DAFTAR PUSTAKA
Akrimi, J. A., Al-Jashamy, K., George, L.E., Suliman, A. & Ahmad, A. R. 2013. Frequency Rate of Abnormal Morphologic Shapes of The Erythrocytes upon the Different Types of Anemia. International Journal of Scientific &
Engineering Research, Vol 4.
Haidaroh, A. 2014. Radial Basis Function. http : //www.slideshare.net/radialbasisfunction (diakses 2 februari 2016).
Juliaristi, F. 2014. Peramalan Banyak Kasus Demam Berdarah Di D.I. Yogyakarta dengan Model Radial Basis Function Neural Network. Skripsi. Universitas Negeri Yogyakarta.
Kamal, M., & Basuki R.S. 2013 Segmentasi Citra Daun Tembakau Berbasis Deteksi Tepi Menggunakan Algoritma Canny. Skripsi. Universitas Dian Nuswantoro Semarang.
Kumaseh, M. R., Latumakulita. L., & Nainggolan, N. 2013. Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding . Jurnal FMIPA Vol 13, No 1 (2013) . Universitas Sam Ratulangi
Lestari, A. P. 2007. Rancang Bangun Pengenalan Penyakit Darah Menggunakan
Hidden Markov Model. Skripsi. Universitas Indonesia.
Nugroho, M. A. 2012.Adaptiver Genetic Algorithm (AGA) Radial Basis Function (RBF) Neural Network Untuk Klasifikasi. Skripsi. Universitas Sebelas Maret.
Oehadian, A. 2012. Pendekatan Klinis dan Diagnosis Anemia. CDK – 194/vol.39 no 6.
Praida, A. R. 2008. Pengenalan Penyakit Darah Menggunakan Teknik Pengolahan Citra dan Jaringan Saraf Tiruan. Skripsi. Universitas Indonesia.
Jaringan Saraf Tiruan Radial Basis Function. Skripsi
Rakshit, P. & Bhowmik, K. 2013. Detection of Abnormal Findings in Human RBC in Diagnosing Sickle Cell Anaemia Using Image Processing.International
Conference on Computational Intelligence: Modeling, Techniques and
Application (CIMTA-2013)
Santi, Candra Noor. 2011. Mengubah Citra Bewarna Menjadi Citra Gray-Scale Dan Citra Biner. Jurnal Teknologi Informasi. Universitas Stikubank Semarang.
Sahu,M., Biswas, A. K., & Uma. K. 2015. Detection Of Sickle Cell Anemia in Red Blood Cell : A Review. International Journal of Engineering and Applied
Sciences, Vol 2.
Sarwono, Y. T. 2012. Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function untuk Mendeteksi Kelainan Otak (Stroke Infark). Jurnal Sistem
Informasi.
Subekti, I., Purnama, I. K. E., & Purnomo, M., H. 2013. Identifikasi Sel Darah Merah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia. Jurnal Teknik Elektro FTI-ITS. Institut Teknologi Surabaya.
Suwiryawan, G. A., Yasa, I. W. P S., Dewi R. DAP., 2013. Anemia Sel Sabit.
E-Jurnal Medika Udayana vol 2 no 9(2013):e-jurnal medika udayana page
1080-1090.
Tahir,Z., Warni, E., Sylwana, E. A. & Wahyuni, Q. 2012. Analisa Metode Radial Basis Function Jaringan Saraf Tiruan untuk Penentuan Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra. ProsidingForum Pendidikan
Tinggi Teknik Elektreo Indonesia (FORTEI) 2012, pp. 59-63
Wulandari, F. S. 2014. Membedakan Bentuk Sel Darah Merah Normal dan Abnormal dengan Metode Self-Organizing Map. Skripsi. Universitas Sumatera Utara.
Warni, E. 2009. Penentuan Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra dan Jaringan Saraf Tiruan. Jurnal Ilmiah “Elektrikal
Zoning Dan Klasifikasi KNN)K-Nearest Neighbour) Pada Penginputan Nilai Mata Kuliah Mahasiswa Dalam Optical Character Recognition (OCR). Skripsi. Universitas Telkom.
Yasfi, Syalsabila M. 2015. PEMODELAN RADIAL BASIS FUNCTION NEURAL
NETWORK (RBFNN) PADA DATA WISATAWAN MANCANEGARA DI D. I.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Identifikasi Masalah
Dalam pemeriksaan untuk mendiagnosis suatu penyakit, tim kesehatan harus melakukan tes darah untuk memperoleh hasil yang akurat. Pemeriksaan tepi apusan darah merupakan salah satu pemeriksaan laboratorium yang penting dan masih dilakukan secara manual sehingga kurangnya ketelitian yang dilakukan oleh para tim dokter ataupun petugas laboratorium bisa memengaruhi perbedaan identifikasi.
3.2 Analisis Data
Data yang digunakan dalam penelitian ini terdiri dari 3 kategori yaitu normal dan 2 jenis bentuk kelainan sel darah merah. Data ini penulis dapatkan dari data penelitian terdahulu. Citra sel darah merah yang digunakan sebanyak 10 citra latih untuk masing-masing kategori dan 10 citra uji. 3 kategori kelainan tersebut dapat dilihat pada gambar 2.3.
3.3 Analisis Sistem
Analisis sistem merupakan tahapan untuk memberikan gambaran untuk membangun sistem sehingga sistem yang dibangun mampu menyelesaikan masalah yang ada. Sistem yang akan dibangun dalam penelitian ini adalah sistem untuk mengklasifikasi bentuk kelainan sel darah merah.
(a) (b)
Analisis dari sistem ini berisi arsitektur umum, proses sistem, dan perancangan antarmuka sistem.
3.3.1.Arsitektur Umum
Pada bagian ini, akan dijelaskan tahap-tahap yang dilakukan dalam pembuatan aplikasi klasifikasi kelainan bentuk sel darah merah. Arsitektur sistem dapat dilihat pada gambar 2.4.
3.3.2. Pra-Pengolahan
Tahap pra-pengolahan merupakan tahap untuk menghasilkan citra yang lebih baik sebelum diproses pada tahap selanjutnya. Pada penelitian ini, tahap pra-pengolahan citra terdiri dari proses grayscalling yaitu mengubah citra berwarna menjadi citra keabuan dan dari citra keabuan (grayscaling) diproses lagi untuk menghasilkan citra biner (thresholding). Selanjutnya setelah menjadi citra biner, sistem menggunakan deteksi tepi canny untuk memperoleh ciri tepi citra.
darah merah Radial Basis Function Network
Gambar 2.4 Arsitektur Umum
3.3.2.1.Proses Grayscaling
Citra sel darah merah berukuran 50 x 50 piksel yang berwarna akan diproses menjadi citra keabuan dari citra berwarna. Tujuan dari proses ini adalah agar citra keabuan akan mudah diproses pada tahap selanjutnya yaitu proses thresholding. Representasi piksel citra sel darah merah yang berukuran 3 x 3 piksel dapat dilihat pada gambar 2.5.
