. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) atau Artifical

Neural Network (ANN) telah dikembangkan sejak tahun

1940-an. JST merupakan model komputasi terdistribusi

yang meniru cara kerja dan sistem syaraf biologis. Para

peneliti mendapatkan inspirasi arsitektur Jaringan Syaraf

Tiruan ini berdasarkan model otak manusia dan sel-sel

syarafnya. Metode ini berisi proses stimulasi-stimulasi

yang berlangsung dalam otak yang diterjemahkan dalam

bentuk simbol, nilai dan bobot.

JST membentuk hubungan antar unit yang

dibuat menyerupai bentuk sel syaraf. Tiap-tiap sel

mengubah bentuk masukan yang diterima menjadi suatu

bentuk keluaran yang kemudian dikirimkan ke sel

berikutnya. Proses ini dapat dibagi menjadi dua yaitu :

a. Penjumlahan nilai masukan. Nilai masukan

dikalikan dengan suatu nilai bobot interkoneksi

dimana harga masukan pada suatu sel merupakan

keluaran dari sel pada lapiasan sebelumnya. Tiap

harga masukan dari sel-sel sebelumnya kemudian

dijumlahkan. Total dari penjumlahan itu disebut

dengan total input (net input) yang dapat dinyatakan

dalam persamaan 1 :

Netj = N

i

AiWij………………...…..……….(1)

Dimana :

j : indeks yang menyatakan nomor sel pada suatu

layer.

i : indeks yang menyatakan sel keberapa/nomor

sel apada layer sebelumnya.

W : bobot interkoneksi

A : keluaran sel

N : jumlah keseluruhan sel pada suatu layer

b. Total input akan diproses lebih lanjut oleh sebuah

fungsi aktivasi F. Layer menggunakan fungsi

aktivasi sel yang mengubah total input menjadi

sebuah keluaran. Nilai dari fungsi aktivasi sel

tersebut merupakan keluaran dari sel, dan

dirumuskan dalam bentuk :

KELUAR = F ( net )............................................(2)

Gambar 1. Model umum sel Jaringan Syaraf Tiruan (JST)

Fungsi aktivasi biasa juga disebut sebagai

fungsi pemampat. Fungsi pemampat ini merupakan

fungsi yang memampatkan nilai Net sehingga Keluar

tidak pernah melebihi suatu batas rendah tertentu,

berapapun besarnya nilai Net. Fungsi pemampat yang

sering dipilih adalah fungsi logistic atau fungsi sigmoid.

Secara matematis fungsi sigmoid dapat dinyatakan

dengan :

S(x) = xe1

1 .............................................(3)

Bentuk dasar JST terdiri dari tiga lapisan,

yaitu :

Lapisan masukan (input layer), terdiri dari sel-sel

input yang berisi data yang akan diproses dalam

JST.

Lapisan tersembunyi (hidden layer), yang berfungsi

mengolah informasi yang diterima dari input layer,

dengan memperhitungkan nilai bobot interkoneksi

antara input dan hidden layer.

Lapisan keluaran (output layer), berfungsi sebagai

keluaran yang bergantung pada proses di hidden

layer dan nilai bobot antara hidden layer dengan

output layer.

Gambar 2. Model layer pada JST

2.4. Pembelajaran

Untuk dapat menyelesaikan suatu

permasalahan, JST memerlukan logaritma belajar, yaitu

bagaimana sebuah konfigurasi JST dapat dilatih untuk

mempelajari data historis yang ada. Dengan pelatihan

ini, pengetahuan yang terdapat pada data dapat diserap


dan direpresentasikan oleh harga-harga bobot

koneksinya.

Berdasarkan logaritma belajarnya, JST dibagi

menjadi dua macam yaitu :

Supervised (Terawasi)

Pelatihan ini memasangkan setiap vektor masukan

dengan sebuah vektor target yang mempresentasikan

vektor keluaran. Sebuah vektor masukan dibangkitkan

dan keluaran jaringan dihitung dan dibandingkan dengan

vector target yang bersesuaian. Kemudian, selisihnya

(error) diumpan-balikkan (mekanisme feedback) melalui

jaringan dan bobot di ubah serta bobot diatur untuk

setiap vektor, samapi error untuk seluruh rangkaian

pelatihan mencapai tingkat yang dapat diterima.

