KAJIAN TENTANG SISTEM PENDETEKSIANSEL DARAH PUTIH MENGGUNAKAN METODE SCALE INFARIANT FEATURE TRANSFORM

Jurnal Ilmu Komputer dan Sistem Informasi

KAJIAN TENTANG SISTEM PENDETEKSIANSEL DARAH PUTIH MENGGUNAKAN METODE SCALE INFARIANT FEATURE TRANSFORM Johan 1) Lina 2) Arlends Chris 3) 1) 2) 3)

Teknik Informatika Universitas Tarumanagara Jl. Letjen. S. Parman no.1 Jakarta Barat 11440

email : 1) [email protected] , 2) [email protected] , 3) [email protected]

Kegunaan dari rancangan ini adalah secara otomatisasi mendeteksi keberadaan sel darah putih dan memotongnya menjadi citra-citra yang hanya memuat satu sel darah putih. Citra ini kemudian dapat digunakan oleh peneliti lain untuk dikenali jenis dan dihitung jumlahnya. Hasil perhitungan ini berguna bagi pendukung diagnosa dokter terhadap penyakit. Oleh karena itu dibutuhkan keakuratan dalam pengenalan sel darah putih tersebut sehingga tidak menimbulkan kesalahan pada diagnosa. Sistem yang dirancang adalah sistem pendeteksian sel darah putih dengan menggunakan Scale Invariant Feature Transform. Sistem ini akan mendeteksi area yang terdapat sel darah putih dan meng¬-crop menjadi citra yang lebih kecil. Dengan menggunakan metode SIFT, sistem akan dapat mendeteksi dan mengenali sel darah putih meskipun citra masukan mengalami proses scaling dan transforming. Proses scaling dan transforming dapat terjadi pada saat pengambilan data input, misalnya pada proses pembesaran dan saat kaca uji tergeser. Data akan diambil dengan menggunakan kamera SLR dengan resolusi 1600 x 1200 pixel. Citra ini akan menjadi masukan untuk dicari nilai fitur SIFT-nya. Setelah didapat fitur SIFT pada citra input, maka dapat dimanipulasi untuk mencari, mendeteksi, dan menentukan jenis gambar. Gambar 1 adalah contoh proses kerja secara umum yang dilakukan. Ada dua proses yang terjadi, yaitu pengujian dan pelatihan. Pada proses pelatihan, keypoint yang dihasilkan dari proses SIFT akan disimpan didalam database. Sedangkan pada proses pengujian, keypoint dari citra uji akan dibandingkan dengan keypoint dari database agar bisa ditentukan kemiripannya. Sedangkan gambar 2 adalah alur gambar yang terjadi selama proses ekstraksi keypoint. Pertama-tama citra input akan diproses dengan menggunakan metode scale spaces. Pada scale space, akan diciptakan citra lain sehingga berjumlah empat oktaf, dengan tiap oktaf memiliki lima tingkat blur yang berbeda-beda. Setelah itu tiap oktaf akan dicari maxima atau minima-nya dengan membandingkan masing-masing pixel dengan pixel tetangganya. Setiap pixel yang berupa maxima dan minima akan dipilih sebagai keypoint apabila merupakan

ABSTRACT Technological advances in the world of information in all areas of life science includes medical information. Detecting white blood cell is important to indicate cause of illness. This paper present a system using SIFT (Scale Infariant Feature Transform) method to detect the white blood cells. As a system, user can input a picture of blood cell and the system will automaticaly give an output be in the form of cropped picture.

Key words Sift, White blood, Detection

1. Pendahuluan Pada bidang kedokteran, pengamatan yang dilakukan pada sel darah sangat penting untuk memberikan diagnosa pada penyakit yang diderita pasien. Pengamatan ini meliputi perhitungan jumlah sel darah putih dan pengenalan jenisnya. Metode yang paling popular digunakan adalah metode manual dengan bilik hitung dan menggunakan mesin hitung. Akan tetapi metode manual memiliki banyak kekurangan karena menggunakan manusia sebagai sumber dayanya, sehingga kerap kali terjadi kesalahan pada tahap pra analitik, analitik, dan pasca analitik. Sedangkan mesin hitung sel darah, meskipun lebih ringkas dan mudah menggunakannya, mesin ini hanya terdapat di rumah sakit besar atau laboratorium yang sudah canggih, tetapi harganya relatif mahal. Untuk mengatasi hal tersebut, dibutuhkan perangkat lunak untuk menggantikan peran manusia dalam melakukan proses ini. Namun sebelum dapat mengenali sel darah putih dengan baik, diperlukan sistem yang dapan mendeteksi dan memisahkan sel darah putih dari sel-sel lainnya. Metode yang dipakai untuk merealisasikan sistem ini adalah SIFT(Scale Infariant Feature Transform). Metode ini dipilih karena ketahanannya terhadap perubahan skala, dan rotasi yang kerap terjadi pada pengambilan gambar sel darah.

