PENENTUAN MORFOLOGI SEL DARAH MERAH (ERITROSIT) BERBASIS PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN

Transkripsi

1 Volume 07/ No03/ Oktober-Desember/ 2009 PENENTUAN MORFOLOGI SEL DARAH MERAH (ERITROSIT) BERBASIS PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN Elly Warni Jurusan Teknik Elektro Universitas Hasanuddin Abstrak Penelitian ini bertujuan memebuat statu sstem yang dapat menentukan morfologi normal dan abnormal sel drah merah pada citra digital Penelitiaan ini menggunakan citra normal dan abnormal sel darah merah yang berasal dari Lembaga Penelitian ABX dari Montpeller Perancis, jumlah sampel yang digunakan sebanyak 175 sampel yang terbagi atas 105 sampel citra latih dan 70 sampel citra uji, dilakukan secara bertahap, yaitu (1) pengolahan citra yang meliputi akuisisi citra, grayscale, dan deteksi tepi, (2) ekstraksiciri, dan (3) identifikasi dengan menggunakan jeringan syaraf tirun yang berupa pelatihan dan pengenalan Kata Kunci: jeringan syaraf tiruan, pengolahan citra, sel darah merah I PENDAHULUAN II TEORI PENUNJANG Morfologi normal dan abnormal dari sel darah merah seorang pasien sangat membantu para dokter dalam mendeteksi suatu penyakit Pada saat ini, analitis tentang morfologi sel darah merah yang dilakukan oleh para dokter dan pihak laboratorium masih dengan cara konvensional, sehingga tidak selalu sama antara dokter yang satu dengan yang lainnya Kondisi fisik, pengetahuan, ketelitian dan konsentrasi dokter sangat menentukan hasil analisis, karena dilakukan dengan pengamatan langsung Selain hal tersebut diatas, jika sel darah merah yang akan diketahui morfologi normal dan abnormalnya cukup banyak, maka akan membutuhkan banyak waktu dan tenaga Di lain pihak analisis tersebut, tidak menghasilkan bukti citra sehingga tidak dapat dianalisis oleh banyak dokter Peran sistem multimedia, misalnya kamera atau video digital sangat penting untuk mengambil suatu objek penelitian dalam mengenali suatu objek Misalnya berupa gambar atau suara Data berupa citra yang diperoleh dari kamera video atau kamera digital akan melalui tahap pengolahan citra Pengolahan citra merupakan metode atau teknik yang dapat digunakan untuk memproses citra atau gambar dengan jalan memanipulasinya menjadi data gambar yang diinginkan atau keperluan analisis selanjutnya Pengolahan citra dilakukan dengan menggunakan bantuan komputer Jaringan saraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut Istilah buatan di sini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran 21 Sel Darah Merah (Eritrosit) Fungsi utama dari sel darah merah (eritrosit) adalah mentransfer hemoglobin Eritrosit normal berbentuk bulat atau agak oval dengan diameter 7 8 mikron (normosit) Dilihat dari samping, eritrosit nampak seperti cakram atau bikonkaf dengan sentral akromia kira-kira ⅓ - ½ diameter sel Dalam mengevaluasi morfologi sel darah merah pada sediaan apus, ada 4 hal yang harus diperlihatkan : 1 bentuknya (shape), 2 ukurannya (size), 3 warnanya (staining), dan 4 struktur intraselluler (structure) (Patologi klinik, 2006) a Morfologi Normal Sel Darah Merah Eritrosit normal kelihatan bundar dengan diameter 7,5 µm dengan ketebalan tepi 2 µm Dari samping eritrosit kelihatan berbentuk seperti cakram dengan kedua permukaannya cekung (biconcav disk) b Morfologi Abnormal Sel Darah merah Kelainan eritrosit biasanya dinyatakan dengan perubahan ukuran, bentuk, dan warnanya (atau derajat hemoglobinnya) - Kelainan ukuran eritrosit a Mikrosit, b Makrosit, - Kelainan Warna Eritrosit a Hipokromia b Hiperkromik - Kelainan Bentuk Eritrosit a Ecchinocytes b Elliptocytes c Poikilocytes d SchistocytesSickle cell e Tear Drop Cell

