PENENTUAN MORFOLOGI SEL DARAH MERAH (ERITROSIT) BERBASIS PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN

Jurnal Ilmiah “Elektrikal Enjiniring” UNHAS

Volume 07/ No.03/ Oktober-Desember/ 2009

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



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.

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

2.2.

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 :

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) =

 



1 ............................................. (3) 1  e x

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.

N

Netj =



AiWij………………...…..……….(1)

i

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 :

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. 3.1.

PERANCANGAN SISTEM

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. 3.3.1.

Tahap Pengolahan Citra 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.

0

1

0

1

1

1

1

0

0

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



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.

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.

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

Input Layer

3.5.

Hidden Layer

Output Layer

X

Y

X . . . . . X

Y . . . . . Y7

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

KEAKURATAN SISTEM

normal1.bmp normal2.bmp normal3.bmp normal4.bmp normal5.bmp normal6.bmp normal7.bmp normal8.bmp normal9.bmp normal10.bmp normal1dbmp normal3d.bmp normal5d.bmp normal7d.bmp normal9d.bmp

Dikenali sebagai normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal

Hasil Pengujian benar benar benar benar benar benar benar benar benar benar benar benar benar benar benar

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

Citra Input ecc3.bmp ecc4.bmp ecc5.bmp ecc6.bmp ecc7.bmp ecc8.bmp ecc9.bmp ecc10.bmp ecc11.bmp ecc12.bmp ecc5c.bmp ecc6c.bmp ecc7c.bmp

Dikenali sebagai ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes

Hasil Pengujian benar benar benar benar benar benar benar benar benar benar benar benar benar


ecc8c.bmp ecc9c.bmp

ecchinocytes ecchinocytes

benar benar

Tabel 3. Hasil pengujian JST untuk morfologi abnormalEcchinocytes (citra latih)

Citra Input ellip1.bmp ellip2.bmp ellip3.bmp ellip4.bmp ellip5.bmp ellip6.bmp ellip7.bmp ellip8.bmp ellip9.bmp ellip10.bmp ellip1c.bmp ellip3c.bmp ellip5c.bmp ellip7c.bmp ellip9c.bmp

Dikenali sebagai elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes ecchinocytes


Tabel 4. Hasil pengujian JST untuk morfologi abnormal- Elliptocytes (citra latih)

citra input poikil1.bmp poikil1b.bmp poikil1c.bmp poikil2.bmp poikil2b.bmp poikil2c.bmp poikil2d.bmp poikil3.bmp poikil3c.bmp poikil3b.bmp poikil3d.bmp poikil4.bmp poikil4c.bmp poikil5.bmp poikil5c.bmp

dikenali sebagai poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes

hasil pengujian benar benar benar benar benar benar benar benar benar benar benar benar benar benar benar

Tabel 5. Hasil pengujian JST untuk morfologi abnormal- Poikilocytes (citra latih)

Citra Input schis1.bmp schis1c.bmp schis1d.bmp schis2.bmp schis2c.bmp schis3.bmp schis3c.bmp

Dikenali sebagai schistocytes schistocytes schistocytes schistocytes schistocytes schistocytes schistocytes

Hasil Pengujian benar benar benar benar benar benar benar


schis3d.bmp schis4.bmp schis4c.bmp schis5.bmp schis5c.bmp schis5c.bmp schis7.bmp schis7c.bmp

schistocytes schistocytes schistocytes schistocytes schistocytes schistocytes schistocytes schistocytes

benar benar benar benar benar benar benar benar

Tabel 6. Hasil pengujian JST untuk morfologi abnormal- Schistocytes (citra latih)

Citra Input sickle1.bmp sickle1c.bmp sickle1e.bmp sickle2.bmp sickle2c.bmp sickle2e.bmp sickle3.bmp sickle3c.bmp sickle2e.bmp sickle4.bmp sickle4c.bmp sickle4e.bmp sickle5.bmp sickle5c.bmp sickle5e.bmp

Dikenali sebagai sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell sickle cell


Tabel 7. Hasil pengujian JST untuk morfologi abnormal- Sickle cell (citra latih)

Citra Input tear1.bmp tear1c.bmp tear2.bmp tear2c.bmp tear2e.bmp tear2f.bmp tear3.bmp tear3b.bmp tear3c.bmp tear4.bmp tear4c.bmp tear5.bmp tear5c.bmp tear6c.bmp tear7b.bmp

Dikenali sebagai tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell tear drop cell


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 : Citra Input normal11.bmp normal12.bmp normal13.bmp normal14.bmp normal15.bmp normal16.bmp normal17.bmp normal18.bmp normal19.bmp Normal20.bmp

Dikenali sebagai normal normal elliptocytes elliptocytes normal normal normal normal normal normal

Hasil Pengujian benar benar salah salah benar benar benar benar benar 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 % Citra Input ecc13.bmp ecc14.bmp ecc15.bmp ecc16.bmp ecc17.bmp ecc18.bmp ecc19.bmp ecc20.bmp ecc21.bmp ecc22.bmp

Dikenali sebagai ecchinocytes normal ecchinocytes ecchinocytes ecchinocytes normal normal ecchinocytes ecchinocytes elliptocytes

Hasil Pengujian benar salah benar benar benar salah salah benar benar salah

Tabel 10. Hasil pengujian JST untuk morfologi abnormalEcchinocytes (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 %


Citra Input ellip1c.bmp ellip2c.bmp ellip3c.bmp ellip4c.bmp ellip5c.bmp ellip6c.bmp ellip7c.bmp ellip8c.bmp ellip9c.bmp ellip10c.bmp