Nilai dari Red, Green, Blue pada citra gambar 2.5 yaitu : D1 = R, G, B (242, 218, 225)
Citra warna grayscale pada sel darah didapat dengan cara menghitung rata-rata elemen warna dari Red, Green, Blue. Nilai grayscale yang didapat
D8 = R, G, B (195, 78, 111) / 3 = 128 D9 = R, G, B (184, 48, 86) / 3 = 106
Gambar 2.6 menunjukkan nilai citra grayscale pada setiap piksel.
228 147 208
212 112 171
148 128 106
Citra hasil proses grayscaling dapat dilihat pada gambar 2.7.
3.3.2.3. Proses Thresholding
Setelah proses grayscaling selesai, langkah selanjutnya adalah proses
thresholding untuk menghasilkan citra biner. Jika intensitas warna dari 0
sampai 255 maka proses mendapatkan citra biner adalah dengan cara menghitung nilai tengahnya, yaitu 128. Jika niali yang didapat diatas 128, maka citra akan cenderung berwarna putih, dan jika nilai dibawah 128, maka citra akan cenderung berwarna hitam sehingga proses thresholding dibagi menjadi dua kelompok warna yaitu hitam dan putih. (Santi, 2011). Contoh hasil proses thresholdingdapat dilihat pada gambar 2.8
3.3.3. Ekstraksi Fitur
Setelah citra sel darah merah mengalami proses thresholding, langkah selanjutnya adalah mencari karakteristik dari suatu citra dengan menggunakan deteksi tepi cannyuntuk mencari nilai tepi yang memiliki perbedaan yang besar.
Dalam melakukan proses pengambilan tepi citra menggunakan deteksi tepi canny, langkah-langkah yang diambil antara lain (kamal, et. al., 2013) : 1. Dengan menggunakan fungsi gaussian, noise pada citra akan
dihilangkan terlebih dahulu.
2. Dengan salah satu operator deteksi tepi untuk melakukan pencarian secara horizontal dan vertikal, lakukan proses pendeteksian tepi.
3. Tentukan arah tepi citra, sehingga garis dengan arah yang berbeda akan memiliki warna yang berbeda.
4. Garis tepi yang muncul akan diperkecil sehingga menghasilkan garis tepi yang lebih jelas.
5. Melakukan binerisasi citra.
Setelah mengamali proses deteksi tepi canny, citra yang dihasilkan akan terlihat lebih jelas. Contoh citra hasil proses ekstraksi fitur deteksi tepi
canny ditunjukkan gambar 2.9
Gambar 2.8. Citra sel darah merah hasil thresholding
Setelah proses ekstraksi fitur, akan dihasilkan ciri citra yang menggambarkan karakteristik dari citra tersebut. Setelah ektraksi fitur
canny, tahap selanjutnya adalah memperkecil zona citra untuk menwakili
beberapa zona. Citra yang berukuran 50 x 50 piksel yang mewakili 2500 ciri citra akan diperkecil menjadi 25 x 25 yang mewakili 625 ciri citra. Proses ini disebut sebagai proses zoning. Nilai dari ciri citra sel darah merah hasil proses deteksi tepi canny adalah sebagai berikut :
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0]
Setelah ektraksi fitur, maka selanjutnya adalah proses klasifikasi yang akan dilakukan oleh jaringan saraf tiruan radial basis function.
3.3.4. Analisis Radial Basis Function Network (RBFN)
Radial basis function network merupakan salah satu model jaringan saraf
tiruan yang bekerja secara feed-foward dan memiliki tiga lapisan yaitu input
layer yang menuju ke hidden layeryang bersifat nonlinear dan dari hidden
layer menuju ke output layer yang bersifat linear. Jarak antara vektor input
Langkah 1 : Menentukan center data yang digunakan secara acak, misalnya P1 = ( 1,1 ) P2 = ( 1,0 ).Pada tabel 2.2 XOR, nilai dari
X1dan X2dibuat kedalam bentuk matriks yaitu[ ]
Langkah 2 : Melakukan pembaharuan bobot, dengan tahap-tahap sebagai berikut
Tahap 1: Menghitung nilai fungsi aktivasi dengan persamaan
(2.8)
dengan σmerupakan nilai dari spread yang bisa dihitung dengan persamaan (2.9)
σ
=
Nilai fungsi aktivasi gaussian didapat dari perhitungan nilai input yang dimasukkan dan nilai center yang ditentukan secara acak. Fungsi gaussian ϕ(1,1) adalah nilai yang didapat, diletakkan dalam matriks pada kolom pertama dan baris pertama, fungsi gaussian ϕ(2,1) terletak pada matriks kolom kedua dan baris pertama, dan seterusnya. Nilai fungsi aktivasi gaussian yang telah dihitung dapat dilihat pada tabel 2.3
Tabel 2.3 Nilai Fungsi Gaussian Fungsi
Gaussian
Input Center Nilai Fungsi Gaussian
ϕ(1,1) ( 0,0 ) ( 1,1 ) exp (-((0-1)2 + (0-1)2)) = exp (-2) = 0.1353
Jarak antara 2 cluster data
√
banyaknya cluster dataFungsi Gaussian
Input Center Nilai Fungsi Gaussian
ϕ(2,2) ( 0,1 ) ( 1,0 ) exp (-((0-1)2 + (1-0)2)) = exp (-2) = 0.1353 ϕ(3,2) ( 1,0 ) ( 1,0 ) exp (-((1-1)2 + (0-0)2)) = exp (0) = 1 ϕ(4,2) ( 1,1 ) ( 1,0 ) exp (-((1-1)2 + (1-0)2)) = exp (-1) = 0.3678
Tahap 2 : Setelah mendapatkan nilai aktivasi diatas, langkah selanjutnya adalah membuat sebuah matriks gausian dari nilai fungsi aktivasi yang telah dihitung.
Tahap 3 : Setelah membuat nilai-nilai fungsi gaussian yang didapat kedalam sebuah matriks, maka selanjutnya menghitung bobot baru (w) dengan mengalikan pseudoinvers dari matriks gaussian, dengan vektor target dari data training dan nilai target yang telah ditentukan, melalui persamaan (2.8)
w = G†d = ( GT G)-1 GT d
Membuat sebuah matriks transpose dari matriks gaussian yang telah didapat.
Setelah membuat transpose matriks gaussian, selanjutnya mencari nilai perkalian matriks transpose tersebut dengan matriks gaussian yang didapat.
G =
Setelah itu, menghitung matriks pseudoinvers hasil perkalian transpose matiks gaussian dengan matriks gausian
Mencari nilai bobot (w) dengan mengalikan matriks hasil pseudoinvers tersebut dengan transpose matriks gaussian. Selanjutnya, hasil dari perkalian tersebut dikalikan lagi dengan matriks target (d) yang telah ditentukan.