Unsupervised ( tak terawasi )

Pelatihan ini tidak membutuhkan vektor target untuk

keluarannya, dan karena itu, tak ada perbandingan yang

dilakukan dengan respon ideal yang ditetapkan

sebelumnya. Rangkaian pelatihan hanya berisi vektor

masukan saja. Logaritma pelatihan memodifikasi bobot

jaringan untuk menghasilkan vektor pelatihan atau satu

vector yang serupa dengannya akan menghasilkan pola

keluaran yang sama.

Backpropagation

Metode ini sudah teruji kemampuannya dalam

memberikan pelatihan bagi jaringan yang memiliki

beberapa layer. Metode ini tidak hanya memberikan

bantuan supaya jaringan melakukan tugasnya, tetapi juga

memberikan informasi mengenai error yang terjadi

dalam sistem.

III. PERANCANGAN SISTEM

3.1. Desain Antar Muka

Untuk keperluan perancangan sistem, maka

pada penelitian ini digunakan fasilitas GUI (Graphical

User Interface), yang merupakan salah satu fasilitas

yang disediakan oleh perangkat lunak Matlab 6.5.

Dengan GUI dapat dibuatkan model tampilan

sedemikian rupa yang disesuaikan dengan keperluan

penentuan morfologi sel darah merah.

3.2. Pola Data Referensi

Pada penelitian ini, penentuan morfologi sel

darah merah didasarkan pada bentuk normal dan

abnormal. Untuk itu diperlukan pola yang dikenali

sebagai pola normal dan abnormal, dimana untuk

kondisi abnormal terdapat enam (6) jenis yaitu :

Ecchinocytes, Elliptocytes, Poikilocytes, Schistocytes,

Sickle cell, dan Tear Drop Cell.

Pola data referensi yang berasal dari citra

berukuran 50 x 50 pixel, direduksi menjadi 25 x 25

kotak, yang terdiri atas 2 x 2 pixel setiap kotak. Pola

dalam bentuk bilangan biner ini menjadi vektor input

yang akan dilatihkan ke dalam jaringan sebagai pola data

referensi.

Pembuatan pola data referensi dapat dilihat

pada tabel berikut :

Tabel 1. Pola Data Referensi


3.3. Tahap Pengolahan Citra

3.3.1. Citra Input

Citra input pada penelitian ini berasal dari hasil

pemotretan sel darah merah dengan menggunakan

kamera dan mikroskop khusus, yang berasal dari

lembaga penelitian ABX Montpellier Perancis dan

disimpan dalam format *jpg.

3.3.2. Akuisisi Citra

Proses akuisisi citra ini bertujuan untuk

mengatur citra sedemikian sehingga dapat diproleh satu

gambar sel darah merah baik yang normal maupun

abnormal (dengan berbagai bentuk) sedangkan yang

tidak dimanfaatkan dipotong dengan bantuan Adobe

Photoshop Cs dari windows Xp, dan disimpan dengan

format *bmp dengan ukuran 50 x 50 pixel. Contoh citra

input dapat dilihat pada lampiran A1 sampai A7.

3.3.3. Grayscale

Citra yang telah diakuisisi kemudian diubah

dari bentuk RGB menjadi citra monoktrom atau citra

hitam putih yang dikenal dengan proses grayscale.

Disini, nilai dari tiap pixel berada diantara 0 dan 1 sesuai

dengan derajat keabuannya. Nilai 0 diartikan sebagai

warna hitam dan nilai 1 sebagai warna putih.

Proses grayscale dilakukan untuk melangkah ke

proses selanjutnya yaitu deteksi tepi, karena

pendeteksian tepi tidak dapat dilakukan pada citra RGB.

