Sistem Untuk Mengklasifikasikan Bentuk Sel Darah Merah Normal Dan Abnormal Dengan Metode Self-Organizing Map (SOM)

SISTEM UNTUK MENGKLASIFIKASIKAN BENTUK SEL DARAH

MERAH NORMAL DAN

ABNORMAL

DENGAN METODE

SELF-ORGANIZING MAP (SOM)

SKRIPSI

FANNY SARI WULANDARI 091402104

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2014

SISTEM UNTUK MENGKLASIFIKASIKAN BENTUK SEL DARAH

MERAH NORMAL DAN

ABNORMAL

DENGAN METODE

SELF-ORGANIZING MAP (SOM)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat tugas akhir

FANNY SARI WULANDARI 091402104

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2014

iii

PERSETUJUAN

Judul : SISTEM UNTUK MENGKLASIFIKASIKAN BENTUK

SEL DARAH MERAH NORMAL DAN ABNORMAL

DENGAN METODE SELF-ORGANIZING MAP (SOM)

Kategori : SKRIPSI

Nama : FANNY SARI WULANDARI

Nomor Induk Mahasiswa : 091402104

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, 2014 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Muhammad Anggia Muchtar, ST., MM.IT Romi Fadillah Rahmat, B.Comp.Sc, M.Sc

NIP 19800110 200801 1 010 NIP 19860303 201012 1 004

Diketahui/disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

Muhammad Anggia Muchtar, ST., MM.IT NIP 19800110 200801 1 010

PERNYATAAN

SISTEM UNTUK MENGKLASIFIKASIKAN BENTUK SEL DARAH MERAH

NORMAL DAN ABNORMAL DENGAN METODE

SELF-ORGANIZING MAP (SOM)

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkab sumbernya.

Medan, Oktober 2014

Fanny Sari Wulandari 091402104

v

PENGHARGAAN

Puji syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat, nikmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Penulis menyadari bahwa bantuan dan bimbingan dari berbagai pihak sangatlah penting untuk menyelesaikan skripsi ini. Maka dalam kesempatan ini penulis ingin mengucapkan terimakasih sebesar-besarnya kepada:

1. Papa dan mama selaku kedua orangtua penulis, Harianto dan Siti Amnah Siregar yang

sudah memberikan do’a, dukungan, semangat serta kasih sayangnya sepenuh hati. Penulis berharap dapat memberikan yang terbaik dan membuat kedua orangtua penulis bangga.

2. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi

Universitas Sumatera Utara, seluruh dosen serta seluruh pegawai Program Studi S1 Teknologi Informasi.

3. Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, Bapak M. Anggia

Muchtar, ST., MM.IT dan Bapak M. Fadly Syahputra, B.Sc., M.Sc.IT.

4. Dosen Pembimbing Satu dan Dua, Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc

dan Bapak M. Anggia Muchtar, S.T., MM.IT yang telah banyak menyediakan waktu dan membagi ilmu untuk membimbing dan mengarahkan penulis dalam menyelesaikan skripsi ini.

5. Dosen Penguji Satu dan Dua, Bapak M. Fadly Syahputra, B.Sc., M.Sc.IT dan Bapak

Dani Gunawan, ST.MT yang telah membantu mengarahkan penulis dalam menyusun skrispsi ini dengan sangat baik.

6. dr. Alya Amalia Fitrie, M.Kes selaku dosen histologi Fakultas Kedoteran Universitas

Sumatera Utara dan dr. Dewi Indah Sari Siregar, MKed.(ClinPath), SpPK selaku dokter Patologi Klinik yang telah membantu penulis dalam memperoleh data sel darah merah.

7. Kakak-kakak dan abang penulis Fibriyanti Sari Dewi, Fushanty Ica Amhar, Fushanny

Ice Amhar, Syahbana Sari Muda yang telah memberi dukungan, semangat dan kasih sayang yang tak terhingga, yang terkasih M. Fauzan yang telah sabar dan memberikan semangat kepada penulis dalam menyelesaikan skripsi ini, serta orangtua asuh, H.

Sugiono Asmar, SP. QIA yang telah memberikan do’a, dukungan dan semangat

kepada penulis.

8. Kepada sahabat Melinda, Raisha, Winda, Enggar, Ade M, Rima, Uti, Yunisya, Yana,

Hani, Dijah, Juju, Ade T, Ibnu, Dullah, Reza, Fadli Rizky, Fadli Rachman, Memed, Ammar, Ridzuan, Dezi, Yogi serta teman-teman Teknologi Informasi lainnya yang tidak dapat penulis sebutkan satu persatu.

. Penulis sadar bahwa skripsi ini belum sempurna. Dengan kerendahan hati penulis mengharapkan kritik dan saran yang membangun. Semoga Allah selalu memberikan yang terbaik serta berkah dan rahmat-Nya untuk kita semua. Aamin Yaa Rabbalalamin

ABSTRAK

Darah merupakan komponen esensial makhluk hidup yang berada dalam ruang vaskuler. Untuk mengidentifikasikan suatu penyakit dapat diuji melalui tes darah, salah satunya dapat

dilihat dari bentuk sel darah merah. Morfologi normal dan abnormal dari sel darah merah

seorang pasien sangat membantu para dokter dalam mendeteksi suatu penyakit. Dengan kemajuan teknologi pengolahan citra digital dapat digunakan untuk mengiidentifikasi sel

darah normal dan abnormal seorang pasien. Penelitian ini menggunakan metode

self-organizing map untuk mengklasifikasikan jenis sel darah merah normal dan abnormal dalam

sebuah citra digital. Penggunaan metode jaringan syaraf tiruan self-organizing map dapat

mengklasifikasikan bentuk sel darah merah normal dan abnormal pada citra masukandengan

akurasi pengujian 93,78%.

vii

APPLICATION FOR CLASSIFICATION SHAPE OF NORMAL AND

ABNORMAL

RED BLOOD CELL USING

SELF-ORGANIZING MAP (SOM)

ABSTRACT

Blood is an essential component in the vascular space of living creature. The identification of a disease can be tested through a blood test. By seeing shape of the red blood cell is one

of the methods to identify a disease. Normal and abnormal morphology of red blood cell of

a patient really help doctors to diagnose a disease. Advances in technology of digital image

processing give many advantages to identification normal and abnormal red blood cell of a

patient. This research use Self-organizing map to classify between normal and abnormal red

blood cell of a digital image of red blood cell. The use of neural network of self-organizing

map method can classify normal and abnormal red blood cell from an image with accuracy

of testing 93,78 %.

DAFTAR ISI

Halaman

PERSETUJUAN iii

PERNYATAAN iv

PENGHARGAAN v

ABSTRAK vi

ABSTRACT vii

DAFTAR ISI viii

DAFTAR GAMBAR x

DAFTAR TABEL xi

BAB 1PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 4

1.7 Studi Literatur 4

BAB 2LANDASAN TEORI 6

2.1 Sel Darah Merah 6

2.1.1 Sel darah merah normal. 6

2.1.2 Sel darah merah abnormal 6

2.1.3 Perhitungan darah 7

2.1.4 Perhitungan sel 7

2.2 Pengolahan Citra Digital 8

2.2.1 Pengertian citra 8

2.2.2 Penerapan pengolahan citra digital 8

2.2.3 Aras Keabuan (grayscale) 8

2.2.4 Pengambangan (Thresholding) 9

2.2.5 Erosi 9

ix

2.2.7 Momen Invariant 10

2.2.8 Roundness (R) 11

2.3 Unsupervised learning 11

2.4 Self-Organizing Map 12

2.5 Penelitian Terdahulu 13

BAB 3ANALISIS DAN PERANCANGAN 15

3.1 Data Yang Digunakan 15

3.2 Analisis Sistem 16

3.2.1 Blok diagram sistem 16

3.3 Perancangan sistem 21

3.3.1 Diagram use case 21

3.3.2 Use case spesifikasi 22

3.3.3 Diagram aktivasi 24

3.4 Perancangan Tampilan Antarmuka 25

3.4.1 Rancangan halaman awal 26

3.4.2 Rancangan halaman utama 27

3.4.3 Tampilan halaman tambah data latih 28

BAB 4 IMPLEMENTASI DAN PENGUJIAN 30

4.1 Implementasi Sistem 30

4.1.1 Perangkat keras 30

4.1.2 Perangkat lunak 30

4.2 Pengujian Kinerja Sistem 31

4.3 Pelatihan 33

4.4 Pengujian Sistem 46

BAB 5 KESIMPULAN DAN SARAN 55

5.1 Kesimpulan 55

5.2 Saran 55

DAFTAR GAMBAR

Halaman

Gambar 2.1 Sel darah merah normal 6

Gambar 2.2 Jenis sel darah merah abnormal 7

Gambar 2.3 Arsitektur jaringan syaraf kohonen 13

Gambar 3.1 Sel darah merah normal dan abnormal 15

Gambar 3.2 Diagram blok sistem identifikasi sel darah merah normal dan abnormal

16

Gambar 3.3 Proses citra grayscale 17

Gambar 3.4 Proses thresholding citra sel darah merah 17

Gambar 3.5 Proses erosi citra sel darah merah 18

Gambar 3.6 Proses dilasi citra sel darah merah 18

Gambar 3.7 Ekstraksi ciri menggunakan metode momen invariant dan roundness

19

Gambar 3.8 Flowchart SOM 20

Gambar 3.9 Use case diagram sistem 22

Gambar 3.10 Diagram aktivasi proses pengenalan citra sel darah merah 24

Gambar 3.11 Diagram aktivasi proses latih jaringan 25

Gambar 3.12 Rancangan antarmuka sistem pengenalan sel darah merah 25

Gambar 3.13 Tampilan halaman utama sistem 26

Gambar 3.14 Tampilan halaman tambah data latih 28

Gambar 4.1 Halaman awal 31

Gambar 4.2 Halaman pengenalan 32

Gambar 4.3 Tampilan sel abnormal 32

Gambar 4.4 Halaman tambah data latih 33

Gambar 4.5 Citra uji 1 47

Gambar 4.6 Hasil citra uji ke-2 48

Gambar 4.7 Hasil citra uji ke-3 50

Gambar 4.8 Hasil citra uji ke-4 51

xi

DAFTAR TABEL

Halaman

Tabel 2.1 Penelitian Terdahulu 14

Tabel 3.1 Usecase spesifikasi proses pengenalan citra 22

Tabel 3.2 Usecase spesifikasi proses tambah data latih 23

Tabel 4.1 Parameter pelatihan identifikasi sel darah merah 33

Tabel 4.2 Data Latih atau data acuan 34

Tabel 4.3 Hasil uji pada gambar 4.5 47

Tabel 4.4 Hasil uji pada gambar 4.6 48

Tabel 4.5 Hasil uji pada gambar 4.7 50

Tabel 4.6 Hasil uji pada gambar 4.8 52

Tabel 4.7 Hasil uji pada gambar 4.9 53

Tabel 4.8 Persentase tingkat keakuratan pada gambar sel darah merah

ABSTRAK

Darah merupakan komponen esensial makhluk hidup yang berada dalam ruang vaskuler. Untuk mengidentifikasikan suatu penyakit dapat diuji melalui tes darah, salah satunya dapat

dilihat dari bentuk sel darah merah. Morfologi normal dan abnormal dari sel darah merah

seorang pasien sangat membantu para dokter dalam mendeteksi suatu penyakit. Dengan kemajuan teknologi pengolahan citra digital dapat digunakan untuk mengiidentifikasi sel

darah normal dan abnormal seorang pasien. Penelitian ini menggunakan metode

self-organizing map untuk mengklasifikasikan jenis sel darah merah normal dan abnormal dalam

sebuah citra digital. Penggunaan metode jaringan syaraf tiruan self-organizing map dapat

mengklasifikasikan bentuk sel darah merah normal dan abnormal pada citra masukandengan

akurasi pengujian 93,78%.

vii

APPLICATION FOR CLASSIFICATION SHAPE OF NORMAL AND

ABNORMAL

RED BLOOD CELL USING

SELF-ORGANIZING MAP (SOM)

ABSTRACT

Blood is an essential component in the vascular space of living creature. The identification of a disease can be tested through a blood test. By seeing shape of the red blood cell is one

of the methods to identify a disease. Normal and abnormal morphology of red blood cell of

a patient really help doctors to diagnose a disease. Advances in technology of digital image

processing give many advantages to identification normal and abnormal red blood cell of a

patient. This research use Self-organizing map to classify between normal and abnormal red

blood cell of a digital image of red blood cell. The use of neural network of self-organizing

map method can classify normal and abnormal red blood cell from an image with accuracy

of testing 93,78 %.