93

Jurnal Ilmu Komputer dan Sistem Informasi

sudut dan memiliki intensitas yang cukup.

2. Sistem Pendeteksian Sel Darah Putih Dasar teori yang digunakan dalam sistem pengenalan sel darah putih dengan Scale Invariant Feature Transform dapat dilihat pada gambar 1. Sedangkan alur proses yang dialami oleh citra input dapat dilihat pada gambar 2.

2.1 Darah Darah adalah cairan tubuh yang terdapat di dalam pembuluh darah yang warnanya merah. Darah berfungsi sebagai alat pengangkut yaitu mengambil oksigen dari paru-paru untuk diedarkan ke seluruh jaringan tubuh, mengangkut karbondioksida dari jaringan untuk dikeluarkan melalui paru-paru, mengambil zat makanan dari usus halus untuk diedarkan dan dibagikan ke seluruh jaringan tubuh, mengeluarkan zat-zat yang tidak berguna bagi tubuh untuk dikeluarkan melalui kulit dan ginjal, sebagai pertahanan tubuh terhadap serangan penyakit, menyebarkan panas ke seluruh tubuh

Gambar 1 Proses Kerja Secara Umum

94

Jurnal Ilmu Komputer dan Sistem Informasi

2.2 Scale Space Pada gambar terdapat banyak detil-detil yang tidak dibutuhkan untuk proses pendeteksian maupun pengenalan. Dengan menggunakan scale space detil tersebut dapat diminimalisir sehingga hanya didapat detil yang dibutuhkan. Contoh gambar yang telah mengalami proses scale space dapat dilihat pada gambar 1. Pada scale space, citra asli akan diblur menggunakan gaussian blur dengan indeks blur yang berbeda. Rumus gaussian blur dapat dilihat pada rumus 1 Selain itu citra juga akan dibuat menjadi 4 oktaf, dimana setiap oktaf merupakan separuh dari ukuran oktaf sebelumnya[1]. (1) Keterangan: L = Citra yang sudah di blur G = Gaussian Blur operator I = Citra asli x,y = lokasi koordinat σ = skala blur * = gaussian blur diaplikasikan terhadap citra asli

2.2 Difference of Gaussian Dalam computer vision, Difference of Gaussian(DoG) adalah matriks yang didapat dengan cara mencari selisih antara dua buah fungsi gausian. Dengan menggunakan operasi DoG, akan didapatkan hasil akhir yang sesuai dengan LoG, akan tetapi fungsi DoG memiliki waktu komputasi yang lebih cepat.

Gambar 2 Alur gambar dalam SIFT

Darah terdiri dari beberapa jenis korpuskula yang membentuk45% bagian dari darah, angka ini dinyatakan dalam nilai hermatokrit atau volume sel darah merah yang dipadatkan yang berkisar antara 40 sampai 47. Bagian 55% yang lain berupa cairan kekuningan yang membentuk medium cairan darah yang disebut plasma darah. Korpuskula darah terdiri dari[2]: • Sel darah merah atau eritrosit • Keping-keping darah atau trombosit • Sel darah putih atau leukosit Tipe-tipe sel darah putih adalah: • Neutrofil • Monosit • Eosinofil • Basofil • Limfosit

Gambar 3 Difference of Gaussian(DoG)

Keterangan : Citra A = citra dengan G(x,y,σ) Citra B = citra A dengan G(x,y,kσ) Citra C = selisih antara citra A dengan citra B

95

Jurnal Ilmu Komputer dan Sistem Informasi

lain yang menutupi. Oleh karena itu mencari keypoint sangatlah berguna dalam mendeteksi objek. Ada beberapa proses yang dibutuhkan dalam mencari keypoint,yang pertama adalah mencari maxima dan minima.

2.4 Maxima Minima Pencarian keypoint dilakukan dengan membandingkan setiap piksel dengan piksel tetangganya. Apabila nilai piksel yang sedang dibandingkan merupakan nilai tertinggi ataupun terendah dibandingkan dengan nilai piksel tetangganya, maka piksel tersebut adalah kandidat untuk dijadikan sebagai keypoint(lihat gambar*).