2 Volume 07/ No03/ Oktober-Desember/ Pengolahan Citra Digital Pengolahan Citra adalah suatu metode atau teknik yang dapat digunakan untuk memproses citra atau gambar dengan jalan memanipulasi menjadi data gambar yang diinginkan untuk mendapatkan informasi tertentu (Murni, Aniati 1992) Dalam pengolahan citra digital, terdapat proses -proses : a Peningkatan mutu citra b Deteksi sisi c Registrasi dan resampling citra d Pemadatan data citra e Pengelompokan pola dan analsis data f Klasifikasi dan segmentasi citra 23 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) atau Artifical Neural Network (ANN) telah dikembangkan sejak tahun 1940-an JST merupakan model komputasi terdistribusi yang meniru cara kerja dan sistem syaraf biologis Para peneliti mendapatkan inspirasi arsitektur Jaringan Syaraf Tiruan ini berdasarkan model otak manusia dan sel-sel syarafnya Metode ini berisi proses stimulasi-stimulasi yang berlangsung dalam otak yang diterjemahkan dalam bentuk simbol, nilai dan bobot JST membentuk hubungan antar unit yang dibuat menyerupai bentuk sel syaraf Tiap-tiap sel mengubah bentuk masukan yang diterima menjadi suatu bentuk keluaran yang kemudian dikirimkan ke sel berikutnya Proses ini dapat dibagi menjadi dua yaitu : a Penjumlahan nilai masukan Nilai masukan dikalikan dengan suatu nilai bobot interkoneksi dimana harga masukan pada suatu sel merupakan keluaran dari sel pada lapiasan sebelumnya Tiap harga masukan dari sel-sel sebelumnya kemudian dijumlahkan Total dari penjumlahan itu disebut dengan total input (net input) yang dapat dinyatakan dalam persamaan 1 : KELUAR = F ( net )(2) Gambar 1 Model umum sel Jaringan Syaraf Tiruan (JST) Fungsi aktivasi biasa juga disebut fungsi pemampat Fungsi pemampat ini merupakan fungsi yang memampatkan nilai Net sehingga Keluar tidak pernah melebihi suatu batas rendah tertentu, berapapun besarnya nilai Net Fungsi pemampat yang sering dipilih adalah fungsi logistic atau fungsi sigmoid Secara matematis fungsi sigmoid dapat dinyatakan dengan : 1 S(x) = x 1 e (3) Bentuk dasar JST terdiri dari tiga lapisan, yaitu : Lapisan masukan (input layer), terdiri dari sel-sel input yang berisi data yang akan diproses dalam JST Lapisan tersembunyi (hidden layer), yang berfungsi mengolah informasi yang diterima dari input layer, dengan memperhitungkan nilai bobot interkoneksi antara input dan hidden layer Lapisan keluaran (output layer), berfungsi keluaran yang bergantung pada proses di hidden layer dan nilai bobot antara hidden layer dengan output layer Net j = N i A i W ij (1) Dimana : j : indeks yang menyatakan nomor sel pada suatu layer i : indeks yang menyatakan sel keberapa/nomor sel apada layer sebelumnya W : bobot interkoneksi A : keluaran sel N : jumlah keseluruhan sel pada suatu layer b Total input akan diproses lebih lanjut oleh sebuah fungsi aktivasi F Layer menggunakan fungsi aktivasi sel yang mengubah total input menjadi sebuah keluaran Nilai dari fungsi aktivasi sel tersebut merupakan keluaran dari sel, dan dirumuskan dalam bentuk : Gambar 2 Model layer pada JST 24 Pembelajaran Untuk dapat menyelesaikan suatu permasalahan, JST memerlukan logaritma belajar, yaitu bagaimana sebuah konfigurasi JST dapat dilatih untuk mempelajari data historis yang ada Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap

