IJEIS.
Vol.
No.
October 2016, pp.
ISSN: 2088-3714
Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk dengan Metode K-Nearest Neighbor (K-NN) Mizan Nur Khasanah*1.
Agus Harjoko2.
Ika Candradewi3 Prodi Elektronika dan Instrumentasi Jurusan Ilmu Komputer dan Elektronika.
FMIPA UGM Jurusan Ilmu Komputer dan Elektronika.
FMIPA UGM e-mail: * miza.
nk19@gmail.
com , 2aharjoko@ugm.
id 3ika-candra@mail.
Abstrak Prosedur tradisional klasifikasi sel darah menggunakan mikroskop di laboratorium hematologi dilakukan untuk memperoleh informasi jenis sel darah.
Telah menjadi landasan di laboratorium hematologi untuk mendiagnosis dan memantau gangguan hematologi.
Namun, prosedur manual melalui serangkaian uji laboratorium dapat memakan waktu cukup lama.
Oleh karena itu penelitian ini ditujukan khusus untuk dapat membantu dalam proses tahap awal klasifikasi jenis sel darah putih secara otomatis di bidang medis.
Upaya untuk mengatasi lamanya waktu dan untuk keperluan diagnosis awal dapat menggunakan teknik pengolahan citra berdasarkan morfologi sel darah.
Penelitian ini bertujuan untuk mengklasifikasi sel darah putih berdasarkan morfologi sel dengan k-nearest neighbor .
Algoritma pengolahan citra yang digunakan adalah hough circle, thresholding, ekstraksi ciri.
kemudian untuk proses klasifikasi digunakan metode k-nearest neighbor .
Pada proses pengujian digunakan 100 citra untuk di ketahui jenisnya.
Hasil pengujian segmentasi menunjukkan akurasi sebesar 78 % dan pengujian klasifikasi sebesar 64%.
Kata kunciAi Sel darah putih, hough circle, ekstraksi ciri, k-nearest neighbor .
-n.
Abstract The traditional procedure of classification of blood cells using a microscope in the laboratory of hematology to obtain information types of blood cells.
It has become a cornerstone in the laboratory of hematology to diagnose and monitor hematologic However, the manual procedure through a series of labory test can take a while.
Thresfore, this research can be helpful in the early stages of the classification of white blood cells automatically in the medical field.
Efforts to overcome the length of time and for the purposes of early diagnose can use the image processing technique based on morphology of blood cells.
This research aims to classify the white blood cells based on cell morphology with the k-nearest neighbor .
Image processing algorithms used hough circle, thresholding, feature extraction, then to the process of classification was used the method of k-nearest neighbor .
In the process of testing used 100 images to be aware of its kind.
The test results showed segmentation accuracy of 78% and testing the classification of 64%.
KeywordsAiWhite blood cell, hough circle, feature extraction, k-nearest neighbor .
Received October 13th,2016.
Revised October 17th, 2016.
Accepted October 28th, 2016
ISSN: 2088-3714
PENDAHULUAN
arah di dalam tubuh manusia memiliki fungsi yang sangat penting sebagai alat untuk transportasi oksigen dan zat-zat yang dibutuhkan oleh tubuh.
Darah merupakan cairan tubuh yang berwarna merah, warna merah ini merupakan protein pernafasan yang mengandung besi, yang merupakan tempat terikatnya molekul-molekul oksigen yang disebabkan oleh Dalam darah juga terdapat kandungan seperti air, protein, mineral dan garam.
Selain itu darah juga dibedakan menjadi beberapa jenis.
Pada masing-masing jenis darah juga memiliki peranan penting dalam tubuh.
Jenis-jenis darah manusia yakni sel darah merah, sel darah putih serta kepingan darah .
Sel darah putih merupakan salah satu bagian dari susunan sel darah manusia yang memiliki peranan utama dalam hal sistem imunitas atau membunuh kuman dan bibit penyakit yang ikut masuk ke dalam aliran darah manusia.
Sel darah putih atau yang juga dapat disebut dengan leukosit.
Leukosit dibagi menjadi lima jenis tipe berdasarkan bentuk morfologinya yaitu basofil, eosinofil, neutrofil, limfosit dan monosit .
Masing-masing jenis sel darah putih ini memiliki ciri khas dan fungsi yang berbeda.
