BAB 4 UJI COBA DAN PEMBAHASAN
5.2 Saran
Proses pemisahan sel darah putih bersentuhan dengan metode k-means dimana titik centroid yang sudah ditentukan terlebih dahulu sudah mampu mengurangi jumlah iterasi.
5.2 Saran
Pada penelitian ini, metode yang diusulkan untuk perhitungan jumlah sel darah putih berdasarkan centroid, secara umum sudah menghasilkan hasil perhitungan yang lebih baik dibandingkan perhitungan berdasarkan geometri. Proses deteksi awal region sel darah putih dengan menggunakan deteksi tepi menjadi salah satu penentu penting untuk menghasilkan jumlah centroid yang sesuai. Namun, pada deteksi tepi yang digunakan masih belum secara optimal mendapatkan edge yang terhubung sempurna. Diperlukan sebuah nilai threshold
yang tepat untuk dapat menghasilkan edge yang sempurna. Jumlah iterasi yang digunakan serta area voting yang digunakan juga menjadi penentu untuk menghasilkan final seed yang terbaik. Oleh karena itu, threshold yang digunakan untuk hal ini harus tepat agar mendapatkan hasil yang terbaik.
Untuk pemisahan dari sel yang bersentuhan menjadi sel tunggal dengan metode k-means belum mendapatkan hasil yang optimal untuk area yang memiliki
region sel bersentuhan banyak disertai dengan ukuran sel yang berbeda satu sama
lain. Karena penentuan kelompok klaster pada metode k-means hanya didasarkan pada jarak minimum dari tiap datanya.
Oleh karena itu, penelitian selanjutnya diharapkan dapat mengembangkan metode ini dari kedua aspek tersebut dengan menemukan deteksi awal yang tepat untuk menghasilkan area yang tepat untuk dilakukan pencarian centroid-nya dan menentukan threshold yang tepat untuk ukuran area voting yang akan dibentuk sekaligus melakukan tambahan iterasi agar bisa mendapatkan final seed yang lebih tepat.
57
DAFTAR PUSTAKA
Agusta, Y. (2007). K-Means - Penerapan, Permasalahan dan Metode Terkait.
Jurnal Sistem Dan Informatika, 3, 47–60.
Ardhianto, Eka., Wiwien Hadikurniawati dan Zuli Budiarso. Implementasi Metode Image Subtracting dan Metode Regionprops untuk Mendeteksi
Jumlah Objek Berwarna RGB pada File Video. Jurnal Teknologi
Informasi DINAMIK Volume 18, No.2, 2013
Bhattacharjee, R., Mohan Saini, L. (2015). Robust Technique for the Detection of
Acute Lymphoblastic Leukemia. IEEE.
Döhner, H., Weisdorf, D.J., Bloomfield, C.D., (2015). "Acute Myeloid Leukemia".The New England Journal of Medicine. 373 (12): 1136–52. Dnyandeo Varsha, S., Nipanikar S. R. (2016). “A Review of Adaptive
Thresholding Technique for Vehicle Number Plate Recognition”. IJARCCE
Fathichah, C., Purwitasari D., Hariadi V., Effendy F., “Overlapping White Blood Cell Segmentation and Counting on Microscopic Blood Cell Images”, Int. Journal on Smart Sensing and Intelligent Systems, Vol. 7, No. 3., Hal 1271-1286, 2014.
Faried, E. (2013). Segmentasi Sel Darah Merah Bertumpuk Berdasarkan Fitur Geometri Pada Perhitungan Sel Darah Merah.
Gonzalez, R. C., dan Woods, R. E, (2002), Digital Image Processing, 2nd edition, PrenticeHall, Upper Saddle River, New Jersey.
Jemal, A., Thomas, A., Murray, T., Thun, M. (2002). "Cancer statistics, 2002". CA Cancer J Clin. 52 (1): 23–47.
Labati, R. D., Piuri, V., dan Scotti, F. (2011), “All-IDB: The Acute Lymphoblastic Leukemia Image Database for Image Processing”,
Proceedings of the 18th IEEE ICIP International Conference on Image
Processing, Eds: Macq, B., dan Schelkens, P., IEEE Signal Processing
Society, Brussels, hal. 2045-2048.
Lu, Cheng., Xu, H, et al. (2016). Multi Pass Adaptive Voting for Nuclei Detection in Histopathological Images. Scienttificreports.
