(2.2) Gambar 3 Proses filling holes pada citra [22]

Implementasi Jaringan Saraf Tiruan Sebagai Alat Bantu Identifikasi Anemia pada Citra Sel Darah Merah Implementation of Neural Networks as a Tool to Help Identify Anemia Using Image of Red Blood Cells 1,2,3

Osmalina Nur Rahma1,a, Delima Ayu Saraswati2,b, Suhariningsih3,c Program Studi S1 Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga, Surabaya. a [email protected], [email protected], [email protected]

Abstrak- Anemia defisiensi besi (ADB) termasuk dalam anemia mikrositik hipokromik karena memiliki ukuran sel darah merah lebih kecil dari ukuran normal dan memiliki Hemoglobin (Hb) lebih rendah dari normal yang timbul akibat berkurangnya penyediaan besi untuk eritropoesis (proses pematangan sel darah merah). Penelitian berjudul “Implementasi Jaringan Saraf Tiruan Sebagai Alat Bantu Identifikasi Anemia pada Citra Sel Darah Merah” mencoba melakukan analisis otomatis berdasarkan citra sel darah sebagai upaya untuk membantu mempermudah pemeriksaan laboratorium dalam mengidentifikasi ADB dengan biaya yang lebih murah dibanding alat analisa darah otomatis. Penelitian ini terdiri dari dua tahapan program. Tahap pertama, yaitu program untuk identifikasi anemia mikrositik hipokromik diawali dengan pengolahan citra digital (pre-processing, segmentasi dan operasi morphologi) untuk mendapatkan fitur area sel darah merah dan fitur area akromia sentral sebagai masukan jaringan saraf tiruan (JST) model Perceptron. Tahap kedua, yaitu program deteksi sel darah berbentuk pensil/pipih untuk mengidentifikasi ADB. Program deteksi sel pensil diawali dengan pengolahan citra digital (pre-processing, segmentasi dan operasi morphologi) untuk mencari nilai eksentrisitas sel darah yang digunakan sebagai masukan JST Perceptron. Nilai akurasi untuk identifikasi ADB dengan menggunakan JST Perceptron adalah sebesar 92.3%. Kata Kunci— Jaringan syaraf tiruan, Perceptron, Anemia Defisiensi Besi (ADB), Pengolahan Citra. Abstract- Iron deficiency anemia (IDA) included in microcytic hypochromic anemia due to red blood cell has a size smaller than normal and has a hemoglobin (Hb) lower than normal which arise due to reduced supply of iron for erythropoiesis (red blood cell maturation process). The study entitled "Implementation of Neural Networks as a Tool to Help Identify Anemia Using Image of Red Blood Cells" is trying to perform automatic image analysis of blood cells in an effort to facilitate laboratory tests in identifying IDA with a lower cost than the automated blood analyzer. The study consisted of two phases of program. The first program for identifying hypochromic microcytic anemia begins with image processing (pre-processing, segmentation and morphological operations) to get the red blood cell area features and the central akromia area features as input for neural network (NN) models Perceptron. The second program is a detection of pencil-shape blood cells for identifying IDA. Detection of pencil-shape blood cells begins with image processing (pre-processing, segmentation and morphological operations) to find the value of blood cells’s eccentricity that used as input for NN models Perceptron. The accuracy for the identification of IDA using NN models Perceptron is equal to 92.3%. Keywords— Neural Networks, Perceptron, Iron Deficiency Anemia, image processing.

I.