Proses grayscale ini dimaksudkan agar citra lebih mudah

untuk diinterpretasikan, sehingga citra memiliki

informasi yang lebih mencolok

3.3.4. Deteksi Tepi

Setelah menjalani proses skala keabuan citra sel

darah merah akan mengalami perubahan yang

sebelumnya masih merupakan citra RGB menjadi citra

hitam putih. Citra yang telah digrayscale-kan ini

kemudian akan melewati tahap deteksi tepi citra

Deteksi tepi ini merupakan salah satu proses

pra-pengolahan citra yang dibutuhkan untuk analisis

citra. Proses tersebut bertujuan meningkatkan intensitas

garis tepi pada citra, dimana proses ini akan memperkuat

komponen citra yang berfrekuensi tinggi.

Untuk menghasilkan gambaran tepi tersebut

perlu di golongkan titik-titik yang mana saja pada citra

yang dianggap sebagai tepi citra tersebut. Dalam hal ini

perlu ditentukan nilai ambang dari titik tepi.

G(x,y) > σ maka (x,y) adalah sebuah tepi

G(x,y) < σ maka (x,y) bukanlah sebuah tepi

Pada penelitian ini untuk proses deteksi tepi

digunakan metode Canny edge detection yang

meruapakan salah satu pengembangan dari teknik

deteksi tepi.

3.3.5. Ekstraksi Ciri

Ekstrkasi ciri terdiri atas pembuatan peta vector

pengamatan ke dalam bidang ciri. Vektor ciri kemudian

digunakan untuk menentukan kelas dari vektor

pengamatan. Tujuan utama dari ekstraksi ciri adalah

untuk mereduksi dimensi data dengan tetap

mempertahankan ciri khas atau informasi yang

terkandung di dalam data tersebut.

Pada tahap ekstraksi ciri ini, citra yang telah

ditipiskan dan dideteksi tepinya akan dibuat ke dalam

kelompok – kelompok piksel. Citra yang berukuran 50 x

50 piksel direduksi menjadi 25 x 25 kotak, dimana nilai

setiap kotak adalah 4 pixel yang akan menjadi input bagi

Jaringan Syaraf Tiruan (JST). Perubahan jumlah piksel

berukuran 50 x 50 menjadi kotak ukuran 25 x 25

dilakukan dengan cara membagi citra menjadi 25 baris

dan 25 kolom. Tiap kotak sekarang terdiri dari 4 piksel

yang berukuran 2 x 2 piksel. Manfaat dari mereduksi

data yaitu dapat mengurangi jumlah sel input Jaringan

Syaraf Tiruan (JST), dimana dapat meningkatkan

performansi kerja sistem.

Setelah citra dibagi menjadi 25 x 25 kotak

dengan nilai 4 pixel setiap kotak, dilakukan scanning

piksel perkotak. Scanning perpiksel dilakukan untuk

menghitung jumlah piksel yang bernilai “1”. Kemudian

dibandingkan terhadap suatu nilai ambang untuk

menentukan nilai dari kotak “0” atau “1” untuk mewakili

nilai dari sejumlah piksel dalam satu kotak.

Perbandingannya dapat dilihat sebagai berikut :

Nilai “1” < nilai ambang diberi nilai 0 (tidak

ada garis). Nilai “1” > nilai ambang diberi nilai 1 (ada

garis)

Dari pemberian nilai yang mewakili tiap kotak,

maka data yang ada sekarang merupakan data berukuran

25 x 25. Data inilah yang akan menjadi input dari

Jaringan Syaraf Tiruan (JST), dan kemudian akan

dibandingkan dengan data referensi yang telah ada.

Contoh sederhana dari proses ektraksi ciri ini dapat

dilihat pada Gambar 3 di bawah ini.

Gambar 3

3.4. Tahap Pelatihan

Sebelum JST melakukan proses pengenalan

pada pola yang diinginkan, jaingan harus terlebih dahulu

melalui proses pelatihan. Pola data referensi yang telah

dibuat dijadikan sebagai pasangan input dan target yang

nantinya akan dilatihkan. Proses pelatihan JST untuk

0 1 0

1 1 1

1 0 0


pola pada umumnya berdasarkan metode propagasi

balik.

