MENGGUNAKAN RADIAL BASIS FUNCTION 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.
Terima kasih untuk sahabat penulis Fitrianingsih Sipahutar, Herimelda
Hutagaol, Susi Elfrida Simanjuntak, Ade Oktariani, Nisva Elvira Lubis, dan PB-TI’11
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
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL viii
DAFTAR GAMBAR ix
1.5 Manfaat Penelitian
1.6 Metode Penelitian
2.1 Sel Darah Merah
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 Implementasi 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
4.2 Pelatihan Citra
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran
42 42 42
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