Berdasarkan pada jurnal pemeriksaan hematologi klinik 1 oleh Heru Santoso Wahito Nugroho.
Kep.
Ns.
Kes.
, selama ini proses klasifikasi sel darah putih hanya dilakukan secara manual melalui serangkaian uji laboratorium yang dapat memakan waktu cukup lama.
Oleh karena itu penelitian ini ditujukan khusus untuk dapat membantu dalam proses tahap awal klasifikasi jenis sel darah putih secara otomatis di bidang medis.
Seiring dengan berkembangnya teknologi, saat ini ada beberapa peneliti yang melakukan berbagai penelitian dalam penerapan metode komputerisasi yang digunakan dalam klasifikasi jenis sel darah putih.
Beberapa diantaranya adalah identifikasi dan klasifikasi sel darah putih menggunakan segmentasi berbasis warna dan fitur geometris yang dilakukan oleh Hiremath.
S, dkk pada tahun 2010.
Cortes.
R pada tahun 2011 melakukan penelitian klasifikasi sel darah putih dengan metode pengenalan pola euclidean distance, k-nearest neighbor dengan hasil yang cukup baik pada citra yang memiliki kedekatan ciri .
Mengacu pada penelitian sebelumnya, maka penulis akan menggabungkan proses segmentasi citra sel darah putih dengan k-nearest neighbor dimana proses ekstraksi ciri digunakan sebagai parameter inputan ke dalam proses pengujian klasifikasi sel darah putih.
METODE PENELITIAN
1 Diskripsi Sistem Sistem yang dibuat merupakan sistem untuk melakukan klasifikasi sel darah putih dari citra Berikut adalah blok diagram rancangan pembuatan sistem yang ditunjukkan pada Gambar 1.
Akuisisi Citra Segmentasi Citra Ekstraksi Ciri Citra Klasifikasi Jenis Sel Gambar 1 Blok diagram rancangan sistem IJEIS Vol.
No.
October 2016 : 151 Ae 162
IJEIS
ISSN: 2088-3714
A 153
Proses klasifikasi sel darah putih membutuhkan beberapa tahapan.
Secara umum, proses klasifikasi sel darah putih meliputi akuisisi citra, segmentasi citra, ekstraksi fitur, dan klasifikasi dengan metode k-nearest neighbor .
Sistem menerima masukan berupa citra darah dan dilakukan proses segmentasi yang berguna untuk mendeteksi sel darah putih di dalam citra Hasil dari segmentasi adalah berupa sel darah putih yaitu sebagai objek yang selanjutnya akan di kenai operasi hough circle.
Citra sel darah putih yang berhasil dideteksi kemudian dilakukan ekstraksi ciri.
Hal ini digunakan untuk mendapatkan ciri masing-masing sel darah Metode k-nearest neighbor .
digunakan untuk melakukan klasifikasi jenis sel darah putih berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut .
Citra yang sudah di ekstraksi ciri akan dicocokan dengan sampel yang sudah diketahui jenisjenisnya sehingga hasil akhir sistem ini adalah mengetahui jenis sel darah putih yang terdapat pada citra darah.
2 Perancangan Akuisisi Citra Proses awal adalah akuisisi data Citra.
Akuisisi citra bertujuan untuk mendapatkan citra digital dari mikroskopik preparat sel darah.
Citra digital diperoleh dari scanning foto mikroskopis sel darah dalam 24 bit warna dengan penyimpanan format jpg yang didapat dari laboratorium rumah sakit Sardjito.
Citra yang dipilih adalah citra 24 bit yang dikenali sebagai citra RGB sehingga citra siap untuk diproses pada tahap selanjutnya.
3 Perancangan Segmentasi Citra Diagram alir rancangan segmentasi citra terdapat pada Gambar 2.
Proses ini mendapat masukan citra darah.
Proses deteksi sel darah putih ini dilakukan dengan metode hough circle.
Proses awal deteksi dengan hough circle adalah grayscaling, yaitu mengubah warna citra asli berupa RGB menjadi citra grayscale .
Hasil dari proses hough ini ditandai dengan sel darah dengan lingkaran berwarna merah.
Koordinat dari obyek tersebut digunakan untuk mengatur region of interest (ROI).