Proses pelatihan pada metoe propagasi balik

ada tiga tahapan, yaitu: pemberian pola masukan saat

proses pembelajaran, perhitungan dan proses propagasi

balik error, serta pengaturan nilai penimbang atau bobot

antar hubungan. Proses propagasi balik dan pengaturan

bobot antar hubungan bertujuan untuk meminimalisasi

nilai error hingga didapat nilai error yang dapat ditolelir

sesuai dengan yang ditentukan

Struktur dari jaringan propagasi balik yang

digunakan dalam penelitian ini menggunakan 3 (tiga)

lapisan yaitu lapisan masukan (input layer) sebanyak

625 sel, lapisan tersembunyi (hidden layer), dan lapisan

keluaran (output layer) sebanyak 7 sel. Penentuan

jumlah lapisan dan sel tiap lapisan pada lapisan

tersembunyi dilakukan dengan cara mencoba-coba (trial

and error), hingga didapatkan jumlah dengan niai epoch

dan waktu yang seminimal mungkin setelah mencapai

nilai error yang ditentukan.

3.5. Tahap Pengenalan

Proses pengenalan konsisi normal dan abnormal

sel darah merah pada penelitian ini menggunakan

algoritma propagasi balik. Diamna jaringan propagasi

balik dirancang dan dilatih untuk mendeteksi kondisi

normal dan abnormal sel darah merah (eritrosit).

Vektor input bagi JST adalah merupakan vektor

ciri hasil ekstraksi ciri yang berukuran 625 x 1, yang

berasal dari citra dengan ukuran 50 x 50 pixel format

bmp. Vektor target adalah vektor yang berukuran 7 x 1.

Jaringan propagasi balik yang digunakan terdiri

dari tiga layer, yaitu input layer, hidden layer, dan

output layer. Banyaknya lapisan atau layer dan

banyaknya sel pada setiap lapisan sangat menentukan

kinerja dari sebuat JST. Oleh karena itu pemilihan

arsitekstur JST yang akan digunakan untuk proses

pelatihan pengenalan kondisi normal dan abnormal sel

darah merah. Jumlah hidden layer yang digunakan

adalah 1 layer, dimana akan dilakukan dengan perubahan

jumlah neuron hidden layer. Dari hasil pengujian dengan

beberapa neuron hidden layer di peroleh 36 neuron.

IV. KEAKURATAN SISTEM

Dalam mengenali citra normal dan abnormal sel

darah merah (eritrosit), kadang terdapat kesalahan yang

salah satunya diakibatkan karena vekor hasil ekstraksi

ciri dari citra uji agak jauh berbeda dengan data referensi

yang ada. Oleh karena itu keakuratan dari sistem perlu

diketahui untuk mengetahui performansi dari sistem.

Keakuratan Jaringan Syaraf Tiruan (JST) dalam

mengenali morfologi normal dan abnormal sel darah

merah (eritrosit) yang telah dilatihkan dengan

menggunakan data referensi dapat dilihat pada tabel

berikut :

Citra Input Dikenali

sebagai

Hasil

Pengujian

normal1.bmp normal benar










normal1dbmp normal benar

normal3d.bmp normal benar



normal9d.bmp normal benar Tabel 2. Hasil pengujian JST untuk morfologi normal (citra latih)


sebagai

Hasil

Pengujian

ecc3.bmp ecchinocytes benar










ecc5c.bmp ecchinocytes benar



.

.

.

.

.

Y7

X

X

Y

Y.

.

.

.

.