BAB 1 PENDAHULUAN

1.1Latar Belakang

Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis. Telah banyak dikembangkan teknologi yang dapat membantu pekerja medis dalam melakukan identifikasi suatu penyakit tertentu. Pengolahan citra digital dapat digunakan untuk deteksi penyakit tumor atau kanker rahim, identifikasi penyakit paru-paru, identifikasi penyakit hati, identifikasi penyakit tulang, segmentasi tulang dari otot yang lainnya, klasifikasi gigi, dan analisis citra mikroskopis (Putra, 2009). Untuk mengidentifikasikan suatu penyakit dapat diuji melalui tes darah, salah satunya dapat

dilihat dari bentuk sel darah merah. Morfologi normal dan abnormal dari sel darah merah

seorang pasien sangat membantu para dokter dalam mendeteksi suatu penyakit (Warni, 2009).

Darah merupakan komponen esensial makhluk hidup yang berada dalam ruang vaskuler, kerena peranannya sebagai media komunikasi antarsel ke berbagai bagian tubuh dengan dunia luar karena fungsinya membawa oksigen dari paru-paru ke jaringan dan karbondioksida dari jaringan ke paru-paru untuk dikeluarkan, membawa zat nutrien dari saluran cerna ke jaringan kemudian menghantarkan sisa metabolisme melalui organ sekresi seperti ginjal, menghantarkan hormon dari materi-materi pembekuan darah (Tarwoto & Wartonah, 2008).

Pada penelitian terdahulu yang membahas tentang citra sel darah merah yaitu:

menentukan morfologi sel darah merah dengan menggunakan metode Artifical Neural

2

menggunakan metode Operasi Morfologi (Usman, 2008), menghitung jumlah sel darah

merah menggunakan Multilayer Perceptron (Poomcokrak & Neatpisarnvanit, 2008),

mendeteksi dan menghitung jumlah sel darah merah abnormal dan normal menggunakan

ekstraksi ciri objek berdasarkan bentuk (shape) (Kartikasari, 2013).

Pada penelitian ini penulis menggunakan metode Self-Oraganizing Map (SOM)

atau lebih dikenal dengan metode Kohonen untuk melakukan pengenalan pola sel darah

merah normal dan abnormal dari suatu gambar. SOM merupakan metode yang sering

digunakan dalam proses clustering. SOM termasuk dalam competitive leraning, dimana

output node akan bersaing untuk menjadi winning node dan menjadi satu-satunya node yang diaktifkan. Selain itu transformasinya dapat membuat data terkelompok secara

otomatis, data yang serupa disimpan di cluster terdekat. Dan dikarenakan bobot awal

ditentukan random, SOM dapat menentukan sendiri akan masuk ke kelompok tertentu.

SOM juga hanya membutuhkan waktu yang singkat untuk menyelesaikan proses pembelajarannya. Namun dalam penggunaannya keberhasilan sistem tergantung pada besar kecilnya nilai dari jumlah neuron keluaran, radius tetangga, dan laju belajar (Zunairoh et al, 2012).

Penelitian terkait tentang SOM diantaranya yaitu: klasifikasi status gizi balita (Zunairoh et al, 2012), Kuantisasi vektor pada kompresi citra bitmap 24 Bit (Tae et al, 2010), Prediksi curah hujan (Septiadi, 2008), dan sebagainya.

Berdasarkan penelitian terdahulu penulis terdorong untuk melakukan penelitian

dalam mendeteksi sel darah merah normal dan abnormal dengan mengimplementasikan

metode Self-Organizing Map. Penulis berharap sistem yang akan dibuat menghasilkan

tingkat keakuratan yang lebih baik dan dapat membantu pekerja medis dalam

membedakan sel darah merah normal dan abnormal secara automatis.

1.2Rumusan Masalah

Analisis bentuk sel darah merah normal dan abnormal yang dilakukan oleh seorang

dokter tidak selalu sama antara dokter yang satu dengan dokter lainnya. Ketelitian dan konsentrasi dokter sangat mempengaruhi hasil anasilisis tersebut, oleh karena itu diperlukan pembangunan sistem yang dapat mengidentifikasi bentuk sel darah merah

1.3Batasan Masalah

Penelitian ini memiliki cakupan bahasan yang luas. Untuk itu penulis membatasi permasalahan pada penelitian ini. Batasan masalah dari penelitian ini adalah sebagai berikut:

a. Citra yang akan diolah adalah hasil pemotretan sel darah merah dengan

mengggunakan mikroskop digital dengan skala perbesaran 100 untuk setiap

image yang diambil.

b. Citra yang diolah memiliki resolusi 1000 x 1000 piksel dan disimpan dalam

format Jpeg (.JPG).

c. Citra yang diolah adalah merupakan gambar dari sel darah merah tanpa komponen

sel darah yang lain.

d. Output yang dihasilkan berupa jumlah banyak sel dan keputusan sel darah merah

normal atau abnormal.

e. Citra yang diteliti adalah citra sel darah merah yang tampak dari pandangan

pengamat yang saling berhadapan.

f. Citra yang diteliti tidak termasuk untuk sel yang bertumpuk atau berhimpit.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat model jaringan syaraf tiruan Self-Organizing

Map dengan membangun sebuah sistem yang dapat mengklasifikasikan sel darah merah

normal dan abnormal yang memiliki keakuratan yang baik dan waktu yang singkat.

1.5Manfaat Penelitian

Penulis berharap penelitian ini bermanfaat untuk penulis sendiri dan pembaca khususnya di bidang medis. Manfaat dari penelitian ini adalah sabagai berikut:

a. Sistem dapat digunakan untuk mengklasifikasikan bentuk sel darah merah normal dan

abnormal dengan otomatis dan waktu yang singkat.

b. Menambah pengetahuan tentang penggunaan teknik Self-Organizing Map dalam

4

c. Dapat mengembangkan penelitian dalam membedakan bentuk sel darah merah

normal dan abnormal lebih lanjut.

1.6Metodologi Penelitian

Ada beberapa tahapan dalam proses pengerjaan tugas akhir ini. Tahapan metodologi tersebut adalah sebagai berikut:

1. Studi Literatur

Pada tahap ini, penulis mengumpulkan literatur tentang masalah yang diperlukan untuk dalam penelitian. Tahapan ini dilakukan untuk mengetahui apa yang telah diteliti dan dikerjakan sebelumnya sehingga dapat dilakukan pengembangan pada penelitian ini.

2. Perancangan Desain Sistem

Pada tahap ini peneliti melakukan perancangan aplikasi, seperti merancang activity

diagram, diagram alur (flowchart) sistem, perancangan desain, dan perancangan

desain antarmuka (interface).

3. Implementasi Sistem

Pada tahap ini dilakukan pengkodean dan implementasi rancangan yang telah dibuat dengan menggunakan bahasa pemrograman yang telah dipilih. Pengkodean dilakukan

dengan bahasa pemrograman matlab dengan menggunakan aplikasi Matlab R2012b

4. Pengujian Sistem

Pada tahap ini dilakukan pengujian dan percobaan pada sistem yang telah dibuat sesuai dengan kriteria dan kebutuhan yang diinginkan dan memastikan apakah program berjalan sesuai dengan yang diinginkan.

5. Dokumentasi Sistem

Pada tahap ini, peneliti mendokumentasikan sistem dalam bentuk laporan tertulis untuk menunjukkan hasil penelitian yang dilakukan.

1.7Studi Literatur

Sistematika penulisan dari penelitian ini terdiri dari lima bagian utama sebagai berikut:

Bab 1 Pendahuluan

Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi 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 dijelaskan tentang penerapan jaringan syaraf tiruan

self-organizing map untuk mengklasifikasikan bentuk sel darah merah normal dan abnormal

pada citra sel darah merahdengan kualitas yang baik.

Bab 3: Analisis dan Perancangan

Bab ini berisi analisis dan penerapan jaringan syaraf tiruan self-organizing map untuk

mengklasifikasikan bentuk sel darah merah normal dan abnormal pada citra sel darah

merah, serta perancangan seperti pemodelan dengan flowchart dan use case.

Bab 4: Implementasi dan Pengujian

Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang disusun pada Bab 3 dan pengujian apakah hasil yang didapatkan sesuai dengan yang diharapkan.

Bab 5: Kesimpulan Dan Saran

Bab ini berisi kesimpulan dari keseluruhan uraian bab – bab sebelumnya dan saran – saran

BAB 2

LANDASAN TEORI

2.1Sel Darah Merah

Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter sekitar 7,5 mikron, tebal bagian tepi 2 mikron dan bagian tengahnya 1 mikron atau kurang, tersusun atas membran yang sangat tipis sehingga sangat mudah terjadi diffusi oksigen, karbondioksida dan sitoplasma, tetapi tidak mempunyai inti sel (Tarwoto & Wartonah,

2008). Dilihat dari samping, eritrosit nampak seperti cakram atau bikonkaf dengan

sentral akromia kira-kira ⅓ - ½ diameter sel (Warni, 2009).

2.1.1 Sel darah merah normal.

Sel darah merah normal berbentuk cakram bikonkaf dengan diameter sekitar 7,5 mikron, tebal bagian tepi 2 mikron dan bagian tengahnya 1 mikron atau kurang. Sel

darah merah normal dapat dilihat pada Gambar 2.1.