PENDAHULUAN

Salah satu jenis anemia yang banyak dijumpai di negara-negara berkembang adalah anemia defisiensi besi (ADB). Anemia defisiensi besi (ADB) termasuk dalam anemia mikrositik hipokromik karena memiliki ukuran sel darah merah lebih kecil dari ukuran normal dan memiliki kadar Hemoglobin (Hb) lebih rendah dari normal [8]. Pemeriksaan laboratorium untuk tes deteksi anemia sebagian masih menggunakan perhitungan manual dan sebagian telah menggunakan alat analisa darah otomatis. Pemeriksaan laboratorium dengan perhitungan manual yaitu analisa CBC (Complete Blood Cell) dilakukan oleh dokter atau teknisi laboratorium dengan melihat sampel darah di bawah mikroskop. Analisis yang dilakukan di bawah mikroskop membutuhkan waktu yang lebih lama dan konsentrasi yang lebih tinggi dalam menganalisa sel darah. Selain itu hasil analisa tidak memiliki bukti citra sehingga

tidak dapat dianalisis oleh banyak dokter. Sedangkan pemeriksaan laboratorium otomatis analisa darah dilakukan secara otomatis oleh alat (blood analyzer), sehingga prosesnya lebih cepat namun kelemahannya adalah harganya yang relatif mahal. Sebagai upaya otomatisasi dalam menganalisis sel darah telah dilakukan beberapa penelitian dengan menggunakan pengolahan digital dan jaringan saraf tiruan, diantaranya adalah Diaz Hartadi [7], Laila Madyo Aprilianti dan Koredianto Usman [2] menghitung jumlah sel darah merah tanpa mengarah pada klasifikasi suatu penyakit. Marlina Eva Riyanti [15] mendeteksi dan mengklasifikasi penyakit anemia hemolitik, anemia hemoglobinopati dan anemia defisiensi besi berdasarkan bentuk sel darah merah menggunakan pengolahan citra digital. Elly Warni [25] dan Zulkifli Tahir, dkk [21] membedakan citra sel darah normal dan abnormal menggunakan pengolahan citra digital dan jaringan saraf tiruan berdasarkan morfologi bentuk sel darah merah.

Beberapa penelitian tersebut menjadi dasar dilakukannya penelitian ini sebagai upaya untuk membantu mempermudah pemeriksaan laboratorium dalam mengidentifikasi anemia defisiensi besi dengan biaya yang lebih murah dibanding alat analisa darah otomatis. Penelitian ini terdiri dari dua tahapan program. Tahap pertama, yaitu program untuk identifikasi anemia mikrositik hipokromik diawali dengan pengolahan citra digital (preprocessing, segmentasi dan operasi morphologi) untuk mendapatkan fitur area sel darah merah dan fitur area akromia sentral sebagai masukan jaringan saraf tiruan (JST) model Perceptron. Tahap kedua, yaitu program deteksi sel darah berbentuk pensil/pipih untuk mengidentifikasi ADB. Program deteksi sel pensil diawali dengan pengolahan citra digital (pre-processing, segmentasi dan operasi morphologi) untuk mencari nilai eksentrisitas sel darah yang digunakan sebagai masukan JST Perceptron. II. DASAR TEORI A. Anemia Defisiensi Besi Anemia defisiensi besi (ADB) adalah kondisi kurangnya sel darah merah dan hemoglobin akibat berkurangnya penyediaan besi untuk eritropoesis (pembentukan sel darah merah) [17]. Bentuk eritrosit yang biconcav menyebabkan hemoglobin terkumpul lebih banyak di bagian tepi sel. Oleh sebab itu, bagian tepi eritrosit kelihatan lebih merah (okisifilik) dari bagian sentralnya. Bagian sentral yang kelihatan lebih pucat disebut akromia sentral. Akromia sentral pada sel darah merah normal memiliki luas antara 1/3-1/2 kali diameter [21]. Akromia Sentral