Fungsi dari ROI adalah untuk mengatur area dari sel darah yang terdeteksi .
Selanjutnya dilakukan operasi untuk menghitung rata-rata warna objek yang terdeteksi.
Operasi ini digunakan untuk memverifikasi nilai rata-rata warna objek yang terdeteksi.
Jika hasil rata-rata warna dari objek terdeteksi adalah >120 maka variabel circleF akan ditambahkan ke dalam listCircle.
Sehingga dengan menggunakan verifikasi rata-rata warna tersebut hanya citra sel darah putih yang dapat terdeteksi karena warna citra sel darah putih yang cenderung berwarna gelap.
Citra sel arah putih yang terdeteksi selanjutnya dilakukan cropping sesuai dengan area yang telah ditentukan oleh ROI tersebut.
Citra hasil cropping tersebut yang akan ditampilkan pada PictureBox.
4 Perancangan Ekstraksi Ciri Ekstraksi ciri dilakukan pada citra sel darah putih yang telah berhasil disegmentasi.
Tujuan dilakukannya proses ekstraksi ciri ini adalah untuk mendapatkan data numerik ciri masing-masing citra dalam parameter ciri citra, yaitu luas area, tepi area, kebundaran sel, dan rata-rata warna red, green, dan blue.
Diagram alir proses ekstraksi ciri ditunjukan pada Gambar 3.
Masukan pada sistem ini adalah citra hasil cropping pada proses segmentasi yang selanjutnya dilakukan operasi thresholding yang bertujuan untuk mempermudah perhitungan parameter-parameter ciri sel.
Citra hasil thresholding berupa citra biner yaitu obyek dengan area warna hitam.
Selanjutnya obyek tersebut akan di ekstraksi ciri dengan parameter-parameter yang telah ditentukan.
Berikut merupakan perancangan perhitungan nilai parameter-parameter tersebut:
Luas Area Luas area citra segmentasi sel darah putih didapatkan dari ukuran luas badan sel atau sitoplasma sel darah putih.
Piksel area sitoplasma hasil segmentasi yang berwarna hitam akan Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk.
(Mizan Nur Khasana.
A ISSN: 2088-3714 diberi nilai 1.
Sedangkan background akan bernilai 0.
Luas area dapat diperoleh dengan menghitung jumlah piksel bernilai 1 .
Tepi Area Tepi area atau perimeter merupakan bagian sitoplasma yang paling luar dan bersinggungan dengan background citra.
Tepi citra dapat diperoleh dengan menghitung piksel terluar dari objek.
Dengan demikian akan didapatkan tepi area yang kemudian dapat dihitung jumlah pikselnya.
Piksel tepi area berwarna putih akan bernilai 1, sedangkan sisanya akan Tepi nukleus dapat diperoleh dengan menghitung jumlah piksel bernilai 1 tersebut .
Kebundaran Kebundaran atau tingkat kelengkungan dari sel darah putih dapat dihitung setelah diperoleh nilai luas dan tepi area melalui rumus kebundaran.
Nilai dari kebundaran akan berkisar antara 0 sampai 1.
Semakin bundar citra sel darah putih, maka akan semakin tinggi nilai kebundarannya atau mendekati 0 .
Rata-Rata RGB Rata-rata warna red, green, dan blue merupakan rata-rata nilai warna pada sel darah putih yang terdeteksi.
Nilai rata-rata warna ini didapat dengan menghitung masing-masing warna kemudian dibagi dengan luas area objek tersebut.
Segmentasi citra Ekstraksi ciri Thresholding Convert citra asli ke Tentukan koordinat titik tengah citra sel darah Deteksi sel darh putih .
ough circl.
Atur ROI .
rea sel darah putih yang akan di Cek piksel 3x3 Ada piksel hitam Tidak Verifikasi rata-rata Cek piksel warna putih Luas 1 Ada piksel Simpan pada List Tidak Rata-rata warna hitam > 120 Ubah warna hitam yang sudah dihitung menjadi Perimeter 1 Simpan pada list Hitung jumlah masingmasing warna Red, green, dan blue Hitung rata-rata warna red, green dan blue Gambar lingkaran pada objek terverifikasi Hitung nilai kebundaran Tampilkan hasil segmentasi pada pictureBox Kembali Gambar 2 Diagram alir segmentasi citra IJEIS Vol.