58
Mandyartha, Eka P., Fatichah Chastine. Three-level Local Thresholding Berbasis Metode Otsu untuk Segmentasi Leukosit pada Citra Leukemia
Limfoblastik Akut. Jurnal Buana Informatika, Volume 7, Nomor 1, Januari
2016: 43-54
Nazlibilek, S., Karacor, D., Ercan, T., Sazli, M. H., Kalender, O., dan Ege,
Y.,“Automatic segmentation, counting, size determination and
classification of white blood cells”. Measurement, Vol. 55, Hal. 58–65, 2014.
Piuri, V., dan Scotti, F. (2004), “Morphological Classification of Blood Leucocytes by Microscope Images”, Proceedings of the 2004 IEEE
InternationalConference on Computational Intelligence for Measurement
Systems and Applications, Eds: Alippi, C. et al., IEEE, Boston, hal.
103-108.
Parvin, B., Yang, Qi, Han, Ju. Et al. (2007). Iterative Voting for Inference of Structural Saliency and Charaterization of Subcellular Events.IEEE
Prasetyo, E., (2011), Pengolahan Citra Digital dan Aplikasinya Menggunakan
Matlab, Andi, Yogyakarta.
Putzu, L., Caocci Giovanni, & Ruberto D. C. (2014). Leucocyte Classification for
Leukemia Detection Using Image Processing Techniques. Sciendirect.
Schmitt, O., Hasse, Maria. (2008). Radial Symmetries based decomposition of cell
clusters in binary and gray level images. Sciendirect.
Tan, et al. (2006). Introduction to Data Mining. Addision Wesley. USA
Wellner D., Pierre. (1993) .Adaptive Thresholding for the DigitalDesk.
EuroPARC Technical Report EPC-93-110
Y, Al-Kofahi, W. Lassoued, et al. (2010). Improved automatic detection and
segmentation of cell nuclei in histophatology images. IEEE.
Qi, Xin., Xing, Fuyong, dan J. Foran, David. (2010). Robust Segmentation of Overlapping Cells in Histopthology SpecimensUsing Parallel Seed
Detection and Repulsive Level Set. IEEE.
Xu, Hoaming., Lu, Cheng, et al. (2013). An Efficient Technique for Nuclei Segmentation based on Ellipse Descriptor Analysis and Improved Seed
59
LAMPIRAN I
Lampiran ini berisi data dari hasil uji coba perhitungan sel darah putih menggunakan metode Multi Pass Voting dan pemisahan sel darah putih dengan metode analisis klaster K-Means pada 40 citra di dataset Sel Acute Leukemia
(AML dan ALL_IDB).
Tabel 1.A. Citra biner beserta hasil deteksi seed (centroid) yang meliputi jumlah dan posisi serta hasil pemisahan sel darah putih bersentuhan.
No.
Citra Citra Biner
Hasil deteksi seed
(centroid)
Hasil Pemisahan Sel Bersentuhan (K-Means) aml_01 aml_02 aml_03 aml_04 aml_05
60 aml_06 aml_07 aml_08 aml_09 aml_10 aml_11 aml_12
61 aml_13 aml_14 aml_15 aml_16 aml_17 aml_18 aml_19
62 aml_20 aml_21 aml_22 aml_23 aml_24 aml_25 aml_26
63 aml_27 aml_28 aml_29 aml_30 aml_31 idb_01 idb_02
64 idb_03 idb_04 idb_05 idb_06 idb_07 idb_08 idb_09
65
BIOGRAFI PENULIS
Nursanti Novi Arisa dilahirkan di Tulungagung, Jawa Timur pada tanggal 3 Nopember 1991 dan merupakan anak kedua dari tiga bersaudara dari pasangan Nurhadi dan Ardatin. Penulis menempuh pendidikan dasar di SD Negeri 1 Panggungrejo (1998-2004), Sekolah Menengah Pertama di SMP Negeri 1 Tulungagung (2004-2007) dan Sekolah Menengah Atas di SMA Negeri 1 Boyolangu (2007-2010). Penulis melanjutkan jenjang perguruan tinggi S1 pada Jurusan Pendidikan Teknik Informatika di Universitas Negeri Malang pada tahun 2010 hingga tahun 2014. Setelah itu penulis melanjutkan jenjang magister Teknik Informatika di Institut Teknologi Sepuluh Nopember Surabaya pada tahun 2015 hingga tahun 2017. Penulis dapat dihubungi melalui email mahesanti@gmail.com.