B. Thresholding Proses threshold akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan (hitam dan putih). Secara umum proses pengambangan citra warna atau citra grayscale untuk menghasilkan citra biner adalah sebagai berikut: [14] .... (2.1) Dengan g(x,y) adalah citra biner dari citra warna atau citra grayscale f(x,y), dan T menyatakan nilai ambang (threshold). C. Operasi Morphologi Pengolahan citra morphologi adalah cara untuk mengekstraksi atau memodifikasi informasi tentang bentuk dan struktur objek di dalam gambar [5]. 1. Operasi Clear Border Clear border adalah aplikasi rekonstruksi morphologi untuk membersihkan border obyek ini digunakan untuk menghilangkan noise-noise kecil yang menyentuh border citra. [14]. 2. Operasi Filling Holes Filling holes ini digunakan untuk mengisi bagian tengah yang berlubang. Agar dapat mengisi lubang, titik di setiap lubang (holes), fm, diberi nilai 1 (untuk citra biner) disemua titik sampai mencapai tepi border, 1- f [6]. .... (2.2)

Akromia Sentral

Gambar 3 Proses filling holes pada citra [22] Gambar 1 Perbandingan luas akromia sentral pada sel darah normal dan sel darah hipokromik (kadar Hb rendah) ADB termasuk dalam anemia mikrositik hipokromik sehingga memiliki ukuran sel lebih kecil dari ukuran sel darah normal serta kadar hemoglobin yang lebih rendah dari kadar hemoglobin normal. Oleh karena itu akromia sentral sel darah merah ADB lebih lebar dibanding akromia sentral sel darah normal. Selain itu pada penderita ADB, umumnya memiliki beberapa sel darah merah yang berbentuk pensil atau disebut elliptocytes [3].

D. Perceptron Perceptron termasuk salah satu bentuk jaringan saraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikana suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linier [9]. Garis pemisah antar daerah positif dengan daerah nol memilki pertidaksamaan : w1x1 +w2x2 + b > θ .... (2.3) Garis pemisah antar daerah negatif dengan daerah nol memilki pertidaksamaan : w1x1 +w2x2 + b < -θ .... (2.4) x1

w1

x2

w2

xn

wn

Fungsi jumlah

Threshold/ bias

wm bobot

Gambar 2 Hapusan darah penderita ADB yang menunjukkan elliptocytes [3]

Fungsi aktivasi

1

Gambar 4 Perceptron sebagai kosep dasar jaringan saraf tiruan

Secara sistematis pemrosesan informasi pada Perceptron dirumuskan oleh persamaan fungsi jumlah dan persamaan fungsi aktivasi step bipolar:

B. Perancangan Program

n

y   xi w j   i 1

III. METODOLOGI A. Pengumpulan Data Proses pengumpulan data dilakukan dengan mengcapture preparat hapusan darah menggunakan mikroskop digital yang langsung terhubung ke komputer/laptop. Sampel hapusan darah diperoleh melalui Laboratorium klinik Prodia dan data penelitian terdahulu, yaitu penelitian Marlina Eva Riyanti yang berjudul “Deteksi Dan Klasifikasi Penyakit Anemia (Defisiensi Besi, Hemolitik Dan Hemoglobinopati) Berdasarkan Struktur Fisis Sel Darah Merah Menggunakan Pengolahan Citra Digital.” Jumlah keseluruhan data sebanyak 68 citra, yang terdiri dari 38 citra sel darah merah penderita anemia mikrositik hipokromik dan 30 citra sel darah bukan penderita mikrositik hipokromik. Dari 38 citra sel darah merah penderita anemia mikrositik hipokromik tersebut terdapat 8 citra yang termasuk dalam sel darah penderita ADB. Masing-masing data tersebut kemudian di crop untuk mendapatkan 4 citra sel darah merah tunggal pada tiap data. Sehingga total data menjadi 272 citra, terdiri dari 152 citra sel darah penderita mikrositik hipokromik dan 120 citra sel darah bukan penderita anemia mikrositik hipokromik.