No.
October 2016 : 151 Ae 162
Tampilkan hasil
segmentasi pada pictureBox
Kembali Gambar 3 Diagram alir ekstraksi ciri citra
IJEIS
ISSN: 2088-3714
A 155
5 Perancangan Klasifikasi Klasifikasi sel darah putih dilakukan menggunakan metode k-nearest neighbor (KNN) yaitu sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.
Tujuan dari algoritma ini adalah untuk mengklasifikasikan sel darah putih baru berdasarkan atribut dan training sample jenis sel darah putih yang disimpan dengan format csv .
Diagram alir proses klasifikasi ditunjukkan pada Gambar 4.
Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing masing dimensi merepresentasikan fitur dari masing masing sel darah putih.
Classifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori.
Diberikan titik query .
el darah putih bar.
, kemudian akan ditemukan 3 objek atau titik training yang paling dekat dengan titik query.
Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari 3 obyek.
Algoritma k-nearest neighbor (KNN) menggunakan klasifikasi ketetanggan sebagai nilai prediksi dari query instance yang baru .
Gambar 4 Diagram alir klasifikasi citra Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk.
(Mizan Nur Khasana.
A ISSN: 2088-3714 6 Perancangan Antarmuka Sistem Antarmuka aplikasi pada penilitan ini digunakan untuk memudahkan peneliti dalam melihat hasil klasifikasi sel darah putih.
Antarmuka aplikasi memuat fungsionalitas pemuatan citra, pengidentifikasian citra sel darah putih dan penentuan jenis sel.
Rancangan antarmuka
aplikasi ditunjukkan pada Gambar 5
Gambar 5 Rancangan antarmuka sistem
HASIL DAN PEMBAHASAN
1 Hasil Pengujian Segmentasi Citra Segmentasi Citra sel darah putih dengan metode hough circle dilakukan pada citra sebanyak 128 buah.
Metode hough circle diimplementasikan pada aplikasi ini karena obyek yang akan dideteksi berbentuk lingkaran.
Tujuan dari proses segmentasi ini adalah untuk mendeteksi sel darah putih di dalam suatu citra, menyiapkan citra ke kondisi untuk siap diekstraksi ciri dan kemudian memperoleh data numerik dari hasil ekstraksi ciri citra tersebut.
Pencarian obyek sel darah putih sangat ditentukan oleh parameter-parameter dari metode hough Penentuan parameter hough circle yang tidak sesuai dalam proses segmentasi ini dapat menyebabkan kesalahan dalam mendeteksi sel darah putih.
Beberapa kesalahan yang terjadi adalah adanya sel darah merah dan sel darah rusak yang terdeteksi.
Beberapa kesalahan tersebut merupakan kelemahan dari metode hough circle, karena metode ini ditentukan oleh parameterparameter yang tidak dapat dipastikan untuk mendapatkan hasil terbaik dari satu citra dengan citra yang lainnya.
Sehingga untuk beberapa citra harus dilakukan pengaturan ulang nilai parameternya dengan cara trial and error untuk dapat mendeteksi sel darah putih dengan baik.
Pada penelitian ini telah dilakukan proses trial and error dalam mencari nilai parameterparameter hough circle yang dapat mewakili proses deteksi obyek seluruh citra yang diproses.
Hasil terbaik yang dapat mendeteksi sel darah putih adalah nilai accumulator = 133.
maxRadius = 148.
minRadius = 60.
minDistance = 90.
dan resolution = 30.
Secara umum, sistem aplikasi dapat digunakan untuk mengidentifikasi sel darah putih yang ada di dalam citra dengan menggunakan parameter-pameter tersebut.
Hasil segmentasi citra adalah representasi dari sel darah putih dalam format grayscale.
Contoh hasil segmentasi yang berhasil ditunjukkan pada Tabel 1.
Pada tabel tersebut terdiri dari citra asli, citra hasil deteksi dan citra hasil segmentasi.
Citra hasil deteksi dengan lingkaran warna hitam adalah hasil dari proses hough circle.
Sedangkan hasil segmentasi merupakan proses thresholding yang selanjutnya dilakukan perhitungan ciri citra.
IJEIS Vol.
No.
October 2016 : 151 Ae 162
IJEIS
A 157
ISSN: 2088-3714
Contoh hasil segmentasi gagal ditunjukkan pada Tabel 2.