(a) (b)

Gambar 2.1. Sel darah merah normal: (a) Sel darah merah normal, (b) Sel darah merah normal dari pandangan tepi, pandangan hadapan dan pandangan

samping. 2.1.2 Sel darah merah abnormal

Bentuk sel darah merah abnormal sangat beragam macamnya. Beberapa bentuk sel

(b)

(c)

(a) (b) (c)

(d) (e) (f)

Gambar 2.2. Jenis sel darah merah abnormal: (a) Target Cell, (b) Akankosit, (c) Helmet Cell, (d) Ellipthocyte, (e) Tear Drop Cell, (f) Sel Sabit

2.1.3 Perhitungan darah

Laboratorium hematologi tidak hanya meneliti selaput darah. Mereka juga melaksanakan berbagai macam perhitungan yang berhubungan dengan isi hemoglobin di dalam sel darah

merah, sel darah putih dan Platelet (Bain, 2004). Perhitungan tersebut dirumuskan sebagai

perhitungan darah penuh (FBC). Ketika sakit, ke-abnormalitas dapat berkembang dalam

setiap sel di dalam darah. Tujuan dari pelaksanaan perhitungan darah dan meneliti sebuah

selaput darah adalah menemukan kuantitas dan kualitas abnormalitas di dalam sel darah.

Penemuan itu dapat membantu dalam mendiagnosa seorang pasien (Bain, 2004).

2.1.4 Perhitungan sel

Secara konvensional sel darah dihitung dengan mencairkan beberapa tetes darah di dalam larutan pencair. Darah yang dicairkan diletakkan di dalam ruang perhitungan berdasarkan jumlah yang diketahui dan jumlah dari sel yang ada dihitung secara mikroskopik. Pehitungan sel diekspresikan sebagai jumlah dari sel dalam seliter darah. Perhitungan sel darah merah

(RBC) diekspresikan sebagai sebuah angka yang dikali 1012 perliternya (contoh: 5 x 1012/ l)

8

2.2 Pengolahan Citra Digital

Menurut Efford (2000), pengolahan citra adalah istilah untuk berbagai teknik contoh gambar berdimensi dua yang dapat diolah dengan mudah. Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi,

translasi, skala, transformasi geometric), melakukan pemilihan citra ciri (feature image) yang

optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data unutk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengolahan

citra adalah citra, sedangkan output-nya adalah citra hasil pengolahan (Sutoyo et al, 2009).

2.2.1 Pengertian citra

Sebuah citra adalah kumpulan piksel-piksel yang disusun dalam larik dua-dimensi. Indeks

baris dan kolom (x,y) dari sebuah piksel dinyatakan dalam bilangan bulat. Piksel (0,0) terletak

pada sudut kiri atas pada citra, indeks x bergerak ke kanan dan indeks y bergerah ke bawah

(Ahmad, 2005).

2.2.2 Penerapan pengolahan citra digital

Pengolahan citra digital dapat diterapkan dalam berbagai bidang. Bidang yang termasuk diterapkannya pengolahan citra digital antara lain adalah bidang biomedis, bidang biometrika, bidang penginderaan jarak jauh, bidang fotografi, bidang hukum, bidang ekonomi dan lain sebagainya. Pengolahan citra digital pada bidang medis dapat mendeteksi berbagai penyakit seperti mendeteksi penyakit jantung dan kanker, identifikasi penyakit paru-paru, identifikasi sel darah merah dan lain-lain (Putra, 2009).

2.2.3 Aras Keabuan (grayscale)

Aras keabuan adalah proses perubahan nilai nilai piksel dari warna (RGB) menjadi

gray-level atau grayscale. Proses grayscaling dilakukan dengan meratakan nilai piksel dari tiga nilai RGB menjadi 1 nilai (Sutoyo et al, 2009). Proses konversi citra berwarna ke citra

grayscale dapat dilakukan dengan cara yang terdapat pada persamaan (2.1) :

dengan I(x,y) adalah tingkat warna keabuan pada posisi (x,y). Sedangkan R,G, dan B berturut-turut menyatakan nilai komponen ruang warna dari setiap nilai piksel citra berwarna pada posisi (x,y).

2.2.4 Pengambangan (Thresholding)

Proses pengambangan akan menghasilkan citra biner, yaitu citra yang memiliki dua tingkat

keabuan yaitu hitam dan putih. Secara umum proses pengambangan citra grayscale untuk

menghasilkan citra biner dengan cara yang terdapat pada persamaan (2.2):

, = { � _� ,_, ≥ �_{< �}} (2.2)

dengan g(x,y) adalah citra biner dari citra grayscale f(x,y), dan T menyatakan nilai ambang.

Nilai T memegang peranan yang sangat penting dalam proses pengambangan (Putra, 2009).

2.2.5 Erosi

Operasi erosi dapat dinyatakan ke dalam persamaan (2.3).

E(A,B) = � = { ∶ ⊂ �} (2.3)

Proses erosi dilakukan dengan membandingkan setiap pixel citra input dengan nilai pusat SE dengan cara melapiskan SE dengan citra sehingga pusat SE tepat dengan posisi pixel citra yang diproses. Dalam proses erosi akan menghasilkan objek yang menyempit (mengecil). Lubang pada objek juga akan tampak membesar seiring menyempitnya batas objek tersebut.

2.2.6 Dilasi

Operasi dilasi dapat dinyatakan ke dalam persamaan (2.4).

D(A,B) = A ⊕ B = { ∶ ⋂ ≠ ∅} (2.4)

Dengan ∅ menyatakan himpunan kosong.

Proses erosi dilakukan dengan membandingkan setiap pixel citra input dengan nilai pusat SE dengan cara melapiskan SE dengan citra sehingga pusat SE tepat dengan posisi pixel citra yang diproses.

10

2.2.7 Momen Invariant

Fitur momen invariant bermanfaat untuk menyatakan objek dengan memperhitungkan area objek. Fitur ini menggunakan dasar momen pusat yang ternormalisasi. Momen yang dihasilkan dapat digunakan untuk menangani translasi, penyekalan, dan rotasi gambar (Kadir & Susanto, 2012). Jika ada sebuah citra dengan nilai intensitas adalah f(i,j), dimana nilai i

sebagai baris dan j sebagai kolom maka momen invariant yang mentransformasikan fungsi

citra f(i,j) pada sistem diskrit dinyatakan dengan persamaan (2.5)

mpq= ∑₌− ∑ _=� − ipjq f(i,j) (2.5)

dimana:

mpq = citra dua dimensi

H = tinggi citra W = lebar citra i = baris j = kolom

Pencipta Momen Invariant adalah Hu, menciptakan tujuh momen invariant seperti

persamaan (2.6), (2.7), (2.8), (2.9), (2.10), (2.11) dan (2.12)

∅ = ŋ + ŋ (2.6)

∅ = ŋ − ŋ + ŋ (2.7)

∅ = ŋ − ŋ + ŋ − ŋ (2.8)

∅ = ŋ + ŋ + ŋ + ŋ (2.9)

∅ = ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ +

ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ (2.10)

ŋ ŋ + ŋ ŋ + ŋ (2.11)

∅ = ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ

ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ (2.12)

Dimana:

∅ = Momen Invariant

ŋ = Momen pusat ternormalisasi

2.2.8 Roundness (R)

Roundness menggambarkan tingkat kebulatan sel. Kebulatan bentuk (Roundness) adalah perbandingan antara luas objek (area) dan kuadrat perimeter, yang dapat dihitung dari persamaan 2.13.

R= (4π)( _�2 �_� ) (2.13)

Dimana:

R= Kebulatan bentuk (Roundness)

A = Area P = Perimeter

Hasilnya berupa nilai ≤1. Nilai 1 menyatakan bahwa objek R berbentuk lingkaran.

2.3Unsupervised learning

Unsupervised learning merupakan pembelajaran yang tidak terawasi dimana tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang

diharapkan selama proses pembelajaran, nilai bobot yang disusun dalam proses range

tertentu tergantung pada nilai output yang diberikan. Tujuan metode Unsupervised learning

yaitu agar dapat mengelompokkan unit-unit yang hampir sama dalam satu area tertentu. Pembelajaran ini biasanya sangat cocok untuk klasifikasi pola.

12

2.4Self-Organizing Map

Teknik Self-organizing map (SOM) atau kohonen pertama kali diperkenalkan oleh Touvo

Kohonen, merupakan sistem jaringan neural berbasis kompetisi yang mampu melakukan

pembelajaran tanpa terbimbing karena memiliki kemampuan mengatur dirinya sendiri (

self-organizing). Jaringan ini akan mempelajari distribusi pola-pola himpunan tanpa informasi kelas sebelumnya (Putra, 2009). Jaringan kohonen dipakai untuk membagi pola masukkan

kedalam beberapa kelompok (cluster). Arsitektur jaringan kohonen dapat dilihat pada

Gambar 2.3.

Prinsip kerja dari algoritma SOM adalah pengurangan node-node tetangganya (neighbor), sehingga pada akhirnya hanya ada satu node output yang terpilih (winner node). Laurene menjelaskan kerja algoritma SOM memiliki langkah-langkah sebagai berikut (Tae et al, 2010):

1. Melakukan inisialisasi bobot Wij, radius tetangga dan learning rate α

2. Selama kondisi stop bernilai false, lakukan tahap 3 s/d 9

3. Untuk setiap input vektor x, lakukan tahap 4 s/d

4. Untuk setiap j dihitung : dj =



i

(Wij - Xi)2

5. Temukan indeks j yang nilai Dij-nya terkecil

6. Update semua bobot yang menuju indeks j dengan rumus:

Wij (baru) = Wij (lama) + ( Xi - Wij(lama))

dimana:

W = bobot

0 < (t) <1 = alpha / learning rate

x = input pixel

i = index node input

7. Update learning rate (α)

8. Kurangi radius tetangga

9. Cek kondisi stop.

Gambar 2.3 : Arsitektur jaringan saraf kohonen

2.5Penelitian Terdahulu

Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Pada tabel 2.1 akan dijelaskan beberapa penelitian terdahulu yang berkaitan dengan topik ini.

Tabel 2.1 Penelitian Terdahulu

Penulis Judul Penelitian Keterangan

Zunairoh et al, 2012

Klasifikasi Status Gizi Balita

Menggunakan Kohonen Self

Organizing Map

Self-Organizing Map digunakan untuk menentukan klasifikasi data pada kelas tertentu (klasifikasi status gizi).

14

Tae et al, 2010 Penerapan Kohonen Self Organizing Map dalam Kuantisasi Vektor pada Kompresi Citra Bitmap 24 Bit

Self-Organizing Map digunakan untuk mencari kedekatan nilai warna pada citra dengan nilai-nilai pada codebook.

Usman, 2008 Perhitungan Sel Darah Merah Bertumpuk Berbasis Pengolahan Citra Digital Dengan Operasi Morfologi.

Operasi morfologi erosi

digunakan untuk mengatasi sel darah merah bertumpuk

BAB 3

ANALISIS DAN PERANCANGAN

Pada bab ini akan membahas analisis metode Self-organizing Map (SOM) pada sistem, dan

tahapan-tahapan yang digunakan dalam perancangan sistem yang akan dibangun.