3 Volume 07/ No03/ Oktober-Desember/ 2009 dan direpresentasikan oleh harga-harga bobot koneksinya Berdasarkan logaritma belajarnya, JST dibagi menjadi dua macam yaitu : Supervised (Terawasi) Pelatihan ini memasangkan setiap vektor masukan dengan sebuah vektor target yang mempresentasikan vektor keluaran Sebuah vektor masukan dibangkitkan dan keluaran jaringan dihitung dan dibandingkan dengan vector target yang bersesuaian Kemudian, selisihnya (error) diumpan-balikkan (mekanisme feedback) melalui jaringan dan bobot di ubah serta bobot diatur untuk setiap vektor, samapi error untuk seluruh rangkaian pelatihan mencapai tingkat yang dapat diterima Unsupervised ( tak terawasi ) Pelatihan ini tidak membutuhkan vektor target untuk keluarannya, dan karena itu, tak ada perbandingan yang dilakukan dengan respon ideal yang ditetapkan sebelumnya Rangkaian pelatihan hanya berisi vektor masukan saja Logaritma pelatihan memodifikasi bobot jaringan untuk menghasilkan vektor pelatihan atau satu vector yang serupa dengannya akan menghasilkan pola keluaran yang sama Backpropagation Metode ini sudah teruji kemampuannya dalam memberikan pelatihan bagi jaringan yang memiliki beberapa layer Metode ini tidak hanya memberikan bantuan supaya jaringan melakukan tugasnya, tetapi juga memberikan informasi mengenai error yang terjadi dalam sistem 32 Pola Data Referensi Pada penelitian ini, penentuan morfologi sel darah merah didasarkan pada bentuk normal dan abnormal Untuk itu diperlukan pola yang dikenali pola normal dan abnormal, dimana untuk kondisi abnormal terdapat enam (6) jenis yaitu : Ecchinocytes, Elliptocytes, Poikilocytes, Schistocytes, Sickle cell, dan Tear Drop Cell Pola data referensi yang berasal dari citra berukuran 50 x 50 pixel, direduksi menjadi 25 x 25 kotak, yang terdiri atas 2 x 2 pixel setiap kotak Pola dalam bentuk bilangan biner ini menjadi vektor input yang akan dilatihkan ke dalam jaringan pola data referensi Pembuatan pola data referensi dapat dilihat pada tabel berikut : Tabel 1 Pola Data Referensi III PERANCANGAN SISTEM 31 Desain Antar Muka Untuk keperluan perancangan sistem, maka pada penelitian ini digunakan fasilitas GUI (Graphical User Interface), yang merupakan salah satu fasilitas yang disediakan oleh perangkat lunak Matlab 65 Dengan GUI dapat dibuatkan model tampilan sedemikian rupa yang disesuaikan dengan keperluan penentuan morfologi sel darah merah

4 Volume 07/ No03/ Oktober-Desember/ Tahap Pengolahan Citra 331 Citra Input Citra input pada penelitian ini berasal dari hasil pemotretan sel darah merah dengan menggunakan kamera dan mikroskop khusus, yang berasal dari lembaga penelitian ABX Montpellier Perancis dan disimpan dalam format *jpg 332 Akuisisi Citra Proses akuisisi citra ini bertujuan untuk mengatur citra sedemikian sehingga dapat diproleh satu gambar sel darah merah baik yang normal maupun abnormal (dengan berbagai bentuk) sedangkan yang tidak dimanfaatkan dipotong dengan bantuan Adobe Photoshop Cs dari windows Xp, dan disimpan dengan format *bmp dengan ukuran 50 x 50 pixel Contoh citra input dapat dilihat pada lampiran A1 sampai A7 333 Grayscale Citra yang telah diakuisisi kemudian diubah dari bentuk RGB menjadi citra monoktrom atau citra hitam putih yang dikenal dengan proses grayscale Disini, nilai dari tiap pixel berada diantara 0 dan 1 sesuai dengan derajat keabuannya Nilai 0 diartikan warna hitam dan nilai 1 warna putih Proses grayscale dilakukan untuk melangkah ke proses selanjutnya yaitu deteksi tepi, karena pendeteksian tepi tidak dapat dilakukan pada citra RGB Proses grayscale ini dimaksudkan agar citra lebih mudah