Gambar 5 Jumlah keseluruhan data

Gambar 6 Alur rancangan program C. Perhitungan Area Sel Darah Merah Tahap perhitungan area sel darah merah diawali dengan proses konversi citra grayscale menjadi citra biner menggunakan thresholding. Proses thresholding menyebabkan sel darah merah berlubang, oleh karena itu dilakukan proses filling holes untuk mengisi bentuk sel yang berlubang [11]. Setelah lubang terisi, kemudian dihitung jumlah seluruh piksel sel darah merah (piksel berwarna putih) untuk mendapatkan area sel darah merah. D. Perhitungan Area Akromia Sentral Tahap perhitungan area sel darah merah diawali dengan proses konversi citra grayscale menjadi citra biner menggunakan thresholding. Proses thresholding dapat membedakan area sel darah merah dengan area akromia sentralnya, namun area akromia sentral tidak dapat langsung dihitung karena memiliki warna yang sama dengan background. Fitur area akromia sentral didapatkan dengan menghitung jumlah piksel area cincin sel darah merah yang berwarna putih atau jumlah piksel sel darah merah sebelum dilakukan filling holes. Fitur area akromia sentral dapat diketahui dengan mengurangi area sel darah merah dengan area cincin. Area akromia sentral menunjukkan besarnya kadar hemoglobin dalam darah. E. Penenetuan Anemia Defisiensi Besi Fitur hasil pengolahan citra menjadi input untuk JST Perceptron. Citra sel darah merah tunggal akan diidentifikasi oleh jaringan saraf tiruan Perceptron menjadi kelompok sel darah penderita anemia mikrositik hipokromik dan sel darah bukan penderita anemia mikrositik hipokromik. Hasil identifikasi JST akan menunjukkan sel darah tidak menderita anemia defisiensi besi (bukan ADB) bila sel darah tersebut bukan merupakan anemia mikrositik

hipokromik. Hasil identifikasi yang menunjukkan sel darah pasien merupakan sel darah anemia mikrositik hipokromik, akan dilanjutkan dengan pencarian sel darah merah berbentuk pensil menggunakan JST Perceptron. Proses pencarian sel darah berbentuk pensil untuk identifikasi sel darah merah ADB dan bukan ADB dilakukan dengan mendeteksi sel darah berbentuk pensil pada citra sel darah merah sebelum proses croping. Pendeteksian sel berbentuk pensil diawali dengan thresholding untuk memisahkan (segmentasi) sel darah merah dengan background kemudian dilanjutkan dengan operasi morphologi clear border untuk menghilangkan noise dan operasi morphologi filling holes untuk mengisi lubang akibat proses thresholding. Proses pelabelan komponen digunakan untuk mencari nilai eksentrisitas masing-masing sel darah merah. Nilai eksentrisitas tersebut digunakan sebagai masukan JST Perceptron untuk mengidentifikasi anemia defisiensi besi (ADB). Keberadaan sel berbentuk pensil menunjukkan bahwa sel darah tersebut adalah sel darah penderita anemia defisiensi besi (ADB).

IV. HASIL DAN PEMBAHASAN A. Hasil Pengolahan Data Citra digital preparat sel darah merah yang diperoleh dari hasil captrue di crop sehingga didapatkan citra sel darah merah tunggal. Citra sel darah tunggal di proses menggunakan pengolahan digital, meliputi: grayscale, segmentasi dan operasi morphologi untuk mendapatkan nilai fitur sebagai masukan JST Perceptron 1. Pre-Processing Pre-processing ini meliputi proses greyscale menggunakan MATLAB yang bertujuan untuk mengubah citra RGB menjadi citra yang memiliki derajat keabuan 0255.

Gambar 10 (a) Citra RGB, (b) Citra greyscale 2. Segmentasi Proses selanjutnya adalah citra disegmentasi untuk memisahkan sel darah merah dengan background citra. Segmentasi dilakukan dengan memberikan nilai ambang (threshold) tertentu sehingga menghasilkan citra biner, yaitu citra yang memiliki nilai 0 (hitam) dan 1 (putih).