3.1 Data Yang Digunakan

Data yang digunakan dalam penelitian ini terdiri dari beberapa gambar sel darah merah yang mengalami anemia dan beberapa gambar sel darah merah yang normal. Data ini diambil dari mikroskop digital yang penulis dapatkan dari beberapa orang dokter spesialis

patologi. Gambar 3.1 menunjukkan gambar sel darah merah normal dan abnormal.

Gambar 3.1: a. Sel darah merah abnormal; b. Sel darah merah normal

16

3.2 Analisis Sistem

Analisis sistem bertujuan untuk mengidentifikasi sistem yang akan dikembangkan. Analisis diperlukan sebagai dasar perancangan sistem.

3.2.1 Blok diagram sistem

Diagram blok sistem identifikasi sel darah merah normal dan abnormal ditunjukan pada

Gambar 3.2

Citra Sel darah merah

Pre-proccess citra sel darah merah Pre-proccess

Erosi

Image Segmentation

Boundary

Feature Extraction

Momen Invariant

Roundness Identification &

classification

Self-Organizing Map (SOM) Tabel hasil

klasifikasi eritrosit normal & abnormal

Thresholding Grayscale

Dilasi

INPUT

OUTPUT

Gambar 3.2 Diagram Blok Sistem Identifikasi Sel Darah Normal dan Abnormal

Penjelasan dari tahapan diagram blok akan dijelaskan sebagai berikut:

1. Akusisi citra berupa inputan sebuah file citra darah merah yang berformat jipeg (.JPG).

2. Tahapan selanjutnya adalah pra-pengolahan dimana terdapat tahapan persiapan citra agar

dapat menghasilkan ciri yang lebih baik pada tahap klasifikasi. Pra-pengolahan yang akan dilakukan meliputi :

a. Transformasi citra darah berwarna menjadi citra grayscale merupakan perubahan citra dari citra berwarna menjadi citra grayscale. Citra warna bisa diubah menjadi

citra grayscale dengan cara menghitung rata-rata elemen warna Red, Green, dan Blue

(Putra, 2009). Contoh citra grayscale ditunjukkan pada Gambar 3.3.

b. Tahap Pra-pengolahan selanjutnya adalah proses pengambangan (thresholding).

Proses thresholding berguna untuk mengubah citra grayscale menjadi citra biner.

Proses ini untuk membuat citra beraras abu-abu menjadi citra hitam putih. Proses

thresholding dapat dilihat pada gambar 3.4

a b

Gambar 3.4 Proses thresholding citra sel darah merah

a b

18

c. Selanjutnya untuk mengatasi sel yang diduga bertumpuk dilakukan proses

penge-erosi-an citra dengan bertahap, sampai akhirnya diperoleh dua atau lebih objek. Operasi erosi mempunyai efek memperkecil struktur citra. Proses ini akan memperkecil wilayah terang yang dikelilingi oleh wilayah gelap serta akan memperbesar wilayah gelap yang dikelilingi wilayah terang. Proses erosi dapat

dilihat pada gambar 3.5

3. Tahap pra-pengolahan terakhir adalah proses dilasi. Operasi dilasi dipakai untuk

mendapatkan efek pelebaran terhadap piksel bernilai 1. Tahap ini dilakukan untuk memperbaiki bentuk sel darah merah dari tahap erosi sampai menghasilkan bentuk yang dapat dianalisis sebagai sel darah merah. Proses dilasi dapat dilihat pada gambar 3.6 Tahap selanjutnya yaitu segmentasi. Segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut (Kadir & Susanto, 2012). Segmentasi yang akan dilakukan adalah pendeteksian

boundary.

4. Tahap selanjutnya yaitu ekstraksi ciri (feature extraction) yang bertujuan untuk

mendapatkan ciri dari karakteristik sel darah merah yang telah mengalami tahapan pra-pengolahan dan segmentasi. Ektraksi ciri menggunakan metode:

a b

a. Momen invariant. Momen Invariant bermanfaat untuk menyatakan objek dengan memperhitungkan area objek sel darah merah.

b. Roundness. roundness menggambarkan tingkat kebulatan sel. Bentuk sel darah

merah normal memiliki nilai roundness yang besar karena memiliki bentuk

cenderung bulat dengan luas area tertentu. Sedangkan objek sel darah merah

abnormal cenderung memiliki nilai roundness yang rendah.

a b Gambar 3.6 Proses dilasi citra sel darah merah.

Gambar 3.7 ekstraksi ciri menggunakan metode momen invariant dan roundness

20

5. Tahap klasifikasi sel darah merah normal dan abnormal menggunakan teknik

Self-organizing map (SOM) atau kohonen merupakan sistem jaringan syaraf berbasis

kompetisi yang mampu melakukan pembelajaran tanpa terbimbing (Unsupervised

learning) karena memiliki kemampuan mengatur dirinya sendiri (self-organizing).

Flowchart SOM dapat dilihat pada gambar 3.8.

Pada tahap ini SOM digunakan untuk melakukan klasifikasi jenis sel darah merah. Untuk mengklasifikasikan jenis sel darah merah, SOM menggunakan dua kelas yaitu

kelas normal dan kelas abnormal.

t < epoch Alpha = 0.5 *

alpha;

ntrainning< jlh vektor Trainning vektor = data vektor ke-ntrainning

start

Total = total + (trainning vektor

ke-x – input vektor ke-x) X +=I X<=8 Total <=

min min = total tmp min = ntrainning End N Y Y N Y N Y Trainning = inisialisasi data vektor, vektor pelatihan Inisialisasi Alpha = 0.8, t=1, n epoch = 10;

Min=1000; nilaijarakminimu m=-1; Total=0; ntrainning=1 x=I tmpmin >=0 x=1 x<=8

Wbaru ke-x = training data ke ntraining, x + alpha (verktor pelatihan

ke x – training data ke (n training,x))

x+=1 N

t += 1

y

Y N

N

Penjelasan gambar 3.8

1. Inisialisasi data vektor, vektor pelatihan, alpha, nepoch

2. Untuk setiap I: t < nepoch lakukan langkah berikut

a. Alpha = 0,5 * alpha

b. Min=1000, tmpmin=-1, total=0

c. Untuk setiap ntraining: I < jumlah vektor lakukan langkah berikut:

I. Training vektor = data vektor ke-ntraining

II. untuk setiap x : 1 <= 8 lakukan langkah berikut

a. Total = total + (training vektor ke x – input vektor ke

x)

III. jika total < min maka, min = total, tmpmin = ntraining

d. jika tmpmin > 0, maka lakukan langkah berikut

I. untuk setiap x : 1 <= 8 lakukan langkah berikut

a. wbaru (x) = training data (ntraining, x) + alpha *

vektor pelatihan ke x – training data ke ntraining, x

3.3 Perancangan sistem

Pada perancangan sistem akan dilakukan perancangan bagaimana sistem akan dibangun untuk menghitung dan membedakan bentuk sel darah merah serta memberikan informasi yang dibutuhkan. Dan dilakukan juga perancangan tentang antarmuka sistem yang akan dibangun.

3.3.1 Diagram use case

Use case diagram merupakan pemodelan terhadap cara kerja maupun tingkah laku sistem

informasi yang akan dibuat. Use case mendeskripsikan interaksi tipikal antara user dengan

sistem itu sendiri dengan member sebuah narasi tentang bagaimana sistem tersebut

digunakan (Fowler, 2005). Use case diagram yang digunakan pada penelitian ini yaitu pada

22

Proses pengenalan citra

Tampil hasil pengenalan sel darah

merah

Tambah data latih

<<include>> <<include>>

Input file ke database Image processing

<<include>>

Latih jaringan

<<include>>

Gambar 3.9 Use Case Diagram Sistem

3.3.2 Use case spesifikasi

Use case spesifikasi adalah dekskripsi mengenai use case diagram, menjelaskan bagaimana

sebuah use case itu bekerja (Muchtar & Sani, 2011). Tabel 3.1 menjelaskan spesifikasi use

case yang digunakan dalam sistem yang akan dibangun.

Tabel 3.1 Usecase spesifikasi proses pengenalan citra

Nama use case Proses pengenalan citra

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melakukan

identifikasi citra sel darah merah normal dan abnormal.

Pre condition User telah berada pada halaman utama sistem.

Characteristic of activation

Eksekusi dapat dilakukan oleh siapapun

Basic flow - User mengklik menu pengenalan.

- Sistem akan menampilkan halaman pengolahan citra.

- User memilih menu proses maka sistem akan melakukan pengenalan pada citra sel darah merah - Use case ini berakhir ketika sistem telah selesai

menampilkan hasil identifikasi sel darah merah dari citra yang dipilih.

Post condition Pada use case ini user dapat melakukan pengenalan citra

sel darah merah normal dan abnormal.

Limitations -

Tabel 3.2 Usecase spesifikasi proses tambah data latih

Nama use case Tambah data latih

Aktor User

Deskripsi Use case ini digunakan oleh user untuk menambah

data latih citra sel darah merah ke database.

Pre condition User telah berada pada halaman utama sistem.

Characteristic of activation Eksekusi dapat dilakukan oleh siapapun

Basic flow - User mengklik menu tambah data latih.

- Sistem menampilkan halaman tambah data latih.

- User dapat memilih menu cari file untuk mencari

citra sel darah merah yang akan ditambahkan sebagai data latih.

- User memilih menu proses.

- Sistem menampilkan hasil ekstraksi ciri dari

citra yang ditambahkan.

- User memilih menu latih jaringan untuk melatih

jaringan citra sel darah merah

- Use case ini berakhir ketika sistem telah selesai menampilkan hasil ektraksi ciri.

24

Post condition Pada use case ini user dapat melihat hasil ektraksi ciri .

Limitations -

3.3.3 Diagram aktivasi

Diagram aktivasi adalah teknik untuk menggambarkan logika prosedural dan aliran kerja. Diagram aktivasi menjelaskan tentang kegiatan apa yang dapat dilakukan pada sistem tetapi tidak menjelaskan apa yang telah dilakukan oleh actor (Fowler, 2005).

Digram aktivasi proses pengenalan citra sel darah merah dapat dilihat pada Gambar

3.10.

USER SISTEM

Melakukan proses pengenalan citra sel

darah merah dan menampilkan hasil identifikasi sel darah

merah Pilih pengenalan

Pilih file

Proses

Menampilkan halaman pengenalan citra sel darah

merah

Menampilkan tampilan untuk memilih file

Digram aktivasi proses pelatihan jaringan citra sel darah merah dapat dilihat pada Gambar 3.11.

USER SISTEM

Melakukan proses latih jaringan dan memasukkan data ke

database Pilih menu tambah data

latih

proses

Latih jaringan

Menampilkan halaman tambah data latih

Melakukan proses ekstraksi ciri

Gambar 3.11 Diagram aktivasi proses latih jaringan

3.4 Perancangan Tampilan Antarmuka

Antarmuka pengguna (user interface) merupakan media yang menjembatani komunikasi

antara manusia dan komputer. Perancangan antarmuka bertujuan untuk memberikan gambaran umum tampilan dari aplikasi yang akan dibuat. Pada tampilan antarmuka aplikasi akan ditampilkan panel gambar, panel tombol, dan panel teks.