Dikenali sebagai elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes elliptocytes normal elliptocytes elliptocytes elliptocytes

Hasil Pengujian benar benar benar benar benar benar salah benar benar benar

Tabel 11. Hasil pengujian JST untuk morfologi abnormal- Elliptocytes (citra uji)

Dari hasil pengamatan pada tabel 11 dapat diketahui bahwa keakuratan sistem untuk citra abnormal-elliptocytes dimana hasil ekstraksi cirinya tidak disimpan sebagai pola data referensi (citra latih) adalah : % keakuratan = ( 1 – (1/10) ) x 100 % = 90 % Citra Input poikil1a.bmp poikil1b.bmp poikil2a.bmp poikil2b.bmp poikil3a.bmp poikil3b.bmp poikil4a.bmp poikil4b.bmp poikil5a.bmp poikil5b.bmp

Dikenali sebagai elliptocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes poikilocytes

Hasil Pengujian salah benar benar benar benar benar benar benar benar benar

Tabel 12. Hasil pengujian JST untuk morfologi abnormal- Poikilocytes (citra uji)

Dari hasil pengamatan pada tabel 12 dapat diketahui bahwa keakuratan sistem untuk citra abnormal-poikilocytes dimana hasil ekstraksi cirinya tidak disimpan sebagai pola data referensi (citra latih) adalah : % keakuratan = ( 1 – (1/10) ) x 100 % = 90 % Citra Input schis1a.bmp schis1b.bmp schis2b.bmp schis3b.bmp schis4b.bmp schis5b.bmp

Dikenali sebagai schistocytes schistocytes tear drop cell poikilocytes schistocytes schistocytes

Hasil Pengujian benar benar salah salah benar benar



schis6.bmp schis6a.bmp schis6b.bmp schis6c.bmp

schistocytes schistocytes schistocytes schistocytes

benar benar benar benar

Tabel 13. Hasil pengujian JST untuk morfologi abnormal- Schistocytes (citra uji)

Dari hasil pengamatan pada tabel 13 dapat diketahui bahwa keakuratan sistem untuk citra abnormal-schistocytes dimana hasil ekstraksi cirinya tidak disimpan sebagai pola data referensi (citra latih) adalah : % keakuratan = ( 1 – (2/10) ) x 100 % = 80 % Citra Input sickle6a.bmp sickle6b.bmp sickle6c.bmp sickle6d.bmp sickle6e.bmp sickle6f.bmp sickle6g.bmp sickle6h.bmp sickle6i.bmp sickle6j.bmp

Dikenali sebagai sickle cell sickle cell sickle cell sickle cell sickle cell tear drop cell sickle cell elliptocytes sickle cell tear drop cell

Hasil Pengujian benar benar benar benar benar salah benar salah benar salah

Tabel 14. Hasil pengujian JST untuk morfologi abnormal-Sickle cell (citra uji)

Dari hasil pengamatan pada tabel 14 dapat diketahui bahwa keakuratan sistem untuk citra abnormal-sickle cell dimana hasil ekstraksi cirinya tidak disimpan sebagai pola data referensi (citra latih) adalah : % keakuratan = ( 1 – (3/10) ) x 100 % = 70 % Citra Input tear1a.bmp tear1d.bmp tear1e.bmp tear1f.bmp tear3a.bmp tear3b.bmp tear3d.bmp tear4b.bmp tear5b.bmp tear6b.bmp

Dikenali sebagai tear drop cell tear drop cell tear drop cell tear drop cell sickle cell sickle cell tear drop cell tear drop cell tear drop cell tear drop cell

Hasil Pengujian benar benar benar benar salah salah benar benar benar benar

Tabel 15. Hasil pengujian JST untuk morfologi abnormal-Tear Drop Cell (citra uji)

Dari hasil pengamatan pada tabel 15 dapat diketahui bahwa keakuratan sistem untuk citra abnormal-tear drop cell dimana hasil ekstraksi cirinya

tidak disimpan sebagai pola data referensi (citra latih) 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 Pengambilan Gambar Grayscale Deteksi Tepi Ekstraksi Ciri Pelatihan Pengenalan Total Waktu

Waktu (detik) 4,020 0,010 0,053 0,085 3,750 0,950 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.

Citra Input normal13.bmp normal14.bmp ecc14.bmp ecc14.bmp ecc14.bmp ecc14.bmp ellip7c.bmp poikil1a.bmp schis2b.bmp schis2b.bmp sickle6f.bmp sickle6h.bmp sickle6j.bmp

Dikenali sebagai normal normal ecchinocytes normal normal ecchinocytes elliptocytes poikilocytes schistocytes poikilocytes tear drop cell sickle cell sickle cell

Hasil Pengujian benar benar benar salah salah benar benar benar benar salah salah benar benar



tear3a.bmp tear3a.bmp

tear drop cell sickle cell

benar salah

DAFTAR PUSTAKA

Tabel 17. Hasil pengujian JST untuk citra latih yang berasal dari citra uji yang tidak berhasil dikenali oleh sistem

Dari hasil pengujian tersebut, keakuratan sistem sebagai berikut : Citra normal ecchinocytes elliptocytes poikilocytes schistocytes Sickle cell Tear drop cell

diperoleh

Keakuratan 100% 80% 100% 100% 90% 90% 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 ratarata 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

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

PENENTUAN MORFOLOGI SEL DARAH MERAH (ERITROSIT) BERBASIS PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN

Recommend Documents