Jadi nilai dari W1 = -0.3326; W1 = 0.9845; b = 0.1378
Tahap 4: Tahap selanjutnya sadalah menghitung nilai output (y) yang didapat dari hasil perkalian bobot dan penjumlahan dengan biasyang dapat dilihat pada persamaan (2.9)
Y = W1 * ϕ1 + W2 * ϕ2 + bias
X1 X2 W1 ϕ1 W2 ϕ2 Bias Y Target
0 0 -0.3326 0.1353 0.9845 0.3678 0.1378 0.4549 0 0 1 -0.3326 0.3678 0.9845 0.1353 0.1378 0.9999 1 1 0 -0.3326 0.3678 0.9845 1 0.1378 0.9999 1 1 1 -0.3326 1 0.9845 0.3678 0.1378 0.1673 0
Dari perhitungan yang didapat pada tabel 2.4, nilai output yang dihasilkan, mendekati nilai target yang telah ditentukan sehingga dapat dikatakan
trainingberhasil.
3.3.5. Proses Sistem
Adapun proses sistem dapat dilihat pada gambar 2.10.
Penjelasan dari gambar 2.10 adalah :
Sistem menginput citra yang akan diuji yang berformat jpg dengan ukuran 50 piksel x 50 piksel
Sistem melakukan proses grayscale untuk mengubah citra berwarna menjadi citra keabuan
Start
Proses Grayscale
Proses Zoning Proses Deteksi Tepi Canny
Proses Threshold
Proses Klasifikasi RBFN
Pilih Gambar
Hasil Klasifikasi
End
Setelah citra berwarna diubah ke citra grayscale, tahap selanjutnya sistem melakukan proses threshold untuk mengubah citra keabuan menjadi citra biner.
Setelah mendapatkan citra biner, sistem selanjutnya melakukan deteksi tepi canny untuk mendapatkan ciri dari citra bentuk citra.
Kemudian sistem melakukan Setelah melalui tahap pra-pengolahan, didapat ciri citra hasil ekstraksi fitur menggunakan metode zoning.
Sistem melakukan proses klasifikasi dengan menggunakan RBFN setelah mendapatkan karakteristik citra
3.4 Perancangan Sistem
Pada tahap ini, dilakukan perancangan sistem yang dibangun untuk mengklasifikasikan kelainan bentuk sel darah merah.
3.4.1. Halaman Awal
Tampilan utama sistem dapat dilihat pada gambar 2.11.
Klasifikasi Kelainan Bentuk Sel Darah Merah
LOGO
X
Data Uji Data Latih
a b d c
e
Mulai f
Anita Ratna Sari 111402103
Keterangan :
a. Tombol “Data Uji” , merupakan tombol untuk mengarahkan
penggunauntuk masuk ke bagian proses data uji.
b. Tombol “Data Latih” , merupakan tombol untuk mengarahkan
penggunauntuk masuk ke bagian proses data latih.
c. Tombol “x” , merupakan tombol untuk keluar dari sistem. d. Nama dari sistem yang dibuat.
e. Logo yang digunakan dalam sistem yaitu logo Universitas Sumatera Utara
f. Tombol “Mulai”, merupakan tombol untuk memulai dan pengguna
diarahkan ke halaman data latih.
3.4.2. Halaman Citra Latih
Halaman citra latih dapat dilihat pada gambar 2.12
Beranda Data Uji
Data Latih
Pilih Gambar
x
Citra Asli Threshold Canny
Ciri Citra
achanthocytosis Kategori
Simpan Tampilan Citra
Keterangan :
a. Tombol “Beranda”, untuk menampilkan halaman utama
b. Tombol “Data Latih” , merupakan tombol untuk mengarahkan penggunauntuk masuk ke bagian proses data latih.
c. Tombol “Pilih Gambar”, merupakan tombol untuk menginput citra
sel darah merah untuk dilatih.
d. Panel “Citra Asli”, merupakan tampilan citra asli yang telah diinputkan.
e. Panel “Grayscale”, merupakan tampilan citra keabuan yang telah mengalami proses grayscaling.
f. Panel “Threshold”, merupakan tampilan citra biner atau hitam putih hasil dari proses thresholding.
g. Panel “Canny”, merupakan tampilan tepi citra keabuan yang diambil karakteristriknya melalui proses deteksi tepi canny.
h. Panel “Ciri Citra”, menampilkan karakteristik dari citra yang memiliki nilai 0 yang memiliki warna putih dan 1 yang memiliki warna hitam.
i. Tombol “Kategori”, merupakan tombol untuk memilih kategori sel
darah merah yang memiliki kelainan bentuk.
j. Tombol “Simpan”, untuk menyimpan hasil ciri citra yang telah
3.4.3. Halaman Citra uji
Gambar halaman citra uji dapat dilihat pada gambar 2.13
Keterangan :
a. Tombol “Beranda”, untuk menampilkan halaman utama
b. Tombol “Data Uji” , merupakan tombol untuk mengarahkan penggunauntuk masuk ke bagian proses data uji.
c. Tombol “Pilih Gambar”, merupakan tombol untuk menginput citra
sel darah merah untuk diuji.
d. Panel “Citra Asli”, merupakan tampilan citra asli yang telah
Citra Asli Grayscale Threshold Tampilan Citra
Gambar 2.13 Halaman Citra Uji h
Kotak merah : Cigar Cells
Kotak hijau : Normal
e. Panel “Grayscale”, merupakan tampilan citra keabuan yang telah mengalami proses grayscaling.
f. Panel “Threshold”, merupakan tampilan citra biner atau hitam putih hasil dari proses thresholding.
g. Panel “Canny”, merupakan tampilan tepi citra keabuan yang diambil karakteristriknya melalui proses deteksi tepi canny.
h. Panel “Kategori”, untuk menampilkan jenis citra sel darah merah hasil klasifikasi. Untuk klasifikasi jenis achanthocytosis akan di kotak dengan warna hijau, jenis cigar cell di kotak biru, dan untuk target cel di kotak kuning.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas implementasi dan pengujian sistem sesuai dengan analisis dan perancangan sistem pada bab 3 serta menampilkan hasil rancangan sistem dan pengujian sistem yang akan menghasilkan jenis klasifikasi kelainan bentuk sel darah merah.
4.1 Implementasi Sistem
Pada bagian ini akan membahas spesifikasi software dan hardware yang digunakan dalam membangun sistem dan implementasi sistem yang telah dirancang pada bab sebelumnya.
4.1.1 Spesifikasi software dan hardware yang digunakan
Spesifikasi software dan hardware yang digunakan dalam implementasi sistem ini adalah sebagai berikut :
1. Sistem operasi Microsoft Windows 7 Ultimate 32-bit 2. Processor Intel® Core™ i3-2310 M, CPU 2.10 GHz
3. Memori 4 GB RAM
4. Kapasitas harddisk 500 GB 5. Bahasa pemograman java
4.1.2 Implementasi antarmuka sistem
Adapun implementasi perancangan antarmuka sistem yang telah dilakukan adalah sebagai berikut :
1. Halaman Beranda 2. Halaman Data Latih 3. Halaman Data Uji
Halaman beranda merupakan halaman utama pada aplikasi pada saat aplikasi pertama dijalankan. Pada halaman utama terdapat menu data latih untuk menampilkan halaman data latih dan menu data uji untuk menampilkan halaman data uji. Halaman beranda juga memiliki tombol mulai yang menghubungkan pengguna ke halaman data latih. Halaman beranda dapat dilihat pada gambar 2.14.