X

Input

Layer Hidden

Layer

Output

Layer



ecc9c.bmp ecchinocytes benar Tabel 3. Hasil pengujian JST untuk morfologi abnormal-

Ecchinocytes (citra latih)


sebagai

Hasil

Pengujian

ellip1.bmp elliptocytes benar








ellip9.bmp ecchinocytes benar

ellip10.bmp ecchinocytes benar

ellip1c.bmp ecchinocytes benar




ellip9c.bmp ecchinocytes benar Tabel 4. Hasil pengujian JST untuk morfologi abnormal- Elliptocytes

(citra latih)

citra input dikenali

sebagai

hasil

pengujian

poikil1.bmp poikilocytes benar

poikil1b.bmp poikilocytes benar

poikil1c.bmp poikilocytes benar




poikil2d.bmp poikilocytes benar




poikil3d.bmp poikilocytes benar




poikil5c.bmp poikilocytes benar Tabel 5. Hasil pengujian JST untuk morfologi abnormal- Poikilocytes

(citra latih)


sebagai

Hasil

Pengujian

schis1.bmp schistocytes benar

schis1c.bmp schistocytes benar

schis1d.bmp schistocytes benar





schis3d.bmp schistocytes benar







schis7c.bmp schistocytes benar Tabel 6. Hasil pengujian JST untuk morfologi abnormal- Schistocytes

(citra latih)


sebagai

Hasil

Pengujian

sickle1.bmp sickle cell benar

sickle1c.bmp sickle cell benar

sickle1e.bmp sickle cell benar












sickle5e.bmp sickle cell benar Tabel 7. Hasil pengujian JST untuk morfologi abnormal- Sickle cell

(citra latih)


sebagai

Hasil

Pengujian

tear1.bmp tear drop cell benar

tear1c.bmp tear drop cell benar



tear2e.bmp tear drop cell benar

tear2f.bmp tear drop cell benar


tear3b.bmp tear drop cell benar







tear7b.bmp tear drop cell benar Tabel 8. Hasil pengujian JST untuk morfologi abnormal- Tear Drop

Cell (citra latih)

Dari hasil pengamatan pada tabel 2, 3, 4, 5, 6, 7,

dsn 8 dapat diketahui bahwa keakuratan sistem untuk

citra normal dan abnormal (Ecchinocytes, Elliptocytes,


Poikilocytes, Schistocytes, Sickle cell, dan Tear Drop

Cell.) dimana hasil ekstraksi cirinya disimpan sebagai

pola data referensi (citra latih) adalah 100 %.

Keakuratan Jaringan Syaraf Tiruan (JST) dalam

mengenali morfologi normal dan abnormal sel darah

merah (eritrosit) yang belum dilatihkan dapat dilihat

pada tabel berikut :


sebagai

Hasil

Pengujian



normal13.bmp elliptocytes salah

normal14.bmp elliptocytes salah






Normal20.bmp normal benar Tabel 9. Hasil pengujian JST untuk morfologi normal (citra uji)

Dari hasil pengamatan pada tabel 4.8 dapat

diketahui bahwa keakuratan sistem untuk citra normal

dimana hasil ekstraksi cirinya tidak disimpan sebagai

pola data referensi (citra latih) adalah :

% keakuratan = ( 1 – (2/10) ) x 100 %

= 80 %


sebagai

Hasil

Pengujian


ecc14.bmp normal salah








ecc22.bmp elliptocytes salah Tabel 10. Hasil pengujian JST untuk morfologi abnormal-

Ecchinocytes (citra uji)

Dari hasil pengamatan pada Tabel 10 dapat

diketahui bahwa keakuratan sistem untuk citra

abnormal-ecchinocytes dimana hasil ekstraksi cirinya

tidak disimpan sebagai pola data referensi (citra latih)

adalah :

% keakuratan = ( 1 – (4/10) ) x 100 %

= 60 %


sebagai

Hasil

Pengujian

ellip1c.bmp elliptocytes benar






ellip7c.bmp normal salah



ellip10c.bmp elliptocytes benar Tabel 11. Hasil pengujian JST untuk morfologi abnormal- Elliptocytes

(citra uji)

Dari hasil pengamatan pada tabel 11 dapat


abnormal-elliptocytes dimana hasil ekstraksi cirinya


adalah :

% keakuratan = ( 1 – (1/10) ) x 100 %

= 90 %


sebagai

Hasil

Pengujian

poikil1a.bmp elliptocytes salah


poikil2a.bmp poikilocytes benar







poikil5b.bmp poikilocytes benar Tabel 12. Hasil pengujian JST untuk morfologi abnormal- Poikilocytes