Pada tabel tersebut terlihat bahwa hasil segmentasi berbeda dengan hasil segmentasi yang berhasil.
Pada hasil segmentasi yang berhasil, obyek berwarna biru karena nilai piksel yang sudah ditandai akan dihitung kemudian diganti warna biru untuk menandai bahwa piksel tersebut sudah terhitung.
Sedangkan pada segmentasi yang gagal obyek tetap berwarna hitam karena perhitungan ciri dimulai dari titik tengah obyek, sedangkan pada citra tersebut titik tengah berwarna putih, sehingga tidak dapat dilakukan perhitungan maka obyek tidak bergganti dengan warna biru.
Tabel 1 Contoh hasil segmentasi berhasil Citra Asli Hasil Hasil Tabel 2 Contoh hasil segmentasi gagal Citra Asli Hasil Hasil Deteksi Segmentasi Deteksi Segmentasi 2 Hasil Pengujian Ekstraksi Ciri Citra Ekstraksi ciri citra digunakan untuk mencari parameter yang digunakan untuk mencocokan dengan data ciri sampel sel darah yang sudah di ekstraksi yaitu luas area, tepi area, kebundaran, rata-rata warna red, green dan blue.
Luas area dihitung berdasarkan jumlah piksel yang berada di dalam hasil segmentasi nukleus dan sitoplasma.
Tepi area sel atau perimeter juga dihitung dalam satuan piksel dari tepi sitoplasma.
Kebundaran merupakan rasio yang didapat dari perhitungan antara luas dan tepi tepi area dalam rentang 0 sampai 1.
Semakin tinggi rasio kebundaran maka semakin bundar bentuk sel.
Rata-rata warna red, green dan blue merupakan nilai masing-masing warna sel dibagi dengan luas area.
Adapun hasil rata-rata yang didapatkan dari ekstraksi ciri ditunjukkan pada Tabel 3 dengan A: rata-rata.
B: nilai tertinggi.
C: nilai terendah.
Hasil ektraksi ciri pada Tabel 3 Menunjukan bahwa neutrofil dan basofil memiliki kedekatan ciri.
Kedua jenis sel tersebut menghasilkan rata-rata nilai dari enam parameter dengan perbedaan yang tidak signifikan.
Kemudian sel jenis eosinofil dan limfoblast juga memiliki kedekatan ciri, terlihat dari rata-rata luas dan kebundaran keduanya.
Pada sel limfosit terlihat bahwa nilai rata-rata kebundaran yang dihasilkan adalah yang tertinggi daripada keempat sel lainnya.
Meskipun demikian, rata-rata luas dan perimeter yang dimilikinya adalah yang terendah.
Sedangkan pada monosit nampak bahwa rata-rata luas area dan perimeter yang dihasilkan adalah yang tertinggi.
Kemudian jika dilihat dari rata-rata warna red, green, dan blue, sel neutrofil, monosit dan limfosit memiliki rata-rata warna biru yang dominan dibandingkan dengan sel darah lainnya.
Jika dilihat berdasarkan kondisi nyata di dalam tubuh manusia, hasil ekstraksi pada beberapa sel tersebut cukup mampu merepresentasikan bentuk identik sel.
Sebagai contoh, sel terbesar di dalam tubuh manusi adalah monosit.
Hasil ekstraksi ciri juga telah menunjukkan bahwa rata-rata terbesar pada luas area yang merepresentasikan ukuran sel dimiliki oleh citra Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk.
(Mizan Nur Khasana.
A ISSN: 2088-3714 Tabel 3 Hasil rata-rata ekstraksi ciri Jenis Luas Perimeter Kebundaran Rata-rata Red Rata-rata Rata-rata Neutrofil Eosinofil Basofil Limfosit Monosit Limfoblast 3 Hasil Pengujian Klasifikasi Citra Sel Darah Putih Tujuan dari algoritma k-NN ini adalah untuk mengklasifikasi citra baru berdasarkan data ekstraksi ciri yang telah diketahui jenisnya.
Dimana hasil dari sampel uji citra baru diklasifikasikan berdasarkan mayoritas dari kategori pada NN.
Pengujian terhadap metode KNN dilakukan menggunakan parameter k=3.