Gambar 7 Hasil proses segmentasi 3. Operasi Morphologi Operasi morphologi yang digunakan dalam penelitian ini adalah operasi clear border dan operasi filling holes. Operasi clear border diperlukan untuk menghilangkan citra yang tidak butuhkan yang menempel atau bersinggungan dengan border citra hasil proses croping. Contoh penggunaan clear border pada penelitian ini adalah seperti gambar 9

Gambar 8 (a) Hasil croping, (b) Hasil Segmentasi, (c) Hasil proses clear border Operasi morphologi selanjutnya adalah operasi filling holes. Operasi filling holes dibutuhkan untuk melakukan penghitungan ukuran atau area sel darah merah dan area akromia sentral.

Gambar 9 (a) Hasil segmentasi yang telah melalui proses clear border, (b) Hasil proses filling holes Proses filling holes dilanjutkan dengan perhitungan area sel darah merah dan area akromia sentral, yaitu dengan menghitung jumlah piksel warna putih. Area akromia sentral dapat diketahui dengan mengurangkan hasil perhitungan ukuran sel darah merah dengan jumlah piksel warna putih sebelum proses filling holes. B. Proses Identifikasi Anemia Mikrositik Hipokromik Fitur yang digunakan untuk pelatihan jaringan Perceptron dalam mengidentifikasi anemia mikrositik hipokromik adalah fitur area sel darah merah, fitur area akromia sentral dan perbandingan fitur ukuran sel darah merah dengan fitur area akromia sentral. 1. Pelatihan JST untuk Identifikasi Anemia Mikrositik Hipokromik Data yang digunakan pada proses pelatihan JST untuk identifikasi anemia mikrositik hipokromik sebanyak 180 data citra sel darah merah tunggal, yang terdiri dari 100 citra sel darah penderita mikrositik hipokromik dan 80 citra sel darah bukan penderita mikrositik hipokromik. Tabel 1 menunjukkan data hasil pelatihan jaringan Perceptron untuk identifikasi anemia mikrositik hipokromik. Tabel 1 Hasil pelatihan jaringan Perceptron Laju pembelajaran

Error

0.1 0.5 1

0.000001 0.0001 0.01

w1

w2

-19.5 260.5 -97.5 1302.5 -195 2605

w3

b

epoh

0.2537 1.2688 2.5376

0.4 2 4

17 17 17

Proses pelatihan menghasilkan nilai w1, w2, w3 dan b, masing-masing adalah bobot akhir dari fitur pertama, bobot akhir dari fitur kedua, bobot akhir dari fitur ketiga dan bobot akhir bias. Bobot-bobot akhir tersebut nantinya akan digunakan dalam proses pengujian. Akurasi proses pelatihan mencapai 100% 2. Pengujian JST untuk Identifikasi Anemia Mikrositik Hipokromik Data yang digunakan untuk proses pengujian sebanyak 92 data, terdiri dari 40 citra bukan penderita mikrositik hipokromik dan 52 citra bukan penderita mikrositik hipokromik.

Bobot fitur dan bobot bias yang digunakan dalam proses pengujian jaringan Perceptron ini adalah bobot akhir fitur dan bobot akhir bias yang diperoleh dari proses pelatihan atau pembelajaran. Hasil pengujian jaringan Perceptron untuk identifikasi anemia mikrositik hipokromik dapat dilihat pada tabel 2. Tabel 2 Hasil pengujian jaringan Perceptron Laju pembelajaran Error akurasi 0.1 0.01 92.3913% 0.5 0.0001 92.3913% 1 0.000001 92.3913% Proses pengujian menunjukkan bahwa dari 92 data yang diuji, terdapat 85 data yang benar dan 7 data yang salah, sehingga tingkat akurasi jaringan Perceptron adalah 92.3913%.