4.1.2.2 Halaman Data Latih
Pada halaman beranda terdapat menu data latih untuk menampilkan halaman data latih. Pengguna dapat memilih citra sel darah merah yang mengalami kelainan untuk dilatih, kemudian setelah mendapatkan ciri citranya, citra tersebut disimpan untuk dijadikan acuan dalam proses pengujian nantinya. Tampilan halaman data latih dapat dilihat ada gambar 2.15
Pengguna akan memilih citra berwarna yang akan diproses menjadi citra keabuan melalui tahap grayscale. Kemudian citra keabuan akan mengalami tahap threshold yang akan mengubah citra keabuan tersebut menjadi citra biner. Setelah melalui tahapan threshold, citra akan di ambil cirinya menggunakan deteksi tepi canny melalui proses ekstraksi fitur sehingga didapat ciri citra biner berupa angka 0 dan 1. Citra dengan karakteristik
tertentu akan disimpan sesuai jenis kategorinya sebagai nilai ciri citra latih. Gambar 2.16. menampilkan proses pada halaman data latih.
4.1.2.3. Halaman Data Uji
Tombol data uji akan mengarahkan pengguna ke halaman tampilan data uji. Pengguna dapat memilih citra sel darah merah yang memiliki kelainan bentuk untuk diklasifikasikan. Gambar 2.17 menampilkan halaman data uji.
Setelah pengguna memilih citra yang akan dilakukan pengujian, citra tersebut akan diubah dari citra berwarna menjadi citra keabuan terlebih dahulu melalui proses grayscale. Setelah itu, citra akan mengalami proses threshold yang mengubah citra keabuan menjadi citra biner berupa angka 0 dan 1.
Setelah menjadi citra biner, proses selanjutnya adalah mendapatkan ciri citra melalui proses ekstraksi fitur deteksi tepi canny untuk mendapatkan tepi citra. Kemudian citra hasil ekstraksi fitur diklasifikasikan jenisnya menggunakan RBFN.
Tahap pengklasifikasian yang dilakukan RBFN ini dilakukan satu persatu pada citra sel darah merah dan dilakukan pencocokkan ciri citra pada pelatihan citra yang telah dilakukan sehingga RBFN dapat menampilkan hasil klasifikasi sel darah merah yang memiliki kelainan bentuk. Hasil klasifikasi dari ciri citra uji yang digunakan ditunjukkan pada gambar 2.18.
Dalam proses pelatihan citra, citra sel darah merah yang mengalami kelainan bentuk yang digunakan sebanyak 55 gambar untuk masing-masing kategori dan berukuran 50 x 50 piksel yang disimpan dalam hard disk lokal. Data citra sel darah merah tersebut dilatih, disimpan ciri citranya, dan akan dicocokan karakterisktiknya pada saat pengujian data.
4.3Pengujian Citra
Pada penelitian ini, akan digunakan 10 citra sel darah merah yang berbentuk tidak normal untuk diklasifikasikan sesuai jenisnya. Hasil proses klasifikasi sistem pada salah satu data uji dapat dilihat pada gambar 2.19.
Dari gambar 2.19. dapat dilihat sel darah merah yang dikenal sebagai cigar
cellakan ditandai dengan kotak berwarna merah. Hasil proses klasifikasi sel
darah merah yang mengalami kelainan bentuk pada gambar 3.4. terdapat keseluruhan sel yang terdeteksi sebanyak 35 sel. Dari keseluruhan sel, terdapat
sebanyak 29 sel yang diklasifikasikan sebagai kelainan sel darah merah kategori
cigar cellyang ditandai dengan kotak berwarna merahdan terdapat kesalahan
klasifikasi yaitu sebanyak 5 buah sel yang diklasifikasikan sebagai sel
achanthocytosis yang ditandai dengan kotak berwarna biru.Hasil keseluruhan
data uji, dapat dilihat pada tabel 2.5.
No Nama
Dari 15 data hasil pengujian pada tabel 2.7. terdapat kesalahan klasifikasi citra yang di kenali oleh sistem sebagai citra sel darah merah kategori lain. Sistem seharusnya mengenali citra achanthocytosis menjadi sel normal, atau mengenalinya sebagai kategori yang lain.Hal itu disebabkan karena ciri citra uji achanthocytosis yang memiliki ciri yang hampir sama dengan ciri sel darah merah normal pada ciri latihya atau kategori yang memiliki ciri citra yang hampir sama dengan sel achanthocytosis. Kesalahan klasifikasi bisa dilihat pada gambar 2.20
Dari gambar 2.20 Terdapat ciri citra sel achanthocytosis, yang ditunjukkan oleh tanda panah, yang diklasifikasikan sebagai cigar cell karena ciri pada data latih sel achanthocytosis memiliki ciri citra yang hampir sama dengan ciri cigar cell yang
akan diklasifikasikan.Kesalahan klasifikasi citra juga disebabkan karena kualitas gambar yang kurang bagus sehingga bentuk yang deteksi oleh deteksi tepicannytidak dapat tergambar secara sempurna. Kesalahan klasifikasi tersebut dapat dilihat pada gambar 2.21.
Pada gambar 3.5. terdapat klasifikasi double atau dua kali sehingga sel darah merah yang mengalami kelainan bentuk, terkotak dua kali pada satu jenis sel yang sama. Dari hasil uji data pada sistem klasifikasi kelainan bentuk sel darah merah menggunakan radial basis function (RBFN) didapatkan akurasi dalam proses pengklasifikasian dengan rata-rata 83.3 %. Hasil dari klasifikasi citra dapat dilihat pada persamaan 3.0.
�� �� � �� � = � �ℎ � ℎ � � ℎ ℎ ℎ ℎ × %
= × % = ,
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan implementasi dan hasil pengujian sistem yang telah dilakukan sebagai berikut :
1. Klasifikasi kelainan bentuk sel darah merah dengan menggunakan jaringan saraf tiruan radial basis function network sebagai metode klasifikasi kelainan bentuk sel darah merah sesuai target yang telah ditentukan dengan nilai akurasi mencapai 83,3%.
5.2. Saran
Adapun saran yang dapat diberikan oleh penulis yang berhubungan dengan penelitian ini untuk pengembangan selanjutnya adalah sebagai berikut :
1. Diharapkan pada penelitian selanjutnya, klasifikasi kelainan sel darah merah dapat dibuat dengan metode yang lain untuk meningkatkan nilai akurasi.