Parameter K merupakan jumlah tetangga paling dekat dalam hal ini digunakan untuk menentukan hasil klasifikasi.
Jarak yang digunakan adalah jarak Euclidean Distance.
Jarak Euclidean adalah jarak yang paling umum digunakan pada data Pada pengujian ini dilakukan dengan 100 citra darah baru yang belum diketahui Klasifikasi akan dibedakan menjadi 6 jenis yaitu basofil, eosinofil, neutrofil, limfosit, monosit dan limfoblast.
Hasil pengujian dengan metode k-nearest neighbor ditunjukkan pada Tabel 4.
Dapat dilihat bahwa hasil klasifikasi dengan metode KNN menunjukkan bahwa dari 100 citra baru, sistem dapat mendeteksi enam jenis sel darah.
Jenis sel darah putih yang dominan terdeteksi adalah sel limfosit dan limfoblast.
Sedangkan sel darah monosit, neutrofil, basofil, dan eosinofil hanya terdeteksi pada beberapa citra saja.
Misalnya sel jenis monosit hanya terdeteksi pada 8 citra, sel jenis neutrofil terdeteksi pada 2 citra, sel jenis basofil terdeteksi pada 3 citra dan sel jenis eosinofil terdeteksi pada 7 citra.
Pada dasarnya sel jenis Basofil sangat sukar ditemukan dalam apusan sel darah karena jumlahnya kurang dari 1% sel darah putih .
Ada beberapa faktor yang mempengaruhi keberhasilan algoritma KNN ini antara lain adalah jumlah data masing-masing jenis sel darah.
Pada penelitian ini jumlah data basofil, eosinofil, neutrofil dan monosit lebih sedikit dibandingkan dengan data limfosit dan limfoblast.
Perbandingan jumlah data yang sangat jauh memungkin hasil klasifikasi yang kurang akurat, karena kemungkinan sistem mendeteksi jarak yang terdekat adalah pada data yang lebih banyak.
Faktor lain yang mempengaruhi keberhasilan algoritma ini adalah proses segmentasi citra.
Segmentasi citra yang gagal terutama pada tahap thresholding akan mempengaruhi keakuratan ekstraksi ciri.
Jika proses thresholding tidak sempurna, maka hasil ekstraksi ciri akan berkurang dan atau bertambah lebih besar sehingga nilai ciri yang akan dicocokkan akan menjadi tidak Sehingga keberhasilan dalam proses segmentasi sangat berpengaruh pada hasil klasifikasi IJEIS Vol.
No.
October 2016 : 151 Ae 162
IJEIS
ISSN: 2088-3714
A 159
Tabel 4 Hasil pengujian dengan metode k-nearest neighbor No Nama File Luas Perimeter KebundaranRata-rata RedRata-rata GreenRata-rata BlueKlasifikasi 1 3 citra 1 9 limfosit 2 5 citra 1 97 limfosit 3 8 citra 1 15 limfoblast 4 9 citra 1 26 limfoblast 5 10 citra 1 8 limfoblast 6 11 citra 1 87 limfosit 7 14 citra 1 94 limfosit 8 15 citra 1 66 limfosit 9 16 citra 1 11 limfosit 10 17 citra 1 07 limfoblast 11 19 citra 1 26 limfoblast 12 20 citra 1 76 limfosit 13 25 citra 1 53 limfosit 14 30 citra 1 46 limfoblast 15 31 citra 1 73 limfosit 16 33 citra 1 73 limfoblast 17 34 citra 1 39 neutrofil 18 36 citra 1 62 limfoblast 19 39 citra 1 02 limfoblast 20 43 citra 1 65 limfosit 21 44 citra 1 45 limfosit 22 48 citra 1 88 limfoblast 23 54-55 citra 1 11329 61 limfosit 24 56-57 citra 1 14369 96 limfosit 25 60 citra 1 21 limfoblast 26 61 citra 1 27 neutrofil 27 66 citra 1 37 limfosit 28 67 citra 1 6 limfosit 29 68 citra 1 32 limfosit 30 69 citra 1 84 limfosit 31 71 citra 1 55 limfosit 32 72 citra 1 84 limfosit 33 76 citra 1 7 limfosit 34 79 citra 1 19 limfoblast 35 80 citra 1 9 limfoblast 36 81 citra 1 53 limfosit 37 83 citra 1 32 limfoblast 38 85 citra 1 84 limfosit 39 97 citra 1 84 limfosit 40 101 citra 1 03 limfosit 41 10 citra 1 59 limfoblast 42 11 citra 1 05 limfosit 43 17 citra 1 23 limfoblast 44 99 citra 1 45 limfoblast 45 19 citra 1 16 limfosit 46 22 citra 1 2 limfosit 47 29 citra 1 72 eosinofil 48 30 citra 1 6 limfosit 49 37 citra 1 7 limfoblast 50 46 citra 1 98 eosinofil Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk.