1C. PROSES IDENTIFIKASI ANEMIA DEFISIENSI BESI (ADB) Proses identifikasi Anemia Defisiensi Besi (ADB) dilakukan dengan mendeteksi sel berbentuk pensil. Proses ini diawali dengan proses croping. Cropping yang dilakukan bukan untuk mencari sel darah tunggal melainkan hanya untuk menghilangkan lingkaran hitam hasil bayangan lensa mikroskop. Proses dilanjutkan dengan grayscale dan segmentasi. Segmentasi dilakukan dengan menggunakan threshold metode otsu pada toolbox matlab. Operasi morphologi clear border dibutuhkan untuk menghilangkan noise dan menghilangkan citra yang tidak perlu yang menempel pada border citra kemudian dilakukan filling holes untuk mengisi lubang yang ditimbulkan akibat proses segmentasi. Deteksi atau pencarian sel berbentuk pensil dilakukan dengan menggunakan JST Perceptron berdasarkan nilai eccentricity sel darah merah. Pencarian nilai eccentricity tiap sel darah merah membutuhkan operasi pelabelan komponen. Dengan pelabelan komponen ini ciriciri mendasar dari masing-masing sel darah merah dapat dihitung. Nilai eksentrisitas sel darah merah merah dapat diketahui dengan toolbox matlab berikut : properties = regionprops(labeledImage, 'eccentricity'); eccentricities = [props.Eccentricity]; Proses Deteksi sel darah merah berbentuk pensil dapat dilihat pada gambar 11 dan 12.

Gambar 11 Deteksi sel pensil pada sel darah ADB

Gambar 12 Deteksi sel pensil pada sel darah bukan ADB Data input merupakan data hasil crop, sedangkan data biner adalah data hasil proses grayscale yang

dilanjutkan dengan proses segmentasi, operasi clear border, operasi filling holes dan pelabelan komponen. Gambar 4.6 menunjukkan adanya sel darah merah yang berbentuk pensil sehingga dinyatakan sebagai sel darah penderita ADB, sedangkan pada gambar 4.7 tidak terdapat sel darah merah yang berbentuk pensil sehingga sel darah tidak dinyatakan sebagai sel darah penderita ADB (bukan ADB). 1. Pelatihan JST untuk Identifikasi Anemia Defisiensi Besi (ADB) Data yang digunakan pada proses pelatihan JST untuk proses deteksi sel pensil dalam mengidentifikasi anemia defisiensi besi (ADB) adalah 25 citra anemia mikrositik hipokromik sebelum proses croping, yang terdiri dari 5 citra ADB dan 20 citra bukan ADB. Data masukan untuk proses pelatihan deteksi sel pensil adalah nilai eccentricity sel darah merah. Tabel 3 menunjukkan data hasil pelatihan jaringan Perceptron untuk deteksi sel pensil dalam mengidentifikasi ADB. Tabel 3 Hasil pelatihan jaringan Perceptron Laju Error w b epoh pembelajaran 0.1 0.000001 0.10524 -0.1 3 0.5 0.0001 0.5262 -0.5 3 1 0.01 1.0524 -1 3 Bobot akhir dan bobot bias tersebut nantinya akan digunakan dalam proses pengujian. Proses pengujian dilakukan untuk mendapatkan tingkat akurasi dengan menguji kecocokan hasil identifikasi JST terhadap data target yang merupakan hasil diagnosa dari lab. 2. Pengujian JST untuk Identifikasi Anemia Defisiensi Besi (ADB) Proses pengujian jaringan Perceptron untuk proses deteksi sel pensil dalam mengidentifikasi anemia defisiensi besi (ADB) sama dengan proses pengujian data pelatihan, namun data yang digunakan pada proses pengujian jaringan Perceptron berbeda dengan data untuk pelatihan. Data yang digunakan untuk proses pengujian sebanyak 13 data, terdiri dari 3 citra sel darah penderita ADB dan 10 citra sel darah bukan penderita ADB Bobot dan bobot bias yang digunakan dalam proses pengujian jaringan Perceptron ini adalah bobot akhir dan bobot akhir bias yang diperoleh dari proses pelatihan. Hasil pengujian jaringan Perceptron untuk deteksi sel pensil dalam mengidentifikasi ADB dapat dilihat pada tabel 4. Tabel 4 Hasil pengujian jaringan Perceptron Laju pembelajaran Error akurasi 0.1 0.01 92.3077% 0.5 0.0001 92.3077% 1 0.000001 92.3077% Dari 13 citra anemia mikrositik hipokromik sebelum proses croping, didapatkan hasil pengujian bahwa hanya 1 data yang tidak sesuai dengan target hasil diagnosa dari lab. Sehingga hasil akurasi pendeteksian sel darah berbentuk pensil ini mencapai 92.3077%. V. KESIMPULAN Fitur area sel darah merah dan fitur area akromia sentral diketahui dengan menghitung jumlah piksel citra