untuk diinterpretasikan, sehingga citra memiliki informasi yang lebih mencolok 334 Deteksi Tepi Setelah menjalani proses skala keabuan citra sel darah merah akan mengalami perubahan yang sebelumnya masih merupakan citra RGB menjadi citra hitam putih Citra yang telah digrayscale-kan ini kemudian akan melewati tahap deteksi tepi citra Deteksi tepi ini merupakan salah satu proses pra-pengolahan citra yang dibutuhkan untuk analisis citra Proses tersebut bertujuan meningkatkan intensitas garis tepi pada citra, dimana proses ini akan memperkuat komponen citra yang berfrekuensi tinggi Untuk menghasilkan gambaran tepi tersebut perlu di golongkan titik-titik yang mana saja pada citra yang dianggap tepi citra tersebut Dalam hal ini perlu ditentukan nilai ambang dari titik tepi G(x,y) > σ maka (x,y) adalah sebuah tepi G(x,y) < σ maka (x,y) bukanlah sebuah tepi Pada penelitian ini untuk proses deteksi tepi digunakan metode Canny edge detection yang meruapakan salah satu pengembangan dari teknik deteksi tepi 335 Ekstraksi Ciri Ekstrkasi ciri terdiri atas pembuatan peta vector pengamatan ke dalam bidang ciri Vektor ciri kemudian digunakan untuk menentukan kelas dari vektor pengamatan Tujuan utama dari ekstraksi ciri adalah untuk mereduksi dimensi data dengan tetap mempertahankan ciri khas atau informasi yang terkandung di dalam data tersebut Pada tahap ekstraksi ciri ini, citra yang telah ditipiskan dan dideteksi tepinya akan dibuat ke dalam kelompok kelompok piksel Citra yang berukuran 50 x 50 piksel direduksi menjadi 25 x 25 kotak, dimana nilai setiap kotak adalah 4 pixel yang akan menjadi input bagi Jaringan Syaraf Tiruan (JST) Perubahan jumlah piksel berukuran 50 x 50 menjadi kotak ukuran 25 x 25 dilakukan dengan cara membagi citra menjadi 25 baris dan 25 kolom Tiap kotak sekarang terdiri dari 4 piksel yang berukuran 2 x 2 piksel Manfaat dari mereduksi data yaitu dapat mengurangi jumlah sel input Jaringan Syaraf Tiruan (JST), dimana dapat meningkatkan performansi kerja sistem Setelah citra dibagi menjadi 25 x 25 kotak dengan nilai 4 pixel setiap kotak, dilakukan scanning piksel perkotak Scanning perpiksel dilakukan untuk menghitung jumlah piksel yang bernilai 1 Kemudian dibandingkan terhadap suatu nilai ambang untuk menentukan nilai dari kotak 0 atau 1 untuk mewakili nilai dari sejumlah piksel dalam satu kotak Perbandingannya dapat dilihat berikut : Nilai 1 < nilai ambang diberi nilai 0 (tidak ada garis) Nilai 1 > nilai ambang diberi nilai 1 (ada garis) Dari pemberian nilai yang mewakili tiap kotak, maka data yang ada sekarang merupakan data berukuran 25 x 25 Data inilah yang akan menjadi input dari Jaringan Syaraf Tiruan (JST), dan kemudian akan dibandingkan dengan data referensi yang telah ada Contoh sederhana dari proses ektraksi ciri ini dapat dilihat pada Gambar 3 di bawah ini Gambar Tahap Pelatihan Sebelum JST melakukan proses pengenalan pada pola yang diinginkan, jaingan harus terlebih dahulu melalui proses pelatihan Pola data referensi yang telah dibuat dijadikan pasangan input dan target yang nantinya akan dilatihkan Proses pelatihan JST untuk