(citra uji)



abnormal-poikilocytes dimana hasil ekstraksi cirinya


adalah :

% keakuratan = ( 1 – (1/10) ) x 100 %

= 90 %


sebagai

Hasil

Pengujian

schis1a.bmp schistocytes benar

schis1b.bmp schistocytes benar

schis2b.bmp tear drop cell salah

schis3b.bmp poikilocytes salah





schis6a.bmp schistocytes benar


schis6c.bmp schistocytes benar Tabel 13. Hasil pengujian JST untuk morfologi abnormal- Schistocytes

(citra uji)



abnormal-schistocytes dimana hasil ekstraksi cirinya


adalah :

% keakuratan = ( 1 – (2/10) ) x 100 %

= 80 %


sebagai

Hasil

Pengujian

sickle6a.bmp sickle cell benar

sickle6b.bmp sickle cell benar


sickle6d.bmp sickle cell benar


sickle6f.bmp tear drop cell salah

sickle6g.bmp sickle cell benar

sickle6h.bmp elliptocytes salah

sickle6i.bmp sickle cell benar

sickle6j.bmp tear drop cell salah Tabel 14. Hasil pengujian JST untuk morfologi abnormal-Sickle cell

(citra uji)



abnormal-sickle cell dimana hasil ekstraksi cirinya tidak

disimpan sebagai pola data referensi (citra latih) adalah :

% keakuratan = ( 1 – (3/10) ) x 100 %

= 70 %


sebagai

Hasil

Pengujian

tear1a.bmp tear drop cell benar

tear1d.bmp tear drop cell benar

tear1e.bmp tear drop cell benar

tear1f.bmp tear drop cell benar

tear3a.bmp sickle cell salah

tear3b.bmp sickle cell salah

tear3d.bmp tear drop cell benar



tear6b.bmp tear drop cell benar Tabel 15. Hasil pengujian JST untuk morfologi abnormal-Tear Drop

Cell (citra uji)



abnormal-tear drop cell dimana hasil ekstraksi cirinya


adalah :

% keakuratan = ( 1 – (2/10) ) x 100 %

= 80 %

a. Kecepatan Sistem

Pengujian kecepatan sistem dalam menentukan

penentuan morfologi normal dan abnormal sel darah

merah (eritrosit), dilakukan dengan menghitung waktu

yang dibutuhkan oleh sistem untuk dapat mengenali citra

yang diinputkan padanya.

Tabel 4.15 memperlihatkan hasil pengujian kecepatan

sistem dalam menentukan morfologi normal dan

abnormal sel darah merah (eritrosit),

Proses Waktu (detik)

Pengambilan Gambar 4,020

Grayscale 0,010

Deteksi Tepi 0,053

Ekstraksi Ciri 0,085

Pelatihan 3,750

Pengenalan 0,950

Total Waktu 13,868 Tabel 16. Hasil pengujian Kecepatan Sistem

Dari tabel 16 diperoleh total waktu yang

diperlukan oleh sistem untuk dapat menentukan

morfologi normal dan abnormal sel darah merah

(eritrosit) adalah 13,868 detik

b. Peningkatan Akurasi Sistem

Untuk menambah akurasi sistem penentuan

morfologi sel darah merah (eritrosit), maka dilakukan

pembelajaran kembali untuk sistem dengan

menggunakan citra latih yang berasal dari citra uji yang

tidak berhasil dikenali oleh sistem.


sebagai

Hasil

Pengujian










schis2b.bmp poikilocytes salah

sickle6f.bmp tear drop cell salah

sickle6h.bmp sickle cell benar

sickle6j.bmp sickle cell benar


tear3a.bmp tear drop cell benar

tear3a.bmp sickle cell salah Tabel 17. Hasil pengujian JST untuk citra latih yang berasal dari citra

uji yang tidak berhasil dikenali oleh sistem

Dari hasil pengujian tersebut, diperoleh

keakuratan sistem sebagai berikut :