BAB 2
LANDASAN TEORI
2.1. Sel Darah Merah
Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk mengikat oksigen untuk diedarkan keseluruh tubuh. Sel darah merah berbentuk seperti cakram bikonkaf yang berdiameter 7,5mikron, tebal tepi sekitar 2 mikron dan bagian tengahnya lebih kurang 1 mikron. (Wulandary, 2014).Bagian tepi sel darah merah terlihat lebih merah daripada bagian pusatnya dikarenakan bentuknya yang bikonkaf sehingga menyebabkan hemoglobin terkumpul lebih banyak dibagian tepi sel (Tahir,. et, al. 2012) Gambar sel darah merah normal, bisa dilihat pada gambar 2.1.
Keadaan kurangnya oksigen menyebabkan sel darah merah selain tidak bisa melakukan fungsi sebagai mana mestinya, juga bisa mengakibatkan bentuk sel darah merah itu sendiri menjadi tidak normal. Kelainan bentuk sel darah merah terdiri dari berbagai macam bentuk. Kelainan-kelainan bentuk sel darah merah dapat mengakibatkan timbulnya berbagai penyakit yaitu :
1. Achanthocytosis
Kelainan bentuk sel darah merah yang memiliki satu atau lebih tonjolan sitoplasma yang runcing dan tidak teratur pada tepi selnya.
2. Cigar Cell.
3. Echinocytes.
Kelainan sel darah merah yang memiliki tonjolan sitoplasma yang teratur seperti duri.
4. Schistocytosis
Kelainan sel darah merah yang berbentuk tidak teratur akibat dari fragmentasi.
5. Target Cell
Kelainan bentuk sel darah merah yang menyerupai sasaran tembak.
2.2. Pengolahan Citra Digital
Citra (image) merupakan komponen multimedia yang mengandung informasi-informasi penting didalamnya. Pengolahan citra digital adalah ilmu yang mempelajari tentang proses mengolah informasi dari suatu citra dengan cara memperbaiki kualitas citra, mentransformasi citra, memilih ciri citra yang bertujuan untuk menganalisis, mengumpulkan informasi, atau mempelajari suatu objek yang ada pada citra.Kumpulan piksel-piksel yang disusun dalam larik dua-dimensi disebut citra.Dalam proses pengolahan citra, yang menjadi input adalah sebuah citra dan citra hasil dari proses pengolahan tersebut merupakan outputnya. (Wulandary, 2014). Beberapa teknik yang digunakan dalam pengolahan citra digital:
a. Grayscale.
Pada tahap ini citra sel darah merah yang berwarna (RGB) diubah menjadi citra grayscale (gambar keabuan). Proses konversi bisa dilihat dalam persamaan (2.1)
I = (R + G + B) / 3 I : Tingkat keabuan
R : Tingkat intensivitas warna merah G : Tingkat intensivitas warna hijau B : Tingkat intensivitas warna biru
b. Threshold.
Pada tahap ini bertujuan untuk mengubah citra grayscale menjadi citra biner atau hitam putih sehingga dapat dibedakan daerah antara background dari citra. (Subekti, et al. 2013). Proses thresholding bisa dilihat pada persamaan (2.2).
dengan g(x,y) merupakan sebuah citra biner hasil dari proses grayscale f(x,y) dan T menyatakan nilai untuk hasil thresholding. Pada penelitian ini, thresholding yang digunakan adalah metode otsu. Metode ini menganalisis deskriminandengan membedakan antara dua atau lebih kelompok secara alami untuk menentukan suatu variabel. (Kumaseh, 2013)
c. Zoning.
tujuan tahap ini untuk mendapatkan ciri dari karakteristik sel darah merah yang telah mengalami tahapan pra-pengolahan. Pada penelitian ini digunakan ektraksi ciri zoning. Kelebihan dari ekstraksi zoning ini adalah kemampuannya untuk mengekstrak suatu karakter dengan perhitungan yang cepat dan kompleksitas yang rendah. (Winda, et. al, 2012)
d. Deteksi Tepi Canny (Canny Edge Detection)
Dalam jarak yang singkat, perubahan nilai tingkat derajat keabuan suatu citra yang besar sangat berguna dalam proses segmentasi dan identifikasi citra untuk mencirikan informasi objek yang ada pada citra. Perubahan tersebut dinamakan tepi dalam suatu citra. Dalam penelitian ini, digunakan deteksi tepi canny. Algoritma canny dapat melakukan deteksi tepi secara optimum karena algoritma ini memenuhi beberapa kriteria (Kamal & Basuki, 2013) :
1. Dalam mendeteksi kriteria citra, algoritma ini mampu menandai semua tepi dengan baik dan dalam menentukan tingkat ketebelan tepi memiliki fleksibilitas yang tinggi.
g (x,y) =
{
1,jika f(x,y) ≥ T2. Antara tepi yang dideteksi oleh algoritma canny dengan tepi citra yang asli, algoritma ini mampu menghasilkan jarak yang minimum sehingga algoritma ini memiliki kriteria lokalisasi yang baik.
3. Dalam tiap tepi, algoritma canny hanya memiliki satu respon yang mudah dideteksi sehingga dapat menghindari adanya kerancuan pada proses pengolahan citra pada tahap berikutnya.
2.3. Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) merupakan sebuah sistem yang memiliki cara kerja yang meniru cara kerja sistem saraf manusia. Jaringan saraf tiruan ini memiliki beberapa neuron yang berfungsi sebagai unit pemroses informasi dan hubungan antar neuron yang disebut sebagai sinapsis yang memiliki sejumlah bobot yangakan digunakan untuk operasi perkalian. Untuk menghitung nilai
output atau keluarannya, unit pengolah (neuron) akan membentuk penjumlahan
bobot dari masukkannya dan menggunakan fungsi aktivasi.(Nugroho, 2012). Dalam jaringan saraf tiruan, terdapat beberapa fungsi aktivasi yang dapat digunakan yaitu :
1. Fungsi Linier, yaitu fungsi aktivasi yang memiliki nilai output dan input yang sama. Fungsi linier dapat dilihat pada persamaan (2.3)
2. Fungsi Undak Biner, yaitu fungsi aktivasi yang nilai inputnya dari suatu variabel yang bernilai kontinu dikonversikan ke suatu output biner. Fungsi Undak Biner dapat dilihat pada persamaan (2.4)
f(x)
={
3. Fungsi Symetric Saturating Linear, yaitu fungsi aktivasi yang memiliki nilai 1, -1, atau sama dengan nilai inputnya. Jika nilai input yang dimasukkan lebih dari 1,maka fungsi aktivasi ini akan memiliki nilai 1, dan jika nilai inputnya kurang dari -1, maka fungsi ini akan bernilai -1,
0, jika x ≤ 0
1, jika x > 0
(2.4)
sedangkan jika nilai inputnya berada diantara -1 dan 1, maka nilai fungsi aktivasi ini akan sama dengan inputnya. Fungsi aktivasisymetric
saturating lineardapat dilihat pada persamaan (2.5)
f(x)
={
4. Fungsi Sigmoid Biner, yaitu fungsi aktivasi yang memiliki nilai antara 0 sampai 1. Fungsi aktivasi sigmoid biner bisa dilihat pada persamaan (2.6)
f(x) =
2.4. Radial Basis Function Network (RBFN)
Radial Basis Function Network (RBFN)merupakan salah satu jenis jaringan
saraf tiruan yang memiliki penggabungan pelatihan terbimbing dan tak terbimbing sekaligus sehingga pelatihan pada jaringan saraf tiruan ini disebut sebagai pelatihan hibrida. Jaringan saraf tiruan radial basis function teridiri dari unit lapisan masukan (input layer), unit lapisan tersembunyi (hidden
layer), dan unit lapisan keluaran (output layer).(Nugroho, 2012). Data input
akan diproses secara nonlinear dengan fungsi aktivasi pada lapisan tersembunyi setelah lapisan input menerima suatu input x dan dari lapisan tersembunyi, secara linier outputnya akan diproses pada lapisan keluaran. Proses yang terjadi darilapisan input ke lapisan tersembunyi memiliki sifat nonlinier dan akan bersifat linier pada lapisan tersembunyi ke lapisan keluaran. Fungsi aktivasinya bersifat radial dan outputnya berupa hasil penjumlahan. Oleh karena itu, jaringan radial basis function ini disebut sebagai jaringan saraf
feed-forward (Purwitasari, et., al. 2011). Pada lapisan tersembunyi, akan
a. Fungsi Multikuadaratik, dapat dilihat pada persamaan (2.7)
φ(x) = (x2+σ2)1/2
b. Fungsi Invers Multikuadratik, dapat dilihat pada persamaan (2.8)
φ(x) =
c. Fungsi Gaussian, dapat dilihat pada persamaan (2.9)
φ(x) = e
Arsitektur jaringan saraf tiruan Radial Basis Function bisa dilihat pada Gambar 2.2.(Tahir et al. 2012).