5 Volume 07/ No03/ Oktober-Desember/ 2009 pola pada umumnya berdasarkan metode propagasi balik Proses pelatihan pada metoe propagasi balik ada tiga tahapan, yaitu: pemberian pola masukan saat proses pembelajaran, perhitungan dan proses propagasi balik error, serta pengaturan nilai penimbang atau bobot antar hubungan Proses propagasi balik dan pengaturan bobot antar hubungan bertujuan untuk meminimalisasi nilai error hingga didapat nilai error yang dapat ditolelir sesuai dengan yang ditentukan Struktur dari jaringan propagasi balik yang digunakan dalam penelitian ini menggunakan 3 (tiga) lapisan yaitu lapisan masukan (input layer) sebanyak 625 sel, lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer) sebanyak 7 sel Penentuan jumlah lapisan dan sel tiap lapisan pada lapisan tersembunyi dilakukan dengan cara mencoba-coba (trial and error), hingga didapatkan jumlah dengan niai epoch dan waktu yang seminimal mungkin setelah mencapai nilai error yang ditentukan X X X Input Layer Hidden Layer Output Layer Y Y 7 35 Tahap Pengenalan Proses pengenalan konsisi normal dan abnormal sel darah merah pada penelitian ini menggunakan algoritma propagasi balik Diamna jaringan propagasi balik dirancang dan dilatih untuk mendeteksi kondisi normal dan abnormal sel darah merah (eritrosit) Vektor input bagi JST adalah merupakan vektor ciri hasil ekstraksi ciri yang berukuran 625 x 1, yang berasal dari citra dengan ukuran 50 x 50 pixel format bmp Vektor target adalah vektor yang berukuran 7 x 1 Jaringan propagasi balik yang digunakan terdiri dari tiga layer, yaitu input layer, hidden layer, dan output layer Banyaknya lapisan atau layer dan banyaknya sel pada setiap lapisan sangat menentukan kinerja dari sebuat JST Oleh karena itu pemilihan arsitekstur JST yang akan digunakan untuk proses pelatihan pengenalan kondisi normal dan abnormal sel Y darah merah Jumlah hidden layer yang digunakan adalah 1 layer, dimana akan dilakukan dengan perubahan jumlah neuron hidden layer Dari hasil pengujian dengan beberapa neuron hidden layer di peroleh 36 neuron IV KEAKURATAN SISTEM Dalam mengenali citra normal dan abnormal sel darah merah (eritrosit), kadang terdapat kesalahan yang salah satunya diakibatkan karena vekor hasil ekstraksi ciri dari citra uji agak jauh berbeda dengan data referensi yang ada Oleh karena itu keakuratan dari sistem perlu diketahui untuk mengetahui performansi dari sistem Keakuratan Jaringan Syaraf Tiruan (JST) dalam mengenali morfologi normal dan abnormal sel darah merah (eritrosit) yang telah dilatihkan dengan menggunakan data referensi dapat dilihat pada tabel berikut : normal1bmp normal benar normal2bmp normal benar normal3bmp normal benar normal4bmp normal benar normal5bmp normal benar normal6bmp normal benar normal7bmp normal benar normal8bmp normal benar normal9bmp normal benar normal10bmp normal benar normal1dbmp normal benar normal3dbmp normal benar normal5dbmp normal benar normal7dbmp normal benar normal9dbmp normal benar Tabel 2 pengujian JST untuk morfologi normal (citra latih) ecc3bmp ecchinocytes benar ecc4bmp ecchinocytes benar ecc5bmp ecchinocytes benar ecc6bmp ecchinocytes benar ecc7bmp ecchinocytes benar ecc8bmp ecchinocytes benar ecc9bmp ecchinocytes benar ecc10bmp ecchinocytes benar ecc11bmp ecchinocytes benar ecc12bmp ecchinocytes benar ecc5cbmp ecchinocytes benar ecc6cbmp ecchinocytes benar ecc7cbmp ecchinocytes benar

6 Volume 07/ No03/ Oktober-Desember/ 2009 ecc8cbmp ecchinocytes benar ecc9cbmp ecchinocytes benar Tabel 3 pengujian JST untuk morfologi abnormal- Ecchinocytes (citra latih) ellip1bmp elliptocytes benar ellip2bmp elliptocytes benar ellip3bmp elliptocytes benar ellip4bmp elliptocytes benar ellip5bmp elliptocytes benar ellip6bmp elliptocytes benar ellip7bmp elliptocytes benar ellip8bmp elliptocytes benar ellip9bmp ecchinocytes benar ellip10bmp ecchinocytes benar ellip1cbmp ecchinocytes benar ellip3cbmp ecchinocytes benar ellip5cbmp ecchinocytes benar