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)
SKRIPSIFANNY SARI WULANDARI 091402104
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
(2)
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
(3)
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
(4)
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
(5)
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
(6)
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%.
(7)
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 %.
(8)
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
(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
(10)
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
(11)
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
(12)
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%.
(13)
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 %.
(14)
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
(15)
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
(16)
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
(17)
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:
(18)
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
(19)
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
(20)
(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)
(21)
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) :
(22)
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.
(23)
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)
(24)
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.
(25)
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
(26)
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).
(27)
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
(28)
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
(29)
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 :
(30)
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
(31)
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
(32)
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
(33)
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
(34)
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
(35)
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.
(36)
- 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.
(37)
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
(38)
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.
(39)
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.
(40)
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
(41)
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.
(42)
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
(43)
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 :
(44)
- 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.
(45)
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.
(46)
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
(47)
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
(48)
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
(49)
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
(50)
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
(51)
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
(52)
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
(53)
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
(54)
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
(55)
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
(56)
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
(57)
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
(58)
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
(59)
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.
(60)
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
(61)
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
(62)
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:
(63)
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
(64)
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
(65)
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
(66)
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%
(67)
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%
(1)
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%
(2)
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%
(3)
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
(4)
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.
(5)
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.
(6)
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