(Mizan Nur Khasana.
A ISSN: 2088-3714 No Nama File Luas Perimeter KebundaranRata-rata RedRata-rata GreenRata-rata BlueKlasifikasi 51 47 citra 1 73 limfoblast 52 48 citra 1 65 limfoblast 53 88 citra 1 57 limfoblast 54 2 citra 1 53 basofil 55 3 citra 1 43 limfoblast 56 4 citra 1 92 basofil 57 36 citra 1 8 limfoblast 58 38 citra 1 8 limfosit 59 43 citra 1 19 limfoblast 60 47 citra 1 48 limfoblast 61 48 citra 1 151 limfosit 62 49 citra 1 99 limfoblast 63 53 citra 1 61 limfosit 64 54 citra 1 08 limfoblast 65 58 citra 1 26 limfoblast 66 65 citra 1 66 limfosit 67 66 citra 1 51 limfosit 68 67 citra 1 38 limfoblast 69 68 citra 1 88 limfoblast 70 71 citra 1 43 limfoblast 71 76 citra 1 08 limfoblast 72 77 citra 1 35 limfoblast 73 80 citra 1 47 limfoblast 74 81 citra 1 84 limfoblast 75 83 citra 1 91 limfosit 76 86 citra 1 88 limfoblast 77 87 citra 1 72 basofil 78 98 citra 1 79 limfoblast 79 106 citra 1 46 limfosit 80 107 citra 1 12 limfosit 81 33 citra 1 16 limfoblast 82 43 citra 1 44 limfoblast 83 73 citra 1 89 limfosit 84 74 citra 1 12 limfoblast 85 75 citra 1 14 limfoblast 86 76 citra 1 25 limfosit 87 137 citra 1 98 monosit 88 139 citra 1 89 eosinofil 89 141 citra 1 28 eosinofil 90 148 citra 1 05 monosit 91 152 citra 1 19 eosinofil 92 158 citra 1 32 eosinofil 93 159 citra 1 52 monosit 94 118 citra 1 32 monosit 95 114 citra 1 75 limfosit 96 108 citra 1 96 monosit 97 98 citra 1 02 monosit 98 97 citra 1 61 monosit 99 94 citra 1 22 eosinofil 100 72 citra 1 46 monosit Faktor yang lebih berpengaruh pada algoritma KNN ini adalah parameter-parameter ciri yang digunakan.
Pada penelitian ini hanya menggunakan 6 parameter ciri yaitu luas area, perimeter, kebundaran dan rata-rata warna red, green dan blue.
Dari hasil pengujian estraksi ciri diatas dapat dilihat bahwa ada beberapa sel darah yang mempunyai kedekatan ciri yaitu basofil dengan neutrofil dan eosinofil, sel darah lain adalah limfosit dan limfoblast yang mempunyai kedekatan ciri.
Jika dilihat berdasarkan kondisi nyata di dalam tubuh manusia, hasil ekstraksi pada beberapa sel tersebut memang cukup mampu merepresentasikan bentuk identik sel.
Tetapi pada aplikasi ini, kedekatan ciri antar sel dapat membuat algoritma menjadi tidak akurat.
Karena IJEIS Vol.
No.
October 2016 : 151 Ae 162
IJEIS
ISSN: 2088-3714
A 161
algoritma ini hanya menggunakan jarak tetangga terdekat dan penentuannya dengan mayoritas tetangga yang paling banyak.
Ciri-ciri yang digunakan dalam penelitian ini tidak dapat merepresentasikan bentuk identik sel, sehingga tidak dapat membedakan jenis sel dengan baik dan benar.
Akurasi aplikasi ini dapat dihitung dengan menggunakan confusion matrix .
abel kebingungan siste.