ellip7cbmp ecchinocytes benar ellip9cbmp ecchinocytes benar Tabel 4 pengujian JST untuk morfologi abnormal- Elliptocytes (citra latih) citra input dikenali hasil pengujian poikil1bmp poikilocytes benar poikil1bbmp poikilocytes benar poikil1cbmp poikilocytes benar poikil2bmp poikilocytes benar poikil2bbmp poikilocytes benar poikil2cbmp poikilocytes benar poikil2dbmp poikilocytes benar poikil3bmp poikilocytes benar poikil3cbmp poikilocytes benar poikil3bbmp poikilocytes benar poikil3dbmp poikilocytes benar poikil4bmp poikilocytes benar poikil4cbmp poikilocytes benar poikil5bmp poikilocytes benar poikil5cbmp poikilocytes benar Tabel 5 pengujian JST untuk morfologi abnormal- Poikilocytes (citra latih) schis1bmp schistocytes benar schis1cbmp schistocytes benar schis1dbmp schistocytes benar schis2bmp schistocytes benar schis2cbmp schistocytes benar schis3bmp schistocytes benar schis3cbmp schistocytes benar schis3dbmp schistocytes benar schis4bmp schistocytes benar schis4cbmp schistocytes benar schis5bmp schistocytes benar schis5cbmp schistocytes benar schis5cbmp schistocytes benar schis7bmp schistocytes benar schis7cbmp schistocytes benar Tabel 6 pengujian JST untuk morfologi abnormal- Schistocytes (citra latih) sickle1bmp sickle cell benar sickle1cbmp sickle cell benar sickle1ebmp sickle cell benar sickle2bmp sickle cell benar sickle2cbmp sickle cell benar sickle2ebmp sickle cell benar sickle3bmp sickle cell benar sickle3cbmp sickle cell benar sickle2ebmp sickle cell benar sickle4bmp sickle cell benar sickle4cbmp sickle cell benar sickle4ebmp sickle cell benar sickle5bmp sickle cell benar sickle5cbmp sickle cell benar sickle5ebmp sickle cell benar Tabel 7 pengujian JST untuk morfologi abnormal- Sickle cell (citra latih) tear1bmp tear drop cell benar tear1cbmp tear drop cell benar tear2bmp tear drop cell benar tear2cbmp tear drop cell benar tear2ebmp tear drop cell benar tear2fbmp tear drop cell benar tear3bmp tear drop cell benar tear3bbmp tear drop cell benar tear3cbmp tear drop cell benar tear4bmp tear drop cell benar tear4cbmp tear drop cell benar tear5bmp tear drop cell benar tear5cbmp tear drop cell benar tear6cbmp tear drop cell benar tear7bbmp tear drop cell benar Tabel 8 pengujian JST untuk morfologi abnormal- Tear Drop Cell (citra latih) Dari hasil pengamatan pada tabel 2, 3, 4, 5, 6, 7, dsn 8 dapat diketahui bahwa keakuratan sistem untuk citra normal dan abnormal (Ecchinocytes, Elliptocytes,

7 Volume 07/ No03/ Oktober-Desember/ 2009 Poikilocytes, Schistocytes, Sickle cell, dan Tear Drop Cell) dimana hasil ekstraksi cirinya disimpan pola data referensi (citra latih) adalah 100 % Keakuratan Jaringan Syaraf Tiruan (JST) dalam mengenali morfologi normal dan abnormal sel darah merah (eritrosit) yang belum dilatihkan dapat dilihat pada tabel berikut : normal11bmp normal benar normal12bmp normal benar normal13bmp elliptocytes salah normal14bmp elliptocytes salah normal15bmp normal benar normal16bmp normal benar normal17bmp normal benar normal18bmp normal benar normal19bmp normal benar Normal20bmp normal benar Tabel 9 pengujian JST untuk morfologi normal (citra uji) Dari hasil pengamatan pada tabel 48 dapat normal dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (2/10) ) x 100 % = 80 % ecc13bmp ecchinocytes benar ecc14bmp normal salah ecc15bmp ecchinocytes benar ecc16bmp ecchinocytes benar ecc17bmp ecchinocytes benar ecc18bmp normal salah ecc19bmp normal salah ecc20bmp ecchinocytes benar ecc21bmp ecchinocytes benar ecc22bmp elliptocytes salah Tabel 10 pengujian