26

3.4.1 Rancangan halaman awal

Rancangan halaman awal sistem pengenalan sel darah merah normal dan abnormal dapat

dilihat pada Gambar 3.12. Rancangan halaman awal memiliki tiga tombol utama yaitu tombol pengenalan yang berfungsi untuk melakukan proses pengenalan citra sel darah merah

normal dan abnormal, tombol input data latih berfungsi untuk melakukan penambahan data

citra sel darah merah normal dan abnormal, serta tombol keluar berfungsi untuk melakukan

keluar dari sistem.

Gambar 3.12 Rancangan antarmuka sistem pengenalan sel darah merah Keterangan:

 Tombol ‘Pengenalan’ memungkinkan pengguna melakukan pengenalan sel darah

merah normal atau abnormal.

 Tombol ‘input data latih’ memungkinkan pengguna masuk ke halaman tambah data

latih citra sel darah merah ke dalam database.

3.4.2 Rancangan halaman utama

Gambar 3.13 Tampilan halaman utama sistem Keterangan:

a) Tombol “cari citra” memungkinkan pengguna untuk mencari citra sel darah merah yang ingin diidentifikasi jenisnya.

b) Tombol “proses” memungkinkan citra sel darah merah yang telah dipilih oleh pengguna untuk dilakukan pemrosesan mengidentifikasi jenis sel darah merah pada citra tersebut.

Seteleh proses tersebut selesai maka akan ditampilkan pada kotak “Citra grayscale” untuk

hasil citra sel darah merah beraras keabuan, kotak “citra threshold” untuk hasil citra sel darah merah hitam putih, kotak “citra erosi” untuk hasil citra sel darah merah yang mengalami erosi, kotak “citra dilasi” untuk hasil citra sel darah merah yang mengalami

dilasi, kotak “citra boundary detection” untuk hasil citra yang mengalami pendeteksi

tepian/boundary, tabel “hasil identifikasi dan klasifikasi” untuk menampilkan hasil nilai

momen invariant, roundness dan jenis sel darah merah normal atau abnormal, dan kotak

“informasi jumlah sel” untuk menampilkan hasil jumlah seluruh sel di dalam gambar

28

c) Tombol “Tampil Abnormal” memungkinkan pengguna untuk melihat citra sel darah

merah yang dianggap abnormal.

d) Tombol “Reset” memungkinkan sistem untuk me-reset semua kotak dan isi tabel serta informasi jumlah sel menjadi tidak ada citra dan hasil informasi.

e) Tombol “keluar” memungkinkan pengguna untuk keluar dari halaman utama.

3.4.3 Tampilan halaman tambah data latih

Rancangan tampilan halaman tambah data latih dapat dilihat pada gambar 3.14. halaman ini berguna untuk user melakukan penambahan citra data latih. Citra yang diinput merupakan

citra yang mengandung per-satu sel darah merah normal atau sel darah merah abnormal,

berfungsi sebagai acuan untuk proses pengenalan sel darah merah.

Tambah data latih

Input data Ekstraksi ciri citra sel darah merah

Citra sel darah merah

Pilih citra Jenis sel Proses Latih jaringan

Keluar

Sel darah terdeteksi

Tabel informasi nilai momen

invariant Informasi nilai

roundness

Reset

Gambar 3.14 Tampilan halaman tambah data latih Keterangan:

a) Tombol “cari citra” memungkinkan pengguna untuk mencari citra sel darah merah yang ingin ditambahkan ke database sebagai data latih/acuan.

b) Menu dropdown“jenis sel” memungkinkan pengguna untuk memilih jenis sel yang akan

ditambahkan ke database sebagai sel darah normal atau abnormal.

c) Tombol “proses” memungkinkan citra sel darah merah yang telah dipilih oleh pengguna untuk dilakukan pemrosesan mengidentifikasi jenis sel darah merah persatu sel pada citra

tersebut. Seteleh proses tersebut selesai maka akan ditampilkan pada kotak “sel darah terdeteksi” sebagai hasil sel darah merah yang terdeteksi dan tabel “hasil nilai momen invariant” dan tabel “hasil nilai roundness” sebagai informasi dari nilai-nilai yang terkandung dalam proses mengidentifikasi sel darah merah tersebut.

d) Tombol “latih jaringan” memungkinkan sistem melatih citra yang telah mengalami proses identifikasi dan memasukkan data ke dalam database.

e) Tombol “Reset” memungkinkan sistem untuk me-reset semua kotak dan isi tabel serta informasi jumlah sel menjadi tidak ada citra dan hasil informasi.

f) Tombol “keluar” memungkinkan pengguna untuk keluar dari halaman “tambah data

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Pada bab ini, akan dibahas pengimplementasian dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada bab sebelumnya. Tahapan ini bertujuan untuk menampilkan hasil tampilan akhir sistem yang dibangun dan proses

pengujian sistem yang nantinya dapat menghasilkan informasi yang dibutuhkan dari file

gambar sel darah merah.

4.1 Implementasi Sistem

Sesuai dengan analisis dan perancangan yang dibuat, sistem yang akan dibuat ini akan

diimplementasikan menggunakan bahasa pemrograman matlab dan database MySQL.

Kebutuhan dalam pembangunan sistem ini meliputi perangkat keras dan lunak.

4.1.1 Perangkat keras

Spesifikasi perangkat keras yang digunakan untuk implementasi sistem adalah sebagai berikut :

- Processor : Intel® Core™ i5-3317U, CPU 1.70 GHz

- RAM : 4 GB

- Harddisk : 500 GB

4.1.2 Perangkat lunak

Spesifikasi perangkat lunak yang digunakan untuk implementasi sistem adalah sebagai berikut :

- Xampp : V3.2.1

- Program Matlab : Matlab R2012b

4.2 Pengujian Kinerja Sistem

Pada pengujian kinerja sistem akan dijelaskan hasil perancangan sistem yang dibuat. Hasil dari tiap halaman sistem adalah sebagai berikut :

a. Halaman Awal

Gambar 4.1 menampilkan halaman awal sistem yang telah dibuat. Pada halaman awal ini terdapat tiga tombol utama yaitu tombol pengenalan, tombol tambah data latih dan tombol keluar.

Gambar 4.1 Halaman Awal

b. Halaman Pengenalan

Apabila pengguna mengklik tombol pengenalan maka sistem akan menampilkan halaman

pengenalan yang dapat dilihat pada Gambar 4.2. Pada halaman pengenalan

memungkinkan pengguna melakukan identifikasi sel darah merah dengan memilih file

citra sel darah merah telebih dahulu. Setelah memilih citra pengguna dapat mengklik tombol proses untuk dapat mengenali jenis sel darah merah.

32

Pada saat mengklik tombol proses maka sistem menampilkan hasil pengenalan gambar berupa citra grayscale, citra threshold, citra erosi, citra dilasi, dan citra hasil segmentasi. Serta ditampilkan informasi jumlah total sel darah merah yang dikenali,

jumlah sel darah merah normal dan jumlah sel darah merah abnormal.

Gambar 4.2 Halaman pengenalan

Pengguna dapat melihat sel-sel yang dianggap abnormal dengan memilih menu

tampil abnormal. Tampilan ini berguna untuk melihat sel yang dianggap abnormal oleh

sistem, sehingga pengguna dapat meneliti sel tersebut lebih lanjut. Tampilan sel darah

merah yang dianggap abnormal dapat dilihat pada gambar 4.3.

c. Halaman tambah data latih

Apabila pada halaman utama pengguna memilih tombol tambah data latih maka sistem

menampilkan halaman seperti pada gambar 4.4. Untuk menambah data latih pengguna

harus memilih citra terlebih dahulu. Setelah citra dipilih pengguna dapat memilih tombol

proses untuk menambah data latih untuk dimasukkan ke database sebagai acuan untuk

setiap sel yang dikenali. Pengguna juga dapat memilih tombol latih jaringan untuk melakukan pelatihan jaringan terhadap citra yang diinput.

Gambar 4.4 Halaman tambah data latih 4.3 Pelatihan

Pada proses pelatihan terdapat 28 citra sel darah merah sebagai acuanyang terdiri dari 24

buah objek sel darah merah abnormal dan 4 buah objek sel darah merah normal. Data

masukan tiap sel yaitu berupa area objek, kebulatan dan target jenis sel disimpan dalam

dataset hard disk lokal. Dari hasil pelatihan dengan menggunakan jaringan syaraf tiruan

metode self-organizing map, ketepatan mengidentifikasi jenis gigi adalah 93.834%,

dengan validasi performa terbaik pada epoch 10.

Tabel 4.1 Parameter pelatihan identifikasi sel darah merah normal dan abnormal

Alpha/learning rate 0.8

Epoch 10

34

Terdapat 100 citra sel darah merah yang diinput sebagai data acuan yang disimpan

didalam datebase hard disk lokal. Data latih atau data acuan dapat dilihat pada tabel 4.2.

Pada tabel 4.2 akan ditampilkan nilai roundness dan momen invariant tiap sel sebagai

acuan untuk proses pengenalan citra sel darah merah oleh sistem nantinya. Citra per-sel ini diperoleh dari potongan citra sel darah merah yang diambil secara acak.

Tabel 4.2 data latih atau data acuan No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

1

0.78 1. 0.1806

2. 0.0057 3. 3.2841e-04 4. 1.8538e-05 5. 1.1279e-09 6. -1.4946e-07 7. -1.4058e-09

Abnormal

2

0.89 1. 0.1649

2. 0.0018 3. 4.3228e-06 4. 1.2008e-07 5. 2.2745e-14 6. 5.0927e-09 7. 7.5376e-14 Abnormal 3

0.81 1. 0.1740

2. 0.0035 3. 3.5210e-04 4. 9.4261e-06 5. 3.2048e-10 6. 4.1876e-07 7. -6.8875e-11 Abnormal 4

0.87 1. 0.1646

2. 0.0013 3. 3.8922e-05 4. 6.6451e-07 5. -1.0516e-12 6. -5.8113e-09 7. 7.7513e-13 Abnormal 5

0.76 1. 0.1795

2. 0.0053 3. 3.1668e-04 4. 1.6452e-05 5. 8.5410e-10 6. -2.5192e-07 7. -1.1510e-09 Abnormal 6

0.86 1. 0.1689

2. 0.0024 3. 2.0364e-04 4. 4.9047e-06 5. -3.3754e-11 6. -1.0413e-07 7. 7.2269e-11 Abnormal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil Identifikasi Roundness Momen

Invariant ke- Jenis sel

7

0.72 1. 0.1807

2. 0.0037 3. 5.8587e-04 4. 4.4811e-05 5. 2.3156e-09 6. 2. 3969e-06 7. 2.1720e-09

Abnormal

8

0.84 1. 0.1735

2. 0.0035 3. 3.4931e-04 4. 1.1618e-05 5. -7.4433e-10 6. -2.7758e-07 7. 5.56483-10 Abnormal 9

0.85 1. 0.1731

2. 0.0044 3. 2.8448e-05 4. 6.2332e-07 5. 1.4717e-12 6. 3.7231e-09 7. 3.9545e-13 Abnormal 10

