KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK ANITA RATNA SARI

Transkripsi

1 KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK ANITA RATNA SARI PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

2 KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi ANITA RATNA SARI PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

3 iii PERSETUJUAN Judul : KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK Kategori : SKRIPSI Nama : Anita Ratna Sari Nomor Induk Mahasiswa : Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASIUNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Romi Fadillah Rahmat B.Comp.Sc.,M.Sc M. Fadly Syahputra, B.Sc.,M.Sc.,IT NIP NIP Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, ST., MM.IT NIP

4 iv PERNYATAAN KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, 18 Mei 2016 Anita Ratna Sari

5 v UCAPAN TERIMA KASIH Puji dan Syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa yang telah memberikan karunia-nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis mengucapkan banyak terima kasih kepada Bapak SM. Fadly Syahputra, B.Sc.,M.Sc.,IT dan Bapak Romi Fadillah Rahmat B.Comp.Sc.,M.Sc, selaku pembimbing 1 dan pembimbing 2 yang telah banyak memberikan bimbingan, arahan, motivasi dan membantu penulis dalam penyusunan dan penulisan skripsi ini. BapakDedy Arisandi, ST., M.Kom dan Bapak Dr. Sawaluddin, M.IT sebagai tim pembanding, atas segala kritik dan saran dalam penyempurnaan penulisan skripsi ini. Terima kasih kepada Ketua dan Sekretaris program studi Teknologi Informasi, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Bapak dan Ibu dosen yang telah memberikan ilmu yang bermanfaat bagi penulis serta seluruh staf TU (Tata Usaha) program studi Teknologi Informasi yang telah banyak membantu dalam segala kegiatan administrasi penulis. Terima kasih kepada orang tua tercinta, Ayahanda Suwanto dan Ibunda Ana yang selalu mendoakan, sabar dan senantiasa memberikan kasih sayang dan dukungan yang penuh kepada penulis. Adik-adik penulis, Ayu Wulandary dan Yenny Indah Sari serta keluarga besar penulis yang selalu memberikan semangat kepada penulis. Terima kasih untuk sahabat penulis Fitrianingsih Sipahutar, Herimelda Hutagaol, Susi Elfrida Simanjuntak, Ade Oktariani, Nisva Elvira Lubis, dan PB-TI 11 USU yang tiada henti memberikan semangat, dukungan dan doa, terkhusus untuk Doni Aldo Samuel Siahaan yang selalu memberikan semangat, membantu penulis, setia dan sabar menemani penulis dalam penyelesaian skripsi ini. Abang-abang, kakak-kakak, adik-adik, dan teman-teman program studi Teknologi Informasi angkatan 2011 yang tidak dapat penulis cantumkan satu per satu atas segala dukungan dan kebersamaannya selama melewati perkuliahan di Teknologi Informasi USU ini.

6 vi ABSTRAK Dalam mendiagnosis suatu penyakit, selain pemeriksaan secara fisik, analisis darah merupakan metode yang bisa diandalkan, karena darah memiliki komponen yang banyak mengandung informasi penting. Pemeriksaan morfologi apusan darah tepi merupakan salah satu pemeriksaan laboratorium yang sangat penting dan harus dieavulasi dengan baik. Namun, analisis sel darah merah yang mengalami kelainan bentuk yang dilakukan oleh seorang analis kesehatan tidak selalu sama dengan analis yang lain dikarenakan kurangnya faktor ketelitian, konsentrasi, dan pengetahuan yang kurang memadai. Selain itu, pemeriksaan morfologi apusan darah tepi masih dilakukan secara manual oleh para analis kesehatan yang dinilai kurang efisien karena membutuhkan waktu yang banyak. Untuk mengatasi masalah tersebut, dibutuhkan metode untuk mengklasifikasi jenis sel darah merah yang mengalami kelainan bentuk akibat dari adanya suatu penyakit. Pada penelitian ini, digunakan metode radial basis function networksebagai metode untuk klasifikasi jenis sel darah merah yang tidak normal. Tahap-tahap yang dilakukan sebelum proses klasifikasi adalah input citra, pra-pengolahan, ekstraksi fitur menggunakan canny edge detection. Hasil penelitian menunjukkan bahwa metode yang digunakan mampu melakukan proses klasifikasi sel darah merah yang tidak normal dengan akurasi sebesar 83,3%. Kata kunci : radial basis function network, canny edge detection, klasifikasi sel darah merah.