Citra Keakuratan

normal 100%

ecchinocytes 80%

elliptocytes 100%

poikilocytes 100%

schistocytes 90%

Sickle cell 90%

Tear drop cell 90% Tabel 18. Hasil Keakuratan Sistem

Tabel 18 diatas menunjukkan bahwa hasil

keakuratan sistem setelah dilakukan pelatihan kembali

untuk citra uji yang tidak dapat dikenali oleh sistem

sebelumnya adalah antara 80-100% dengan nilai rata-

rata 92,85 %

V. KESIMPULAN

Pada pembuatan sistem penentuan morfologi

normal an abnormal sel darah merah, Untuk proses

deteksi tepi dengan menggunakan metode canny pada

citra sel darah merah, nilai ambang yang paling baik

adalah 0,98. Proses ekstraksi ciri merupakan proses

mereduksi data yang berukuran 50 x 50 pixel menjadi 25

x 25 kotak, dimana setiap kotak berisi 4 pixel. Dengan

tujuan tetap mempertahankan keaslian informasi pada

data, maka nilai ambang pada proses scanning pixel

adalah 1. Pada proses pelatihan JST, hidden layer yang

digunakan adalah satu lapis dengan jumlah hidden

neuron 36. Proses pengenalan dilakukan dengan

membandingkan hasil ekstraksi ciri dari masing-masing

input dengan pola data referensi. Pada penelitian ini hasil

keakuratan untuk citra yang dijadikan sebagai pola data

referensi adalah 100%, sedangkan untuk citra yang uji

diperoleh sekitar 60 – 90 %, dengan nilai rata-rata

keakuratan 78,33 %. Setelah dilakukan

DAFTAR PUSTAKA

1. Murni, Aniati (1992), Pengantar Pengolahan Citra,

PT Elex Media Kompuindo, Jakarta

2. Patologi Klinik, Laboratorium (2002), Diktat

Hematologi 2002. Fakultas Kedokteran, Universitas

Hasanuddin.

3. Siregar H, Yusuf I, Gani A (1995), Fisiologi Sel dan

Cairan Tubuh, Bagian Ilmu Faal Fakultas

Kedokteran, Universitas Hasanuddin.

4. Riyanto, Sigit (2001), Implementasi Jaringan Syaraf

Tiruan untuk Mendeteksi Golongan Darah Manusia

dengan Menggunakan Pengolahan Citra,

http://newserver.eepis-its.edu/~riyanto/golda.html,

diakses Maret 2007

5. Stergio, Christos, Neural Network, The Human

Brain and Learning.

http://www.doc.ic.ac.uk/~nd/suprise

96/journal/vol2/cs11/article2.html, diakses Maret

2007

6. Arham Z, Ahmad U (2004), Evaluasi Mutu Jeruk

Nipis (citrus Aurantifolia Swingle) dengan

pengolahan citra Digital dan Jaringan Syaraf Tiruan,

Prosiding Semiloka Teknologi Simulasi dan

Komputasi serta Aplikasi 2004.

7. Puspitaningrum, Diyah (2006), Pengantar Jaringan

Syaraf Tiruan, Andi, Yogyakarta.

8. Siang, Jong Jek (2005), Jaringan Syaraf Tiruan dan

Pemrogramannya Menggunakan Matlab, Andi,

Yogyakarta.

9. L. Fausett (1997), Artificial Neural Network,

McGRAW-HILL INT

10. Adri Kristanto (2004), Jaringan Syaraf Tiruan :

Konsep Dasar, Algoritma, dan Aplikasi, Gava

Media, Yogyakarta.

11. Dacie John V, Lewis S M (1996), Practical

Haematology, International Student Edition,

Churchill Livingstone Inc

http://newserver.eepis-its.edu/~riyanto/golda.html

http://www.doc.ic.ac.uk/~nd/suprise%2096/journal/vol2/cs11/article2.html

http://www.doc.ic.ac.uk/~nd/suprise%2096/journal/vol2/cs11/article2.html

Documents

224-313-1-SM