0.74 1. 0.1807

2. 0.0038 3. 5.1146e-04 4. 2.9230e-05 5. -2.8591e-09 6. -1.8082e-06 7. 4.6270e-10 Abnormal 11

0.78 1. 0.1810

2. 0.0058 3. 1.5537e-04 4. 1.1973e-05 5. 5.9828e-10 6. 5.4943e-07 7. -3.9810e-10 Abnormal 12

0.83 1. 0.1627

2. 1.8152e-04 3. 5.6828e-05 4. 5. 1619e-07 5. 9.2696e-13 6. -2.4046e-10 7. 3.3119e-14

Abnormal

13

0.84 1. 0.1794

2. 0.0066 3. 4.4193e-05 4. 2.0936e-06 5. -9.4586e-13 6. 5.8171e-08 7. -8.9149e-12 Abnormal 14

0.73 1. 0.2101

2. 0.0185 3. 9.9453e-05 4. 1.7864e-05 5. 2.728e-10 6. 1.9110e-06 7. 3.2515e-10 Abnormal

36

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

15

0.88 1. 0.1691

2. 0.0031 3. 1.7128e-05 4. 3.5061e-07 5. -1.0198e-13 6. -4.0081e-09 7. 3.2206e-14 Abnormal 16

0.79 1. 1728

2. 0.0032 3. 2.2673e-04 4. 1.0951e-05 5. 4.6930e-10 6. 3.8274e-07 7. -5.2561e-11 Abnormal 17

0.82 1. 0.1790

2. 0.0064 3. 6.1484e-05 4. 2.5879e-06 5. -1.2405e-11 6. -1.1051e-07 7. 1.4713e-11 Abnormal 18

0.86 1. 0.1678

2. 0.0017 3. 3.7181e-04 4. 5.8621e-06 5. 1.2452e-10 6. -1.2071e-07 7. 1.7452e-11 Abnormal 19

0.89 1. 0.1623

2. 1.4747e-04 3. 2.1849e-04 4. 1.5532e-06 5. 2.5903e-11 6. 1.4060e-08 7. 3.8606e-12 Abnormal 20

0.45 1. 0.1993

2. 3.2412e-04 3. 3.2722e-04 4. 8.1672e-05 5. 4.6763e-09 6. 5.6751e-07 7. -1.0614e-08 Abnormal 21

0.82 1. 0.1835

2. 0.0075 3. 1.0849e-04 4. 8.2112e-06 5. -8.8010e-11 6. 3.7258e-07 7. -4.2878e-11 Abnormal 22

0.78 1. 0.1827

2. 0.0056 3. 5.3796e-04 4. 3.7406e-05 5. -1.0867e-09 6. -6.6549e-07 7. 2.5840e-09 Abnormal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

23

0.82 1. 0.1689

2. 0.0027 3. 1.1590e-04 4. 2.4094e-06 5. -5.1420e-11 6. -9.0579e-08 7. 3.4977e-11 Abnormal 24

0.78 1. 0.1731

2. 0.0028 3. 5.5170e-04 4. 1.4117e-05 5. -1.6330e-09 6. -6.6960e-07 7. 5.9521e-10 Abnormal 25

0.78 1. 0.1819

2. 0.0075 3. 5. 7880e-06 4. 7.2364e-07 5. 8.8774e-14 6. 5.9929e-08 7. -4.8298e-13 Abnormal 26

0.82 1. 0.1707

2. 0.0037 3. 7.1083e-06 4. 3.2174e-07 5. 5.3362e-13 6. 1.8537e-08 7. -1.8620e-13 Abnormal 27

0.84 1. 0.1667

2. 0.0023 3. 1.7606e-05 4. 5.3473e-07 5. 7.0587e-13 6. 9.1338e-09 7. 1.1462e-13 Abnormal 28

0.82 1. 0.1783

2. 0.0061 3. 1.3741e-04 4. 8.7928e-06 5. -5.6953e-11 6. 3.5855e-07 7. 1.7839e-11 Abnormal 29

0.86 1. 0.1697

2. 0.0033 3. 4.9678e-05 4. 1.0245e-06 5. -7.8910e-12 6. -5.3717e-08 7. 1.5805e-13 Abnormal 30

0.81 1. 0.1656

2. 0.0012 3. 2.1575e-04 4. 4.9398e-06 5. -8.2623e-12 6. 1.6356e-07 7. 1.3318e-10 Abnormal

38

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

31

0.87 1. 0.1670

2. 0.0025 3. 1.2452e-05 4. 3.2214e-07 5. 5.0023e-13 6. 1.6089e-08 7. -2.9665e-13 Abnormal 32

0.83 1. 0.1720

2. 0.0040 3. 7.8167e-05 4. 2.3627e-06 5. -3.2040e-11 6. -6.4155e-08 7. 2.9414e-11 Abnormal 33

0.81 1. 0.1735

2. 0.0036 3. 3.3117e-04 4. 1.0865e-05 5. -6.6320e-10 6. -4.8396e-07 7. 2.3225e-10 Abnormal 34

0.84 1. 0.1667

2. 0.0018 3. 8.7272e-05 4. 2.1759e-06 5. -1.3108e-11 6. -9.2250e-08 7. 6.0374e-12 Abnormal 35

0.85 1. 0.1682

2. 0.0022 3. 1.4243e-04 4. 5.1764e-06 5. 1.0039e-11 6. -3.3328e-08 7. 6.1157e-11 Abnormal 36

0.80 1. 0.1823

2. 0.0077 3. 1.4808e-05 4. 7.9095e-07 5. 1.3566e-12 6. 6.3353e-08 7. 1.9327e-12 Abnormal 37

0.77 1. 0.1775

2. 0.0046 3. 1.4912e-04 4. 9.6248e-06 5. 4.2462e-10 6. 4.7396e-07 7. -2.5669e-10 Abnormal 38

0.86 1. 0.1610

2. 4.3224e-04 3. 8.5890e-06 4. 1.3096e-07 5. -1.6340e-14 6. 4.2686e-10 7. -6.8791e-14 Abnormal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

39

0.83 1. 0.1720

2. 0.0040 3. 6.2976e-05 4. 2.2153e-06 5. 1.1970e-13 6. -4.4716e-08 7. -1.9447e-11 Abnormal 40

0.85 1. 0.1711

2. 0.0038 3. 3.1993e-05 4. 9.0776e-07 5. -4.1049e-13 6. -3.5364e-08 7. -2.8380e-12 Abnormal 41

0.72 1. 0.1739

2. 0.0031 3. 2.5562e-04 4. 1.2112e-05 5. 4.9295e-10 6. 1.8264e-07 7. -3.7716e-10 Abnormal 42

0.85 1. 0.1635

2. 0.0010 3. 6.4980e-05 4. 1.1895r-06 5. 3.7963e-12 6. 2.1483e-08 7. -6.2263e-13 Abnormal 43

0.78 1. 0.1833

2. 0.0080 3. 6.0381e-05 4. 2.7465e-06 5. -2.4233e-11 6. -2.0096e-07 7. 1.9208e-11 Abnormal 44

0.79 1. 0.1838

2. 0.0075 3. 3.1619e-04 4. 1.9464e-05 5. 1.0748e-09 6. 4.4396e-08 7. -1.2907e-09 Abnormal 45

0.85 1. 0.1699

2. 0.0031 3. 1.0855e-04 4. 3.4417e-06 5. -1.2062e-11 6. 6.0962e-08 7. -1.8516e-11 Abnormal 46

0.83 1. 0.1706

2. 0.0027 3. 2.8205e-04 4. 1.5137e-05 5. -2.3511e-11 6. 7.5347e-07 7. -1.4820e-10 Abnormal

40

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

47

0.39 1. 0.2097

2. 0.0044 3. 2.2214e-04 4. 7.4249e-05 5. 5.4692e-10 6. 3.8795e-06 7. -5.8641e-09 Abnormal 48

0.81 1. 0.1697

2. 0.0031 3. 4.973e-05 4. 1.4385e-06 5. -4.5741e-12 6. -7.9470e-08 7. -7.1633e-12 Abnormal 49

0.83 1. 0.1675

2. 0.0020 3. 1.7478e-04 4. 5.2307e-06 5. 1.0958e-10 6. 1.1945e-07 7. -1.4857e-10 Abnormal 50

0.80 1. 0.1733

2. 0.0035 3. 3.2539e-04 4. 1.0655e-05 5. -6.3717e-10 6. -4.6284e-07 7. 2.2207e-10 Abnormal 51

0.89 1. 0.1671

2. 0.0019 3. 1.5474e-04 4. 1.9688e-06 5. -1.1469e-11 6. 4.6415e-08 7. 2.1981e-11 Abnormal 52

0.55 1. 0.3016

2. 0.0636 3. 1.3429e-04 4. 8.1867e-05 5. 8.6479e-09 6. 2.0583e-05 7. -1.1985e-08 Abnormal 53

0.86 1. 0.1689

2. 0.0024 3. 2.4869e-04 4. 1.0796e-05 5. -1.6028e-10 6. 4.5917e-07 7. 4.7773e-10 Abnormal 54

0.86 1. 0.1702

2. 0.0030 3. 1.9851e-04 4. 9.4041e-06 5. 4.1521e-10 6. 5.0895e-07 7. -8.9736e-12 Abnormal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

55

0.89 1. 0.1606

2. 2.5260e-04 3. 2.8919e-05 4. 2.4076e-07 5. 4.9711e-13 6. -9.3020e-10 7. -6.3614e-13 Abnormal 56

0.85 1. 0.1692

2. 0.0030 3. 5.4803e-05 4. 1.9852e-06 5. 3.5870e-12 6. 3.5870e-08 7. -1.1038e-11 Abnormal 57

0.71 1. 0.1959

2. 0.0116 3. 5.2961e-04 4. 1.0279e-04 5. 2.4121e-08 6. 1.1016e-05 7. -1.4294e-08 Abnormal 58

0.86 1. 0.1647

2. 6.5865e-04 3. 2.6387e-04 4. 6.9660e-06 5. 2.5621e-10 6. 1.7815e-07 7. 9.2674e-11 Abnormal 59

0.67 1. 0.1981

2. 0.0088 3. 0.0013 4. 1.0539e-04 5. 5.2278e-09 6. -5.4858e-06 7. -3.7200e-08 Abnormal 60

0.84 1. 0.1680

2. 6.2458e-04 3. 6.8768e-04 4. 8.4633e-06 5. 1.1152e-10 6. 6.9132e-08 7. -3.3607e-10 Abnormal 61

0.82 1. 0.1669

2. 5.9106e-04 3. 4.0420e-04 4. 9.3841e-06 5. 5.2122e-10 6. 5.6943e-08 7. -5.2863e-10 Abnormal 62

0.78 1. 0.1846

2. 0.0071 3. 2.7889e-04 4. 1.7793e-05 5. -1.0948e-09 6. -1.2617e-06 7. 8.0303e-10 Abnormal

42

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

63

0.85 1. 0.1661

2. 0.0012 3. 2.4371e-04 4. 2.8492e-06 5. 3.2379e-12 6. -5.3677e-08 7. -1.2129e-11 Abnormal 64