Tabel kebingungan sistem merupakan proses dalam melakukan pencocokan hasil klasifikasi pada sistem ini dengan data yang akurat .
Data yang digunakan sebagai acuan untuk pencocokan hasil klasifikasi adalah sebagai berikut:
Basofil :0.
Neutrofil : 3.
Eosinofil :4.
Limfosit : 21.
Limfoblast : 62.
Monosit : 3.
Tidak terdeteksi :7 Rekapitulasi hasil pengujian menggunakan confusion matrix ditunjukkan pada Tabel 5.
Tabel 5 Confusion Matrix Real/Sistem Tidak Basofil Neutrofil Eosinofil Limfosit Limfoblast Monosit Terdeteksi Basofil Neutrofil Eosinofil Limfosit Limfoblast Monosit Tidak Berdasarkan data yang diperoleh pada Tabel 5 maka dapat ditentukan kategori sel darah yang terdeteksi benar dan salah, dimana:
TN : Jumlah citra yang benar diklasifikasi bukan sel darah TP : Jumlah citra yang benar diklasifikasi sebagai sel darah FP : Jumlah citra yang salah diklasifikasi sebagai sel darah FN : Jumlah citra yang salah diklasifikasi sebagai bukan sel darah Pada tabel tersebut tidak terdapat kategori TN (True negativ.
karena tidak ada citra yang benar diklasifikasi sebagai bukan sel darah.
Pada tabel kebingungan sistem akan menghasilkan akurasi tinggi jika pada diagonalnya berisi nilai jumlah sel darah putih yang diklasifikasi dengan benar.
Dengan menggunakan tabel kebingungan sistem tersebut, maka dapat dihitung presentase akurasi dari pengujian klasifikasi dengan menggunakan persamaan .
Sehingga perhitungan tersebut menjadi:
= 64%
Jadi presentase akurasi untuk proses klasifikasi sel darah putih adalah sebesar 64%.
Tingkat akurasi proses klasifikasi ini dipengaruhi oleh proses thresholding pada sel darah putih.
Kekurangan dari proses thresholding pada sistem ini yaitu nilai threshold hanya dapat melakukan thresholding pada citra dengan warna gelap, sehingga pada beberapa citra sel darah putih yang mempunyai sitoplasma dengan warna terang tidak dapat dilakukan thresholding secara penuh yang berati bahwa ciri luas, perimeter dan kebundaran menjadi tidak akurat karena sisi sel darah putih tidak tersegmentasi dengan baik.
Dengan presentase akurasi tersebut maka metode k-nearest neighbor .
dengan menggunakan hough circle dan proses thresholding kurang baik digunakan untuk klasifikasi sel darah putih.
Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk.
(Mizan Nur Khasana.
A ISSN: 2088-3714
KESIMPULAN
Telah berhasil dilakukan klasifikasi sel darah putih dengan metode k-nearest neighbor .
dan diperoleh kesimpulan sebagai berikut :
Metode segmentasi sel darah putih dari citra darah yang dikembangkan mampu mengidentifikasi sel darah putih mempunyai akurasi sebesar 78%.
Metode klasifikasi citra sel darah putih dengan k-nearest neighbor .
mampu mengklasifikasi jenis sel darah putih secara keseluruhan.
Dengan menggunakan confusion matrix, metode mempunyai akurasi sebesar 64%.
SARAN
Berikut saran-saran yang dapat dilakukan untuk pengembangan dalam penelitian selanjutnya yang sejenis :
Metode segmentasi citra perlu ditingkatkan akurasinya dengan mencari nilai parameterparameter hough circle atau dengan metode lain karena mempertimbangkan metode ini yang kurang baik dalam melakukan segmentasi citra.
Perlu menambahkan ekstraksi ciri agar dapat merepresentasikan jenis sel darah putih misalnya tidak hanya berdasarkan bentuk dan warna, tetapi bisa ditambahkan dengan ekstraksi ciri berdasarkan tekstur.
Menambahkan sampel jenis sel darah yang jumlahnya sedikit misanya basofil, eosinofil dan monosit.
Metode klasifikasi perlu ditingkatkan akurasinya dengan metode lain misalnya jaringan syaraf tiruan.
DAFTAR PUSTAKA