7 vii DEFORMITY OF RED BLOOD CELLS CLASSIFICATION USING RADIAL BASIS FUNCTION NETWORK ABSTRACT Beside a physical examination, blood analysis is one of methods that can rely on in diagnosing a disease, because blood has many components that contains important information. Morphological examination of peripheral blood smear is a laboratory test that is very important and should be evaluated well. However, analysis of malformed red blood cells, performed by an analyst is not always same as other analysts due to lack of precision, concentration, and inadequate knowledge. In addition, morphological examination of peripheral blood smear is still performed manually by analysts and it is inefficient because it requires a lot of time. As a solution regarding these problems, a method to classify types of deformity of red blood cells is required. In this reasearch, radial basis function network was used as a classification method of deformity of red blood cells. The steps taken before the classification were input the image of deformity of red blood cells, pre-processing, and feature extraction using canny edge detection. The result showed that the proposed method was able to perform the classification of deformity of red blood cells achieved 83.3% accuracy. Keyword : radial basis function neural network, canny edge detection, classification of red blood cells.

8 viii DAFTAR ISI Hal PERSETUJUAN ii PERNYATAAN iii UCAPAN TERIMA KASIH iv ABSTRAK v ABSTRACT vi DAFTAR ISI vii DAFTAR TABEL viii DAFTAR GAMBAR ix BAB 1 PENDAHULUAN Latar Belakang 1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian 1.5 Manfaat Penelitian 1.6 Metode Penelitian 1.7 Sistematika Penulisan BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah 2.2 Pengolahan Citra Digital 2.3 Jaringan Saraf Tiruan 2.4 Radial Basis Function (RBFN) 2.5 Penelitian Terdahulu BAB 3 ANALISIS DAN PERANCANGAN SISTEM Identifikasi Masalah 3.2 Analisis Data 3.3 Analisis Sistem Arsitektur Umum Pra-Pengolahan Proses Grayscaling Proses Thresholding

9 ix Ekstraksi Fitur Analisis Radial Basis Function Network (RBFN) Proses Sistem 3.4 Perancangan Sistem Halaman Awal Halaman Citra Uji BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Sistem Spesifikasi software dan hardware yang digunakan Implementasi antarmuka sistem Halaman Beranda Halaman Data Latih Halaman Data Uji 4.2 Pelatihan Citra 4.3 Pengujian Citra BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 5.2 Saran DAFTAR PUSTAKA 43

10 x DAFTAR TABEL Hal Tabel 2.1 Penelitian Terdahulu 13 Tabel 2.2 XOR 20 Tabel 2.3 Nilai Fungsi Gaussian 21 Tabel 2.4 Perhitungan Output 23 Tabel 2.5 Hasil Pengujian Klasifikasi Kelainan Bentuk Sel Darah Merah 38

11 xi DAFTAR GAMBAR Hal Gambar 2.1 Sel Darah Merah Normal 6 Gambar 2.2 Arsitektur Umum 11 Gambar 2.3 Gambar Kelainan Bentuk Sel Darah Merah 15 Gambar 2.4 Arsitektur Umum 16 Gambar 2.5 Representasi Piksel Sel Darah Merah 17 Gambar 2.6 Nilai Citra Grayscale Pada Tiap Piksel 18 Gambar 2.7 Citra Sel Darah Merah Hasil Grayscale 18 Gambar 2.8 Citra Sel Darah Merah Hasil Threshold 19 Gambar 2.9 Citra Sel Darah Merah Hasil Deteksi Tepi Canny 19 Gambar 2.10 Proses Sistem 25 Gambar 2.11 Halaman Awal 26 Gambar 2.12 Halaman Citra Latih 27 Gambar 2.13 Halaman Citra Uji 29 Gambar 2.14 Halaman Beranda 32 Gambar 2.15 Halaman Data Latih 33 Gambar 2.16 Tampilan Halaman Proses Data Latih 34 Gambar 2.17 Tampilan Halaman Proses Data Uji 35 Gambar 2.18 Tampilan Halaman Proses Data Uji (a,b) 36 Gambar 2.19 Tampilan Hasil Proses Klasifikasi 37 Gambar 2.20 Contoh Hasil Klasifikasi Citra 40 Gambar 2.21 Contoh Hasil Uji Klasifikasi Sel Darah Merah 41