0.82 1. 0.1788

2. 0.0055 3. 2.9014e-04 4. 2.2713e-05 5. 1.8735e-09 6. 7.9599e-09 7. -8.7498e-10 Abnormal 65

0.91 1. 0.1602

2. 2.2744e-04 3. 1.1543e-05 4. 4.7429e-09 5. -8.1813e-16 6. -2.2487e-11 7. 5.2376e-16 Normal 66

0.91 1. 0.1627

2. 0.0011 3. 1.4152e-05 4. 1.5047e-07 5. 8.8862e-14 6. -2.3179e-09 7. -2.0764e-13 Normal 67

0.91 1. 0.1604

2. 3.7202e-04 3. 1.9342e-06 4. 7.0921e-09 5. 7.2937e-16 6. 1.3108e-11 7. -8.0192e-16 Normal 68

0.91 1. 0.1596

2. 1.2283e-04 3. 3.9677e-06 4. 8.4793e-09 5. 9.5354e-16 6. 5.4955e-11 7. -2.0877e-16 Normal 69

0.90 1. 0.1623

2. 9.8013e-04 3. 3.8557e-06 4. 2.2234e-08 5. -8.0849e-15 6. -4.3994e-10 7. 5.3465e-15 Normal 70

0.92 1. 0.1595

2. 1.1665e-04 3. 9.7212e-09 4. 5.6724e-11 5. 2.6186e-20 6. -2.2415-13 7. -6.9961e-21 Normal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

71

0.87 1. 0.1601

2. 2.3602e-04 3. 1.0293e-05 4. 6.1139e-08 5. 4.8000e-14 6. 9.2843e-10 7. -3.2066e-14 Normal 72

0.90 1. 0.1599

2. 2.1578e-04 3. 3.3019e-06 4. 7.9808e-09 5. 9.3098e-16 6. -8.7492e-12 7. -1.2732e-15 Normal 73

0.91 1. 0.1611

2. 5.8582e-04 3. 4.6411e-06 4. 4.7712e-08 5. 2.3669e-14 6. 1.1402e-09 7. -1.6858e-14 Normal 74

0.90 1. 0.1618

2. 8.1511e-04 3. 8.0763e-06 4. 7.1939e-08 5. -3.7771e-15 6. 5.7033e-11 7. -3.2546e-14 Normal 75

0.90 1. 0.1606

2. 4.1722e-04 3. 3.5021e-06 4. 1.6721e-08 5. -2.4616e-15 6. 8.6030e-11 7. 3.9133e-15 Normal 76

0.89 1. 0.1630

2. 0.0012 3. 7.0273e-06 4. 7.5999e-08 5. 9.4894e-15 6. -1.7894e-09 7. 6.2299e-15 Normal 77

0.89 1. 0.1624

2. 9.9458e-04 3. 5.7887e-06 4. 4.9773e-08 5. -5.4725e-15 6. -6.2443e-11 7. -4.1874e-15 Normal 78

0.87 1. 0.1669

2. 0.0025 3. 5.4861e-06 4. 1.6403e-07 5. 2.3220e-14 6. 4.1787e-09 7. -7.8692e-14 Normal

44

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

79

0.89 1. 0.1608

2. 4.7162e-04 3. 5.8915e-06 4. 8.5124e-09 5. -1.6694e-15 6. 3.6669e-11 7. 1.6609e-15 Normal 80

0.88 1. 0.1639

2. 0.0013 3. 4.4139e-05 4. 8.5317e-07 5. 1.3927e-12 6. 1.0203e-08 7. -3.4629e-12 Normal 81

0.91 1. 0.1594

2. 6.4931e-05 3. 2.3976e-06 4. 2.2440e-09 5. 1.4250e-16 6. 1.7943e-11 7. 4.3836e-17 Normal 82

0.88 1. 0.1613

2. 5.9215e-04 3. 1.3275e-05 4. 1.3345e-07 5. 9.7396e-14 6. -1.6263e-09 7. -1.7992e-13 Normal 83

0.89 1. 0.1618

2. 8.1277e-04 3. 3.1018e-06 4. 2.2206e-08 5. -5.8507e-15 6. -6.1397e-10 7. 1.7306e-15 Normal 84

0.89 1. 0.1619

2. 6.8413e-04 3. 4.2660e-05 4. 4.1077e-07 5. -1.4844e-12 6. -1.0715e-08 7. -3.2696e-13 Normal 85

0.92 1. 0.1602

2. 3.2325e-04 3. 4.5877e-06 4. 1.5562e-08 5. 1.1463e-15 6. 2.6689e-10 7. 3.3319e-15 Normal 86

0.92 1. 0.1594

2. 2.8363e-05 3. 5.8723e-06 4. 9.0609e-09 5. -1.6973e-15 6. 2.3073e-11 7. 2.0824e-15 Normal

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

87

0.89 1. 0.1638

2. 0.0015 3. 2.0172e-06 4. 3. 4634e-08 5. -5.2463e-15 6. -7.2675e-10 7. 4.4902e-15

Normal

88

0.89 1. 0.1593

2. 1.3214e-05 3. 2.2374e-06 4. 3.9447e-10 5. 1.4910e-18 6. 1.0891e-12 7. 2.4979e-18 Normal 89

0.88 1. 0.1598

2. 8.3132e-05 3. 2.3254e-05 4. 3.5140e-08 5. 3.5106e-14 6. 1.4480e-10 7. -1.5067e-14 Normal 90

0.90 1. 0.1602

2. 3.1938e-04 3. 1.2415e-06 4. 4. 7320e-09 5. 3.9522e-16 6. 7.4814e-11 7. -3.2081e-16

Normal

91

0.89 1. 0.1609

2. 4.2865e-04 3. 2.7157e-05 4. 7.9874e-08 5. -8.0117e-16 6. -6.7657e-10 7. -3.6096e-15 Normal 92

0.91 1. 0.1617

2. 7.8642e-04 3. 2.5152e-06 4. 2.7376e-08 5. 7.5490e-15 6. 2.1962e-11 7. -4.7829e-15 Normal 93

0.92 1. 0.1600

2. 1.8985e-04 3. 6.1229e-06 4. 3.0867e-08 5. -3.9816e-15 6. 3.2010e-10 7. 2.2957e-15 Normal 94

0.89 1. 0.1664

2. 0.0024 3. 2.7040e-06 4. 6.0383e-08 5. 2.4602e-14 6. 8.0892e-10 7. -2.1670e-14 Normal

46

Tabel 4.2 data latih atau data acuan (lanjutan) No Gambar Hasil

Identifikasi

Roundness Momen

Invariant ke- Jenis sel

95

0.92 1. 0.1599

2. 2.3025e-04 3. 9.6314e-07 4. 3.7123e-09 5. 4.2751e-17 6. 3.5759e-11 7. 8.7058e-17 Normal 96

0.90 1. 0.1602

2. 2.3675e-04 3. 2.0190e-05 4. 1.1334e-07 5. 5.0107e-14 6. 1.6276e-09 7. -2.2806e-14 Normal 97

0.89 1. 0.1660

2. 0.0021 3. 6.5956e-06 4. 2.0436e-07 5. -4.2347e-14 6. 4.3661e-09 7. 2.2205e-13 Normal 98

0.91 1. 0.1601

2. 1.8755e-04 3. 1.8918e-05 4. 6.1646e-08 5. 6.7250e-14 6. 3.8080e-10 7. -5.9766e-14 Normal 99

0.90 1. 0.1637

2. 0.0014 3. 5.1527e-06 4. 6.6794e-08 5. -8.5543e-15 6. 1.7795e-09 7. 1.7803e-14 Normal 100

0.90 1. 0.1615

2. 4.2771e-04 3. 5.3311e-05 4. 6.0473e-07 5. 9.6331e-13 6. -5.3076e-09 7. -2.9617e-12 Normal

4.4 Pengujian Sistem

Untuk pengujian sistem ini penulis memiliki 15 citra sel darah merah yang akan diuji. Akan tetapi dalam penyajian ini penulis hanya menjelaskan 5 citra sebagai contoh.

a b

Gambar 4.5 citra uji 1: a. citra asli, b. hasil pengenalan

Tabel 4.3 hasil uji pada gambar 4.5

Sel ke- Sistem Manual Status

1 Normal Normal Berhasil

2 Normal Normal Berhasil

3 Normal Normal Berhasil

4 Abnormal Normal berhimpit Gagal

5 Normal Normal Berhasil

6 Normal Normal Berhasil

7 Normal Normal Berhasil

8 Normal Normal Berhasil

9 Normal Normal Berhasil

10 Normal Normal Berhasil

11 Normal Normal Berhasil

12 Normal Normal Berhasil

13 Normal Normal Berhasil

14 Normal Normal Berhasil

15 Normal Normal Berhasil

16 Normal Normal Berhasil

17 Normal Normal Berhasil

48

Tabel 4.3 hasil uji pada gambar 4.5 (lanjutan)

Sel ke- Sistem Manual Status

19 Normal Normal Berhasil

20 Normal Normal Berhasil

21 Normal Normal Berhasil

22 Normal Normal Berhasil

23 Normal Normal Berhasil

Pada gambar 4.5 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 22 sel dari 23 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

� � � � � � = J y x %

� � � � � � = x % = . %

Pengujian citra sel darah merah ke-2 dapat dilihat pada gambar 4.6

a b

Gambar 4.6 hasil uji citra ke-2: a. citra asal, b. hasil pengenalan

Pada Tabel 4.4 akan dijelaskan hasil uji pada gambar 4.6

Tabel 4.4 hasil uji pada gambar 4.6

Sel ke- Sistem Manual Status

1 Normal Normal Berhasil

2 Normal Normal Berhasil

3 Normal Normal Berhasil

Tabel 4.4 hasil uji pada gambar 4.5 (lanjutan)

Sel ke- Sistem Manual Status

5 Normal Normal Berhasil

6 Normal Normal Berhasil

7 Normal Normal Berhasil

8 Normal Normal Berhasil

9 Normal Normal Berhasil

10 Normal Normal Berhasil

11 Normal Normal Berhasil

12 Normal Normal Berhasil

13 Normal Normal Berhasil

14 Normal Normal Berhasil

15 Normal Normal Berhasil

16 Normal Normal Berhasil

17 Normal Normal Berhasil

18 Normal Normal Berhasil

19 Normal Normal Berhasil

20 Normal Normal Berhasil

21 Normal Normal Berhasil

22 Normal Normal Berhasil

23 Normal Normal Berhasil

24 Normal Normal Berhasil

25 Normal Normal Berhasil

26 Normal Normal Berhasil

27 Normal Normal Berhasil

Pada gambar 4.6 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 27 sel dari 27 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