yang berwarna putih. Fitur area sel darah merah dibandingkan dengan fitur area akromia sentral sehingga diperoleh nilai perbandingan fitur. Nilai fitur area sel darah, fitur area sentral dan perbandingan fitur digunakan sebagai masukan JST Perceptron utuk mengidentifikasi anemia mikrositik hipokromik. Selanjutnya dilakukan proses deteksi atau pencarian sel berbentuk pensil menggunakan JST Perceptron berdasarkan nilai eccentricity sel darah merah untuk mengidentifikasi ADB. Sel darah yang memiliki sel berbentuk pensil merupakan penderita anemia defisiensi besi (ADB). Nilai akurasi untuk identifikasi ADB mencapai 92.3%. JST Perceptron dapat diimplementasikan untuk mengidentifikasi ADB, namun karena akurasi program kurang dari 95% maka penelitian ini masih belum dapat diimplementasikan dalam bidang medis. Penambahan fitur serta penambahan jumlah data dibutuhkan dalam penelitian mendatang untuk mendapatkan hasil yang lebih optimal. UCAPAN TERIMA KASIH Terima Kasih kepada Laboratorium dan Klinik Prodia, Marlina Eva Riyanti serta semua pihak yang turut membantu dalam penelitian ini.

[16]

[17]

[18]

[19] [20]

[21]

[22] [23]

[24]

DAFTAR PUSTAKA [1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi Pertama. Yogyakarta: Graha Ilmu. ISBN:979-756-072-6 [2] Aprilianti, Laila Madyo. Usman, Koredianto. Nugroho, Hertog. 2008. Perhitungan Sel Darah Merah berbasis Pengolahan Citra Digital. Prosiding Seminar Nasional IV UTY. Yogyakarta. [3] Bain, Barbara J. 2006. Blood Cells: a Practical Guide. 4th Edition. Blackwell Publishing, Inc. ISBN-13: 978-1-4051-4265-6. [4] Chen Wu, Ann. Lesperance, Leann. Bernstein, Henry. 2002. Article hematology: “Screening for Iron Deficiency”. Pediatrics in Review Vol.23 No.5 May 2002 . page 171-177. [5] Dougherty, Geoff. 2009. Digital Image Processing for Medical Applications. Published in the United States of America by Cambridge University Press, New York. ISBN-13 978-0-511-53343-3 [6] Gonzales, Rafael C. and Wood, Richard E. 2002. Digital Image Processing. Second edition. Upper Saddle River, New Jersey 07458: Prentice-Hall,Inc. ISBN : 0-201-18075-8 [7] Hartadi, Diaz dan Sumardi, R.Rizal Isnanto. 2004. Simulasi Perhitungan Sel Darah Merah. Transmisi, Vol.8 No.2 Hal.1-6. [8] Hove,L.Van,. Schisano,T,.Brace,L. 2000. Anemia Diagnosis, Classification, and Monitoring Using Cell-Dyn Technology Reviewed for the New Millennium. Laboratory Hematology 6:93-108. Carden Jennings Publishing Co. [9] Kusumadewi, Sri. 2004. Membagun Jaringan Syaraf Tiruan Menggunakan Matlab&Excel Link. Yogyakarta: Graha Ilmu. ISBN :979-3289-91-0 [10] McConnell, Thomas H. 2007. The Nature of Disease Pathology for the Health Professions. Philadelphia,PA. Lippincott Wiliams & Wilkins. ISBN-13: 978-0-7817-5317-3. [11] Pamungkas, Adi. 2012. Perhitungan Otomatis Jumlah Sel Darah Merah dan Identifikasi Fase Plasmodium Falciparum Menggunakan Operasi Morfologi. Skripsi Jurusan Fisika, Fakultas Sains dan Matematika. Universitas Diponegoro Semarang. Juli 2012 [12] Praida, Arthania Retno. 2008. Pengenalan Penyakit Darah Menggunakan Teknik Pengolahan Citra dan Jaringan Syaraf Tiruan. Tugas Akhir Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia. [13] Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Yogyakarta: ANDI. ISBN : 978-979-29-27030 [14] Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: ANDI. ISBN: 978-979-29-1443-6 [15] Riyanti, Marlina Eva. 2009. Deteksi Dan Klasifikasi Penyakit Anemia (Defisiensi Besi, Hemolitik Dan Hemoglobinopati) Berdasarkan