Gambar 5 Menentukan maxima minima

Pencarian maxima/minima dilakukan terhadap tiga citra DoG yang berdampingan. X adalah pixel yang sedang di cek, sedangkan lingkaran biru adalah pixel tetangga. Pixel X akan dibandingkan dengan setiap pixel biru. Dengan cara ini akan terdapat dua puluh enam pengecekan yang dilakukan. X ditandai sebagai keypoint jika nilainya terbesar atau terkecil diantara dua puluh enam piksel lainnya. Selain itu tiap keypoint yang memiliki nilai intensitas yang kurang dari nilai treshold 0,03 tidak dianggap sebagai keypoint.

2.5 Orientasi Keypoint Setiap keypoint akan diberikan orientasi arah dan besarannya agar dapat dibedakan dengan keypointkeypoint lainnya. Hal itu dilakukan dengan menggunakan rumus berikut:

(2)

Gambar 4 Scale Space

Keterangan : m = Magnitude x,y = koordinat L = citra masukan

2.3 Keypoint Keypoint adalah titik-titik dari sebuah gambar yang nilainya tidak berubah meskipun mengalami perubahan skala, rotasi, blurring¸ dan pencahayaan . Perubahan ini bisa terjadi karena pengambilan gambar yang tidak baik atau tidak sempurna. Gambar yang tidak utuh dapat terjadi karena terdapatnya objek

Jumlah orientasi dapat ditentukan sesuai dengan kebutuhan. Dalam Sift, orientasi dibagi

96

Jurnal Ilmu Komputer dan Sistem Informasi

pengelompokannya menjadi 8 arah, dengan jumlah matriks yang dihitung adalah 4x4, sehingga memiliki total 128 vektor(Lihat gambar 3).

D(p,q) =

(4)

Keterangan: D=Jarak p,q = lokasi titik pada bidang kartesius

REFERENSI [1] Cui, Yong.; Hasler, Neil; Thormaehlen, T.; Seidel, Heinn. Scale Invariant Feature Transform with Irregular Orientation Histogram Binning. Canada: IBM Co., 2009. [2] Gandasoebrata R. Penuntun Laboratorium Klinik. Jakarta : Dian Rakyat, 1985. [3] Hoffbrand.A.V, Pettit.J.E, Moss.P.A.H, HEMATOLOGI. Jakarta: Kapita Selekta,2008. [4] Ito K, Seiji Yagi, Morio Hirata, editors, English Edition, Nakamura RM. Color Atlas of Urinary Cytolgy, Ishiyaku EuroAmerica, Inc. printed in Japan, 1992 [5] Lindeberg, Tony .Scale invariant feature transform. Canada : Scholarpedia.,2009. [6] Lowe, David G. Object recognition from local scaleinvariant features. New York., IBM co., 2001

Gambar 6 Orientasi Keypoint

2.5 Harris Corner Detector Salah satu metode untuk untuk mendeteksi sebuah sudut adalah Harris Corner Detector. Konsep dasar dari metode ini adalah dengan memilih suatu bagian dari citra lalu dipindahkan ke berbagai arah (lihat Gambar 3). Ada tiga kemungkinan yang mungkin terjadi, yaitu sudut, tepi, dan daerah yang polos/rata.

Gambar 7 kiri: daerah polos; tengah: tepi; kanan: sudut

Berikut adalah persamaan tumus yang digunakan dalam Harris Corner Detector:

(3) Keterangan: E = Nilai harris corner W(x,y) = fungsi window (w=1) I(x+u,y+v) = intensitas citra yang sudah digeser I(x,y) = intensitas citra Perhitungan diatas dilakukan dua kali dengan nilai u dan v yang berbeda. Jika kedua nilai tersebut memiliki nilai besar, maka citra merupakan sudut. Jika hanya salah satu yang bernilai besar, berarti citra adalah tepi. Jika kedua nilai kecil, maka citra berupa bidang polos. Dalam SIFT, hanya citra yang berupa sudut yang dipilih, selain itu akan dihiraukan.

2.6 Euclidean Distance Euclidean distance adalah jarak antara dua titik yang dapat diukur dengan menggunakan penggaris. Pada bidang datar, jarak ini dapat diukur dengan menggunakan rumus phytagoras. Rumus pitagoras dapat dilihat pada persamaan 4.

97