Nugroho (2012) menjelaskan cara kerja algoritma radial basis function
network yang memiliki tahapan sebagai berikut :
1. Langkah 1 :Tentukan fungsi-fungsi basis yang akan digunakan
2. Langkah 2 : Pada lapisan tersembunyi di setiap node, tentukan centersecara acak
(2.7)
(2.8) (x2+σ2)1/2
1
(-x2/2σ2)
(2.9)
(Sumber : Tahir et.al, 2012)
3. Langkah 3 : Pada lapisan tersembunyi, tentukan bobot sebanyak node yang akan digunakan
4. Langkah 4 : Memberikan nilai inisialisasi bobot w = [0 0 0 ...0 ] sebagai nilai awal, lalu atur laju konvergensi (0 <α < 1). Setelah itu, tentukan nilai maksimal epoch dan MSE yang akan dihitung.
7. Langkah 7 : Pada jaringan RBFN, hitung nilai output. 8. Langkah 8 : Antara sinyal (d) terhadap output RBFN (y),
hitung nilai error dengan persamaan (3.0)
error = d – y (3.0)
9. Langkah 9 : Pada tiap fungsi basis, update bobot basis dengan metode LMS.
10.Langkah 10 : Hitung nilai MSE yang merupakan hasil akar dari jumlah kuadrat error
11.Langkah 11 : epoch = epoch + 1
2.5.Penelitian Terdahulu
Pada tahun 2012, Tahir et. al, melakukan penelitian yang berjudul analisa metode radial basis function jaringan saraf tiruan untuk penentuan morfologi sel darah merah (sel darah merah) berbasis pengolahan citra. Penelitian ini membandingkan dua metode yaitu metode radial basis
function dan metode backpropagation. Bentuk kelainan sel darah merah
yang digunakan adalah enam jenis bentuk.
Penelitian yang dilakukan oleh Praida pada tahun 2008 yang berjudul pengenalan penyakit darah menggunakan teknik pengolahan citra dan jaringan saraf tiruan. Objek yang digunakan dalam penelitian ini adalah sel darah putih. Penelitian ini menggunakan algortima gradient-descent pada metode backpropagationdan memiliki nilai akurasi 83,33%.
Pada tahun 2014, Juliaristi melakukan penelitian yang berjudul peramalan banyak kasus demam berdarah di D.I. Yogyakarta dengan model radial
basis function neural network. Penelitian ini menggunakan metode
jaringan saraf tiruan radial basis function untuk meramalkan banyak kasus demam berdarah untuk 6 bulan ke depan. Rangkuman dari penelitian terdahulu dapat dilihat pada tabel 2.1
No Peneliti Tahun Metode Keterangan
1 Fanny Sari
Wulandari
2014 SOM Menggunakan metode SOM dalam
membedakan sel darah merah normal dan abnormal dan mencapai akurasi sebesar 89,134%
2 Elly Warni 2009 Backpropagation Menentukan morfologi eritrosit
menggunakan metode
backpropagation dan memiliki akurasi 78,33%
Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah penggunaan metode jaringan saraf tiruan Radial Basis Function Neural
Network (RBFNN)dan banyaknya jenis kelainan bentuk sel darah merah
yang digunakan ada sebanyak 3 jenis kategori yang berbeda. 3 Zulkifli Tahir, Elly
Warni, Indrabayu, Ansar Suyuti
2012 RBF dan
Backpropagation
Membandingkan metode RBF dan
backpropagation dalam menentukan
morfologi sel darah merah. 4 Arthania Retno
Praida
2008 Gradient-descent
dan
backpropagation
Melakukan pengenalan penyakit darah dengan menggunakan algoritma gradient-descent pada
jaringan saraf tiruan
backpropagation dan memiliki akurasi sebesar 83.33%
BAB 1
PENDAHULUAN
1.1Latar Belakang
Darah merupakan suatu cairan yang sangat vital bagi manusia karena memiliki banyak fungsi yang mampu menunjang kehidupan. Keadaan seseorang yang sehat atau sakit bisa dideteksi dari sel-sel darah yang ada didalam tubuh. Selain sebagai petunjuk adanya penyakit lain, sel-sel darah juga bisa menunjukkan adanya penyakit darah yang diakibatkan perubahan susunan kimiawi sel darah itu sendiri. (Praida, 2008). Sel-sel darah terdiri dari sel darah merah (eritrosit), sel darah putih (leukosit), dan keping darah (trombosit) (Bakta, 2009).
Untuk mengatasi masalah diatas, dibutuhkan suatu pendekatan yang dapat membantumengklasifikasikan sel darah merah yang memiliki kelainan secara morfologi. Oleh karena itu, peneliti akan mengembangkan teknologi komputer yang dapat mengklasifikasikan sel darah merah yang memiliki kelainan bentuk tersebut, yaitu dengan teknik pengolahan citra digital.
Sebelumnya telah dilakukan beberapa penelitian tentang pengolahan citra digital untuk menganalisis darah, diantaranya membedakan Bentuk Sel Darah Merah Normal dan Abnormal dengan Metode Self-Organizing Map(SOM) (Wulandary, 2010), Analisa Metode Radial Basis Function Jaringan Saraf Tiruan Untuk Penentuan Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra (Tahir,. et al, 2012), Penentuan Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra dan Jaringan Saraf Tiruan (Warni, 2009).