[25]

[26]

Struktur Fisis Sel Darah Merah Menggunakan Pengolahan Citra Digital. Tugas Akhir Program Studi S1 Teknik Telekomunikasi, Institut Teknologi Telkom. Bandung Russ, John C. 2007. The Image Processing Handbook. 5thedition. United States of America: Taylor & Francis Group,LLC. ISBN 08493-7254-2 Sapp, J.Philip. Eversole, Lewis R. George P. Wysocki. 2008. Contemporary oral and maxillofacial pathology. Chapter 12: Diseases of Blood page 394-395. Mosby. University of Michigan. ISBN 0323017231, 9780323017237. Saraswati, Delima Ayu dan Setiawardhana. 2011. Sistem Pendeteksian Bakteri dengan Histogram Citra Biner. Jurnal Matematika dan Ilmu Pengetahuan Alam Vol. 14 No 2, Juli 2011. ISSN: 0852-4556 Siang, J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. 2nd edition. Yogyakarta: Penerbit Andi. Sumathi, S. Paneerselvam, Surekha. 2010. Computational intelligence paradigms: theory & applications using MATLAB. United States of America : Taylor & Francis Group, LLC. ISBN 978‑1‑4398‑0902‑0 Tahir, Zulkifli,dkk. 2012. Analisa Metode Radial Basis Function Jaringan Saraf Tiruan untuk Penentuan Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra. Laboratorium Kecerdasan Buatan. Jurusan Teknik Elektro, Universitas Hasanuddin. Forum Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI) 2012 Tcheslavski, Gleb V. 2009. Morphological Image Processing: Basic Algorithms. Spring 2009. http://ee.lamar.edu/gleb/dip/index.htm Usman, Koredianto. Perhitungan Sel Darah Merah Bertumpuk Berbasis Pengolahan Citra Digital dengan Operasi Morfologi. Seminar Nasional Informatika 2008. UPN Veteran. 24 Mei 2008. ISSN: 1979-2328 Uthman, Ed. 1998. Understanding Anemia. University Press of Mississippi. ISBN-10: 1578060389 ISBN-13: 9781578060382 Warni, Elly. 2008. Penentuan morfologi sel darah merah (eritrosit) Berbasis pengolahan citra dan jaringan syaraf tiruan. Jurnal Ilmiah “Elektrikal Enjiniring” Universitas Hasanuddin. Volume 07/No.03/Oktober-Desember/2009. Wu,Qiang. Merchant,Fatima A. Castleman, Kenneth R. 2008. Microscope Image Processing. www.books.elsevier.com. ISBN: 9780-12-372578-3