JST untuk morfologi abnormal- Ecchinocytes (citra uji) Dari hasil pengamatan pada Tabel 10 dapat abnormal-ecchinocytes dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (4/10) ) x 100 % = 60 % ellip1cbmp elliptocytes benar ellip2cbmp elliptocytes benar ellip3cbmp elliptocytes benar ellip4cbmp elliptocytes benar ellip5cbmp elliptocytes benar ellip6cbmp elliptocytes benar ellip7cbmp normal salah ellip8cbmp elliptocytes benar ellip9cbmp elliptocytes benar ellip10cbmp elliptocytes benar Tabel 11 pengujian JST untuk morfologi abnormal- Elliptocytes (citra uji) Dari hasil pengamatan pada tabel 11 dapat abnormal-elliptocytes dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (1/10) ) x 100 % = 90 % poikil1abmp elliptocytes salah poikil1bbmp poikilocytes benar poikil2abmp poikilocytes benar poikil2bbmp poikilocytes benar poikil3abmp poikilocytes benar poikil3bbmp poikilocytes benar poikil4abmp poikilocytes benar poikil4bbmp poikilocytes benar poikil5abmp poikilocytes benar poikil5bbmp poikilocytes benar Tabel 12 pengujian JST untuk morfologi abnormal- Poikilocytes (citra uji) Dari hasil pengamatan pada tabel 12 dapat abnormal-poikilocytes dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (1/10) ) x 100 % = 90 % schis1abmp schistocytes benar schis1bbmp schistocytes benar schis2bbmp tear drop cell salah schis3bbmp poikilocytes salah schis4bbmp schistocytes benar schis5bbmp schistocytes benar

8 Volume 07/ No03/ Oktober-Desember/ 2009 schis6bmp schistocytes benar schis6abmp schistocytes benar schis6bbmp schistocytes benar schis6cbmp schistocytes benar Tabel 13 pengujian JST untuk morfologi abnormal- Schistocytes (citra uji) Dari hasil pengamatan pada tabel 13 dapat abnormal-schistocytes dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (2/10) ) x 100 % = 80 % sickle6abmp sickle cell benar sickle6bbmp sickle cell benar sickle6cbmp sickle cell benar sickle6dbmp sickle cell benar sickle6ebmp sickle cell benar sickle6fbmp tear drop cell salah sickle6gbmp sickle cell benar sickle6hbmp elliptocytes salah sickle6ibmp sickle cell benar sickle6jbmp tear drop cell salah Tabel 14 pengujian JST untuk morfologi abnormal-sickle cell (citra uji) Dari hasil pengamatan pada tabel 14 dapat abnormal-sickle cell dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (3/10) ) x 100 % = 70 % tear1abmp tear drop cell benar tear1dbmp tear drop cell benar tear1ebmp tear drop cell benar tear1fbmp tear drop cell benar tear3abmp sickle cell salah tear3bbmp sickle cell salah tear3dbmp tear drop cell benar tear4bbmp tear drop cell benar tear5bbmp tear drop cell benar tear6bbmp tear drop cell benar Tabel 15 pengujian JST untuk morfologi abnormal-tear Drop Cell (citra uji) Dari hasil pengamatan pada tabel 15 dapat abnormal-tear drop cell dimana hasil ekstraksi cirinya tidak disimpan pola data referensi (citra latih) % keakuratan = ( 1 (2/10) ) x 100 % = 80 % a Kecepatan Sistem kecepatan sistem dalam menentukan penentuan morfologi normal dan abnormal sel darah merah (eritrosit), dilakukan dengan menghitung waktu yang dibutuhkan oleh sistem untuk dapat mengenali citra yang diinputkan padanya Tabel 415 memperlihatkan hasil pengujian kecepatan sistem dalam menentukan morfologi normal dan abnormal sel darah merah (eritrosit), Proses Waktu (detik) Pengambilan Gambar 4,020 Grayscale 0,010 Deteksi Tepi 0,053 Ekstraksi Ciri 0,085 Pelatihan 3,750 Pengenalan 0,950 Total Waktu 13,868 Tabel 16 pengujian Kecepatan Sistem Dari tabel 16 diperoleh total waktu yang diperlukan oleh sistem untuk dapat menentukan