Pada penelitian ini, penulis menggunakan metode Radial Basis Function
Network (RBFN) untuk mengklasifikasikan sel darah merah dari kelainan
bentuknya. RBFN merupakan suatu model dari jaringan saraf tiruan yang inputnya ditransformasikan secara nonlinear menggunakan fungsi gaussian sebagai fungsi aktivasinya di lapisan tersembunyi sebelum diproses linear pada lapisan keluaran.(Tahir, et. al, 2012).
Penelitian terkait tentang RBFN diantaranya yaitu : Peramalan Banyak Kasus Demam Berdarah Di D.I. Yogyakarta Dengan Model Radial Basis
Function Neural Network (Juliaristi, 2014), Aplikasi Model Jaringan Syaraf
Tiruan Dengan Radial Basis Function Untuk Mendeteksi Kelainan Otak (Stroke Infark) (Sarwono, 2012), Biometric Signature Processing & Recognition Using Radial Basis Function Network (Chadha,. et al, 2013).Berdasarkan penelitian terdahulu, penulis termotivasi untuk melakukan penelitian yang berjudul “KlasifikasiKelainan Bentuk Sel Darah Merah Menggunakan Radial Basis Function Network”. Penulis berharap sistem yang akan dibuat dapat berguna dalam membantu proses pemeriksaan dengan cepat dan efisien.
1.1.Rumusan Masalah
pemeriksaan antara satu analis dengan analis lainnya akan berbeda. Perbedaan hasil pemeriksaan bisa disebabkan oleh karena kurangnya pengetahuan dan ketelitian yang dimiliki oleh para analis tersebut. Oleh karena itu, diperlukan suatu pendekatan yang dapat mengklasifikasi sel darah merah dengan lebih akurat dan sebagai masukan kepada praktisi kesehatan dalam mengambil keputusan.
1.2.Batasan Masalah
Bidang penelitian mencakup ruang lingkup yang luas. Untuk itu penulis membatasi permasalahan pada penelitian ini yaitu sebagai berikut :
1. Hanya menggunakan citra sel darah merah (eritrosit) berupa hasil pemotretan dari mikroskop digital dengan format Jipeg (.JPEG).
2. Bentuk sel darah merah yang diteliti dibatasi hanya tiga bentuk kelainan.
3. Citra yang digunakan memiliki resolusi 50 x 50 piksel.
1.3.Tujuan Penelitian
Adapun tujuan penelitian ini adalah mengklasifikasikan kelainan bentuk sel darah merah menggunakan jaringan saraf tiruan Radial Basis Function
Network.
1.4.Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut :
1. Sistem yang dibangun dapat digunakan untuk mengklasifikasikan kelainan bentuk sel darah merah
2. Menambah pengetahuan penulis tentang pengolahan citra dan radial
basis function network.
1.5.Metode Penelitian
Adapun tahapan-tahapan yang akan dilakukan pada pelaksanaan penelitian ini adalah :
Pada tahap ini dilakukan untuk mengumpulkan literatur mengenai bentuk kelainan sel darah merah, ekstraksi fitur, dan radial basis
function network dari penelitian terdahulu sehingga dapat dilakukan
pengembangan untuk penelitian ini.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap literatur yang telah ada untuk mendapatkan berbagai pengetahuan dan informasi yang terkait sehingga didapatlan metode yang tepat dalam menyelesaikan masalah pada penelitian ini.
3. Perancangan Desain Sistem
Pada tahap ini dilakukan perancangan desain sistem seperti perancangan arsitektur dan antarmuka sistem.
4. Implementasi
Pada tahap ini dilakukan implementasi dari analisis yang telah disusun pada Bab 3 dan pengujian untuk mengetahui hasil yang didapat sesuai dengan apa yang diharapkan.
5. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibuat untuk mengetahui sistem yang dibuat telah berjalan sesuai yang diharapkan.
6. Dokumentasi dan Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan dari penelitian yang dilakukan.
1.7. Sistematika Penulisan
Sistematika penulisan skripsi ini terdiri dari lima bagian utama antara lain sebagai berikut:
Bab ini terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini berisi teori – teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini juga dijelaskan tentang penerapan jaringan saraf tiruan radial basis function untuk mengklasifikasi kelainan bentuk sel darah merah.
Bab 3: Analisis dan Perancangan Sistem
Bab ini berisi analisis dan penerapan jaringan saraf tiruan untuk mengklasifikasikelainan bentuk sel darah merah, serta perancangan flowchart dan usecase
Bab 4: Implementasi dan Pengujian Sistem
Bab ini membahas tentang implementasi dari analisis dan perancangan yang telahdibuat dan pengujian untuk mengetahui apakah hasil yang didapatkan sesuai dengan yang diharapkan.
Bab 5: Kesimpulan dan Saran
ABSTRAK
Dalam mendiagnosis suatu penyakit, selain pemeriksaan secara fisik, analisis darah merupakan metode yang bisa diandalkan, karena darah memiliki komponen yang banyak mengandung informasi penting. Pemeriksaan morfologi apusan darah tepi merupakan salah satu pemeriksaan laboratorium yang sangat penting dan harus dieavulasi dengan baik. Namun, analisis sel darah merah yang mengalami kelainan bentuk yang dilakukan oleh seorang analis kesehatan tidak selalu sama dengan analis yang lain dikarenakan kurangnya faktor ketelitian, konsentrasi, dan pengetahuan yang kurang memadai. Selain itu, pemeriksaan morfologi apusan darah tepi masih dilakukan secara manual oleh para analis kesehatan yang dinilai kurang efisien karena membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, dibutuhkan metode untuk mengklasifikasi jenis sel darah merah yang mengalami kelainan bentuk akibat dari adanya suatu penyakit. Pada penelitian ini, digunakan metode radial basis function networksebagai metode untuk klasifikasi jenis sel darah merah yang tidak normal. Tahap-tahap yang dilakukan sebelum proses klasifikasi adalah input citra, pra-pengolahan, ekstraksi fitur menggunakan canny edge detection. Hasil penelitian menunjukkan bahwa metode yang digunakan mampu melakukan proses klasifikasi sel darah merah yang tidak normal dengan akurasi sebesar 83,3%.
DEFORMITY OF RED BLOOD CELLS CLASSIFICATION USING RADIAL
BASIS FUNCTION NETWORK
ABSTRACT
Beside a physical examination, blood analysis is one of methods that can rely on in diagnosing a disease, because blood has many components that contains important information. Morphological examination of peripheral blood smear is a laboratory test that is very important and should be evaluated well. However, analysis of malformed red blood cells, performed by an analyst is not always same as other analysts due to lack of precision, concentration, and inadequate knowledge. In addition, morphological examination of peripheral blood smear is still performed manually by analysts and it is inefficient because it requires a lot of time. As a solution regarding these problems, a method to classify types of deformity of red blood cells is required. In this reasearch, radial basis function network was used as a classification method of deformity of red blood cells. The steps taken before the classification were input the image of deformity of red blood cells, pre-processing, and feature extraction using canny edge detection. The result showed that the proposed method was able to perform the classification of deformity of red blood cells achieved 83.3% accuracy.