50

� � � � � � = x % = %

Pengujian citra sel darah merah ke-3 dapat dilihat pada gambar 4.7

A B

Gambar 4.7 hasil uji citra ke-3: a. citra asal, b. hasil pengenalan

Pada Tabel 4.5 akan dijelaskan hasil uji pada gambar 4.7

Tabel 4.5 persentase hasil uji pada gambar 4.7

Sel ke- Sistem Manual Status

1 Normal Normal Berhasil

2 Normal Normal Berhasil

3 Normal Normal Berhasil

4 Normal Normal Berhasil

5 Normal Normal Berhasil

6 Normal Normal Berhasil

7 Normal Normal Berhasil

8 Normal Normal Berhasil

9 Normal Normal Berhasil

10 Normal Normal Berhasil

11 Normal Normal Berhasil

12 Abnormal Normal Gagal

13 Normal Normal Berhasil

14 Normal Normal Berhasil

Tabel 4.5 persentase hasil uji pada gambar 4.7 (lanjutan)

Sel ke- Sistem Manual Status

16 Normal Normal Berhasil

17 Normal Normal Berhasil

18 Normal Normal Berhasil

19 Normal Normal Berhasil

20 Normal Normal Berhasil

21 Normal Normal Berhasil

22 Normal Normal Berhasil

23 Normal Normal Berhasil

24 Normal Normal Berhasil

25 Normal Normal Berhasil

26 Normal Normal Berhasil

27 Normal Normal Berhasil

28 Normal Normal Berhasil

Pada gambar 4.7 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 26 sel dari 28 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

� � � � � � = x % = . %

Pengujian citra sel darah merah ke-4 dapat dilihat pada gambar 4.8

a b

52

Pada Tabel 4.6 akan dijelaskan hasil uji pada gambar 4.8

Tabel 4.6 persentase hasil uji pada gambar 4.8

Sel ke- Sistem Manual Status

1 Normal Normal Berhasil

2 Normal Normal Berhasil

3 Abnormal Normal berhimpit Gagal

4 Normal Abnormal Gagal

5 Abnormal Abnormal Berhasil

6 Abnormal Abnormal Berhasil

7 Abnormal Abnormal Berhasil

8 Abnormal Abnormal Berhasil

9 Abnormal Abnormal Berhasil

10 Normal Abnormal Gagal

Pada gambar 4.8 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 5 sel dari 10 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

� � � � � � = x % = %

Pengujian citra sel darah merah ke-5 dapat dilihat pada gambar 4.9

a _b

Pada Tabel 4.7 akan dijelaskan hasil uji pada citra ke-5

Tabel 4.7 persentase hasil uji pada gambar 4.9

Sel ke- Sistem Manual Status

1 Normal Abnormal Gagal

2 Normal Normal Berhasil

3 Normal Abnormal Gagal

4 Normal Normal Berhasil

5 Abnormal Abnormal Berhasil

6 Abnormal Abnormal Berhasil

7 Abnormal Abnormal Berhasil

8 Abnormal Abnormal Berhasil

9 Abnormal Abnormal Berhasil

10 Normal Abnormal Gagal

11 Abnormal Normal Gagal

12 Abnormal Normal Gagal

13 Normal Normal Berhasil

14 Abnormal Normal Gagal

15 Abnormal Abnormal Berhasil

16 Abnormal Abnormal Berhasil

Pada gambar 4.9 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 10 sel dari 16 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

� � � � � � = x % = . %

Tabel 4.8 persentase tingkat keakuratan sel darah merah pada gambar yang diuji sistem

No Gambar ke Total Sel Berhasil Gagal Akurasi

1 1 23 22 1 95.65%

54

Tabel 4.8 persentase tingkat keakuratan sel darah merah pada gambar yang diuji sistem (lanjutan)

No Gambar ke Total Sel Berhasil Gagal Akurasi

3 3 28 26 2 92.85%

4 4 10 7 3 70%

5 5 16 10 6 62.5%

6 6 23 21 2 91,30%

7 7 27 25 2 92,59%

8 8 19 18 1 94,74%

9 9 25 25 0 100%

10 10 28 27 1 96.42%

11 11 19 19 0 100%

12 12 19 17 2 89,47%

13 13 22 22 0 100%

14 14 20 20 0 100%

15 15 16 16 0 100%

Tabel 4.7 persentase hasil uji pada gambar 4.9

Sel ke- Sistem Manual Status

1 Normal Abnormal Gagal

2 Normal Normal Berhasil

3 Normal Abnormal Gagal

4 Normal Normal Berhasil

5 Abnormal Abnormal Berhasil

6 Abnormal Abnormal Berhasil

7 Abnormal Abnormal Berhasil

8 Abnormal Abnormal Berhasil

9 Abnormal Abnormal Berhasil

10 Normal Abnormal Gagal

11 Abnormal Normal Gagal

12 Abnormal Normal Gagal

13 Normal Normal Berhasil

14 Abnormal Normal Gagal

15 Abnormal Abnormal Berhasil

16 Abnormal Abnormal Berhasil

Pada gambar 4.9 diperoleh hasil sel yang berhasil dikenali oleh sistem sebanyak 10 sel dari 16 sel total. Untuk perhitungan persentase akurasi sistem dapat dihitung sebagai berikut:

� � � � � � = x % = . %

Tabel 4.8 persentase tingkat keakuratan sel darah merah pada gambar yang diuji sistem

No Gambar ke Total Sel Berhasil Gagal Akurasi

1 1 23 22 1 95.65%

54

Tabel 4.8 persentase tingkat keakuratan sel darah merah pada gambar yang diuji sistem (lanjutan)

No Gambar ke Total Sel Berhasil Gagal Akurasi

3 3 28 26 2 92.85%

4 4 10 7 3 70%

5 5 16 10 6 62.5%

6 6 23 21 2 91,30%

7 7 27 25 2 92,59%

8 8 19 18 1 94,74%

9 9 25 25 0 100%

10 10 28 27 1 96.42%

11 11 19 19 0 100%

12 12 19 17 2 89,47%

13 13 22 22 0 100%

14 14 20 20 0 100%

15 15 16 16 0 100%

BAB 5

KESIMPULAN DAN SARAN

Pada bab ini akan dibahas kesimpulan dan saran yang diperoleh dari penyelesesaian permasalahan identifikasi sel darah merah. Berikut penjabarannya.

5.1 Kesimpulan

Berdasarkan pengujian data yang telah dilakukan didapat kesimpulan yaitu:

1. Penggunaan metode jaringan syaraf tiruan self-organizing map dapat mengklasifikasi bentuk sel darah merah normal dan abnormal pada citra masukandengan akurasi pengujian 93,78%.

2. Tahap pra-pengolahan citra belum dapat memisahkan sel yang berhimpit atau bertumpang tindih dengan maksimal.

5.2 Saran

Saran untuk penelitian selanjutnya yaitu:

1. Penggunaan metode jaringan syaraf tiruan Self-Organizing Map (SOM) dapat dibandingkan dengan metode lain pada penelitian yang sama, agar dapat memperoleh hasil pengidentifikasian yang lebih akurat dengan membandingkan error rata – rata antara metode tersebut serta pengembangan sistem untuk dapat mengidentifikasi bentuk sel darah merah normal dan

56

2. Penulis membuat sistem untuk mengidentifikasi jenis sel darah merah normal dan abnormal hanya berdasarkan bentuk, penulis berharap pada penelitian selanjutnya dapat dikembangkan penelitian yang dapat mengidentifikasi sel darah merah normal dan abnormal dengan dua komponen lainnya yaitu berdasarkan ukuran dan warna.

3. Diperlukan beberapa metode lain pada proses prapengolahan agar dapat menghasilkan sel darah yang tidak bertumpuk. Agar pada proses berikutnya menghasilkan informasi data yang baik.

4. Masih terdapat beberapa sel yang di anggap satu sel tetapi sebenarnya terdapat dua sel atau lebih, untuk itu diperlukan metode khusus yang dapat mengatasi masalah tersebut.

DAFTAR PUSTAKA

Ahmad, U. (2005). Pengolahan Citra Digital & Teknik Pemrogramannya. Bogor: Graha Ilmu.

Bain, B. J. (2004). A Beginner's Guide to Blood Cells. 2nd Edition, pp. 9 - 22.

Fowler, M. (2005). Panduan Singkat Bahasa Pemodelan Objek Standar UML Distilled 3th Ed. Yogyakarta: ANDI.

Kadir, A., & Susanto, A. (2012). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi.c

Kartikasari, D. (2013). Sistem Pendeteksian dan Perhitungan Sel Darah Merah

Abnormal dan Normal Berdasarkan Pengolahan Citra Digital Menggunakan Matlab. Skripsi. Universitas Komputer Indonesia

Muchtar, M. A., & Sani, M. F. (2011). Modul Praktikum Desain Perangkat Lunak.

Medan, Indonesia: Universitas Sumatera Utara.

Poomcokrak, J., & Neatpisarnvanit, C. (2008). Red Blood Cell Extraction And

Counting. The Third International Symposium on Biomedical Engineering, 199-203. (Online)

http://www.kmitl.ac.th/ijabme/proceedings/bmeicon08/pdf/Session4/1105.pdf (30 November 2013)

Putra, D. (2009). Pengolahan Citra Digital. Yogyakarta: Andi.

Septiadi, D. (2008). Aplikasi Soft Computing pada Prediksi Curah Hujan di

Kalimantan. Jurnal Meteorologi dan Geofisika, Vol. 9 No 1 Juli 2008: 65 - 77. (Online)

http://www.bmkg.go.id/Puslitbang/filePDF/Dokumen_304_Volume_9_Nomor_ 2_November_2008_Aplikasi_Soft_Computing_pada_Prediksi_Curah_Hujan__d i_Kalimantan.pdf (4 November 2013)

Sutoyo, T., Mulyanto, E., Vincent, S., Nurhayati, O., & Wijanarto. (2009). Teori Pengolahan Citra Digital. Yogyakarta: Andi.

58

Tae, G. F., Suwarno, S., & Hapsari, W. (2010). Penerapan Kohonen Self Organizing Map dalam Kuantisasi Vektor pada Kompresi Citra Bitmap 24 Bit. Jurnal Informatika, Volume 6 Nomor 2: 15-23. (Online)

http://ti.ukdw.ac.id/ojs/index.php/informatika/article/download/83/45 (23 Oktober 2013)

Tarwoto, & Wartonah. (2008). Keperawatan Medikal Bedah Gangguan Sistem Hematologi. Jakrata: Trans Info Media.

Usman, K. (2008). Perhitungan Sel Darah Merah Bertumpuk Berbasis Pengolahan Citra Digital dengan Operasi Morfologi. Seminar Nasional Informatika, 31-38.

(Online)

http://repository.upnyk.ac.id/89/1/4_Perhitungan_Sel_Darah_Merah_Bertumpuk _Berbasis_Pengolahan_Citra_Digital_Dengan_Operasi_Morfolog.pdf (24 Oktober 2013)

Warni, E. (2009). Operasi Morfologi Sel Darah Merah (Eritrosit) Berbasis Pengolahan Citra dan Jaringan Saraf Tiruan. Jurnal Ilmiah "Elektrikal Enjinering" UNHAS (Online). http://journal.unhas.ac.id/index.php/elen/article/view/224/206.pdf (28 November 2013)

Zunairoh, U., Khotimah, B. K., & Rachmad, A. (2012). Klasifkasi Status Gizi Balita Menggunakan Kohonen Self Organizing Map. Jurnal Sarjana Teknik