morfologi normal dan abnormal sel darah merah (eritrosit) adalah 13,868 detik b Peningkatan Akurasi Sistem Untuk menambah akurasi sistem penentuan morfologi sel darah merah (eritrosit), maka dilakukan pembelajaran kembali untuk sistem dengan menggunakan citra latih yang berasal dari citra uji yang tidak berhasil dikenali oleh sistem normal13bmp normal benar normal14bmp normal benar ecc14bmp ecchinocytes benar ecc14bmp normal salah ecc14bmp normal salah ecc14bmp ecchinocytes benar ellip7cbmp elliptocytes benar poikil1abmp poikilocytes benar schis2bbmp schistocytes benar schis2bbmp poikilocytes salah sickle6fbmp tear drop cell salah sickle6hbmp sickle cell benar sickle6jbmp sickle cell benar

9 Volume 07/ No03/ Oktober-Desember/ 2009 tear3abmp tear drop cell benar tear3abmp sickle cell salah Tabel 17 pengujian JST untuk citra latih yang berasal dari citra uji yang tidak berhasil dikenali oleh sistem Dari hasil pengujian tersebut, diperoleh keakuratan sistem berikut : Citra Keakuratan normal 100% ecchinocytes 80% elliptocytes 100% poikilocytes 100% schistocytes 90% Sickle cell 90% Tear drop cell 90% Tabel 18 Keakuratan Sistem Tabel 18 diatas menunjukkan bahwa hasil keakuratan sistem setelah dilakukan pelatihan kembali untuk citra uji yang tidak dapat dikenali oleh sistem sebelumnya adalah antara % dengan nilai ratarata 92,85 % V KESIMPULAN Pada pembuatan sistem penentuan morfologi normal an abnormal sel darah merah, Untuk proses deteksi tepi dengan menggunakan metode canny pada citra sel darah merah, nilai ambang yang paling baik adalah 0,98 Proses ekstraksi ciri merupakan proses mereduksi data yang berukuran 50 x 50 pixel menjadi 25 x 25 kotak, dimana setiap kotak berisi 4 pixel Dengan tujuan tetap mempertahankan keaslian informasi pada data, maka nilai ambang pada proses scanning pixel adalah 1 Pada proses pelatihan JST, hidden layer yang digunakan adalah satu lapis dengan jumlah hidden neuron 36 Proses pengenalan dilakukan dengan membandingkan hasil ekstraksi ciri dari masing-masing input dengan pola data referensi Pada penelitian ini hasil keakuratan untuk citra yang dijadikan pola data referensi adalah 100%, sedangkan untuk citra yang uji diperoleh sekitar %, dengan nilai rata-rata keakuratan 78,33 % Setelah dilakukan DAFTAR PUSTAKA 1 Murni, Aniati (1992), Pengantar Pengolahan Citra, PT Elex Media Kompuindo, Jakarta 2 Patologi Klinik, Laboratorium (2002), Diktat Hematologi 2002 Fakultas Kedokteran, Universitas Hasanuddin 3 Siregar H, Yusuf I, Gani A (1995), Fisiologi Sel dan Cairan Tubuh, Bagian Ilmu Faal Fakultas Kedokteran, Universitas Hasanuddin 4 Riyanto, Sigit (2001), Implementasi Jaringan Syaraf Tiruan untuk Mendeteksi Golongan Darah Manusia dengan Menggunakan Pengolahan Citra, diakses Maret Stergio, Christos, Neural Network, The Human Brain and Learning 96/journal/vol2/cs11/article2html, diakses Maret Arham Z, Ahmad U (2004), Evaluasi Mutu Jeruk Nipis (citrus Aurantifolia Swingle) dengan pengolahan citra Digital dan Jaringan Syaraf Tiruan, Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi Puspitaningrum, Diyah (2006), Pengantar Jaringan Syaraf Tiruan, Andi, Yogyakarta 8 Siang, Jong Jek (2005), Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi, Yogyakarta 9 L Fausett (1997), Artificial Neural Network, McGRAW-HILL INT 10 Adri Kristanto (2004), Jaringan Syaraf Tiruan : Konsep Dasar, Algoritma, dan Aplikasi, Gava Media, Yogyakarta 11 Dacie John V, Lewis S M (1996), Practical Haematology, International Student Edition, Churchill Livingstone Inc