NETWORK
ANITA RATNA SARI 111402103
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH
MENGGUNAKAN RADIAL BASIS FUNCTION
NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
ANITA RATNA SARI 111402103
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : KLASIFIKASI KELAINAN BENTUK SEL DARAH
MERAH MENGGUNAKAN RADIAL BASIS
FUNCTION NETWORK
Kategori : SKRIPSI
Nama : Anita Ratna Sari
Nomor Induk Mahasiswa : 111402103
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASIUNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Romi Fadillah Rahmat B.Comp.Sc.,M.Sc M. Fadly Syahputra, B.Sc.,M.Sc.,IT NIP. 19860303 201012 1 004 NIP. 19830129 200912 1 003
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN
RADIAL BASIS FUNCTION NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 18 Mei 2016
UCAPAN TERIMA KASIH
Puji dan Syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa yang telah memberikan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini.
Penulis mengucapkan banyak terima kasih kepada Bapak SM. Fadly Syahputra, B.Sc.,M.Sc.,IT dan Bapak Romi Fadillah Rahmat B.Comp.Sc.,M.Sc, selaku pembimbing 1 dan pembimbing 2 yang telah banyak memberikan bimbingan, arahan, motivasi dan membantu penulis dalam penyusunan dan penulisan skripsi ini. BapakDedy Arisandi, ST., M.Kom dan Bapak Dr. Sawaluddin, M.IT sebagai tim pembanding, atas segala kritik dan saran dalam penyempurnaan penulisan skripsi ini. Terima kasih
kepada Ketua dan Sekretaris program studi Teknologi Informasi, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Bapak dan Ibu dosen yang telah memberikan ilmu yang bermanfaat bagi penulis serta seluruh staf TU (Tata Usaha) program studi Teknologi Informasi yang telah banyak membantu dalam segala kegiatan administrasi penulis.
Terima kasih kepada orang tua tercinta, Ayahanda Suwanto dan Ibunda Ana yang selalu mendoakan, sabar dan senantiasa memberikan kasih sayang dan dukungan yang penuh kepada penulis. Adik-adik penulis, Ayu Wulandary dan Yenny Indah Sari serta keluarga besar penulis yang selalu memberikan semangat kepada penulis.
ABSTRAK
Dalam mendiagnosis suatu penyakit, selain pemeriksaan secara fisik, analisis darah merupakan metode yang bisa diandalkan, karena darah memiliki komponen yang banyak mengandung informasi penting. Pemeriksaan morfologi apusan darah tepi merupakan salah satu pemeriksaan laboratorium yang sangat penting dan harus dieavulasi dengan baik. Namun, analisis sel darah merah yang mengalami kelainan bentuk yang dilakukan oleh seorang analis kesehatan tidak selalu sama dengan analis yang lain dikarenakan kurangnya faktor ketelitian, konsentrasi, dan pengetahuan yang kurang memadai. Selain itu, pemeriksaan morfologi apusan darah tepi masih dilakukan secara manual oleh para analis kesehatan yang dinilai kurang efisien karena membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, dibutuhkan metode untuk mengklasifikasi jenis sel darah merah yang mengalami kelainan bentuk akibat dari adanya suatu penyakit. Pada penelitian ini, digunakan metode radial basis function networksebagai metode untuk klasifikasi jenis sel darah merah yang tidak normal. Tahap-tahap yang dilakukan sebelum proses klasifikasi adalah input citra, pra-pengolahan, ekstraksi fitur menggunakan canny edge detection. Hasil penelitian menunjukkan bahwa metode yang digunakan mampu melakukan proses klasifikasi sel darah merah yang tidak normal dengan akurasi sebesar 83,3%.
DEFORMITY OF RED BLOOD CELLS CLASSIFICATION USING RADIAL
BASIS FUNCTION NETWORK
ABSTRACT
Beside a physical examination, blood analysis is one of methods that can rely on in diagnosing a disease, because blood has many components that contains important information. Morphological examination of peripheral blood smear is a laboratory test that is very important and should be evaluated well. However, analysis of malformed red blood cells, performed by an analyst is not always same as other analysts due to lack of precision, concentration, and inadequate knowledge. In addition, morphological examination of peripheral blood smear is still performed manually by analysts and it is inefficient because it requires a lot of time. As a solution regarding these problems, a method to classify types of deformity of red blood cells is required. In this reasearch, radial basis function network was used as a classification method of deformity of red blood cells. The steps taken before the classification were input the image of deformity of red blood cells, pre-processing, and feature extraction using canny edge detection. The result showed that the proposed method was able to perform the classification of deformity of red blood cells achieved 83.3% accuracy.
DAFTAR ISI
Hal
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK v 1.5 Manfaat Penelitian 1.6 Metode Penelitian
2.2 Pengolahan Citra Digital 2.3 Jaringan Saraf Tiruan
2.4 Radial Basis Function (RBFN)
2.5 Penelitian Terdahulu
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 15
3.3.3 Ekstraksi Fitur
3.3.4 Analisis Radial Basis Function Network (RBFN)
3.3.5 Proses Sistem
4.1.1 Spesifikasi software dan hardware yang digunakan
4.1.2 Implementasi antarmuka sistem
4.1.2.1. Halaman Beranda
4.1.2.2. Halaman Data Latih
4.1.2.3. Halaman Data Uji BAB 5 KESIMPULAN DAN SARAN
DAFTAR TABEL
Hal
Tabel 2.1 Penelitian Terdahulu 13
Tabel 2.2 XOR 20
Tabel 2.3 Nilai Fungsi Gaussian 21
Tabel 2.4 Perhitungan Output 23
DAFTAR GAMBAR
Hal
Gambar 2.1 Sel Darah Merah Normal 6
Gambar 2.2 Arsitektur Umum 11
Gambar 2.3 Gambar Kelainan Bentuk Sel Darah Merah 15
Gambar 2.4 Arsitektur Umum 16
Gambar 2.5 Representasi Piksel Sel Darah Merah 17
Gambar 2.6 Nilai Citra Grayscale Pada Tiap Piksel 18
Gambar 2.7 Citra Sel Darah Merah Hasil Grayscale 18
Gambar 2.8 Citra Sel Darah Merah Hasil Threshold 19
Gambar 2.9 Citra Sel Darah Merah Hasil Deteksi Tepi Canny 19
Gambar 2.10 Proses Sistem 25
Gambar 2.11 Halaman Awal 26
Gambar 2.12 Halaman Citra Latih 27
Gambar 2.13 Halaman Citra Uji 29
Gambar 2.14 Halaman Beranda 32
Gambar 2.15 Halaman Data Latih 33
Gambar 2.16 Tampilan Halaman Proses Data Latih 34
Gambar 2.17 Tampilan Halaman Proses Data Uji 35
Gambar 2.18 Tampilan Halaman Proses Data Uji (a,b) 36
Gambar 2.19 Tampilan Hasil Proses Klasifikasi 37
Gambar 2.20 Contoh Hasil Klasifikasi Citra 40
