Implementasi Jaringan Saraf Tiruan Untuk Identifikasi Anemia Pada Citra Sel Darah Merah

Implementasi Jaringan Saraf Tiruan Sebagai Alat

Bantu Identifikasi Anemia pada Citra Sel Darah

Merah

Implementation of Neural Networks as a Tool to

Help Identify Anemia Using Image of Red Blood

Cells Abstrak- Anemia defisiensi besi (ADB) termasuk dalam anemia mikrositik hipokromik karena memiliki ukuran sel darah merah

lebih kecil dari ukuran normal dan memiliki Hemoglobin (Hb) lebih rendah dari normal yang timbul akibat berkurangnya

penyediaan besi untuk eritropoesis (proses pematangan sel darah merah). Penelitian berjudul Implementasi Jaringan Saraf Tiruan Sebagai Alat Bantu Identifikasi Anemia pada Citra Sel Darah Merah mencoba melakukan analisis otomatis berdasarkan citra sel darah sebagai upaya untuk membantu mempermudah pemeriksaan laboratorium dalam mengidentifikasi ADB dengan

biaya yang lebih murah dibanding alat analisa darah otomatis. Penelitian ini terdiri dari dua tahapan program. Tahap pertama,

yaitu program untuk identifikasi anemia mikrositik hipokromik diawali dengan pengolahan citra digital (pre-processing,

segmentasi dan operasi morphologi) untuk mendapatkan fitur area sel darah merah dan fitur area akromia sentral sebagai

masukan jaringan saraf tiruan (JST) model Perceptron. Tahap kedua, yaitu program deteksi sel darah berbentuk pensil/pipih

untuk mengidentifikasi ADB. Program deteksi sel pensil diawali dengan pengolahan citra digital (pre-processing, segmentasi dan

operasi morphologi) untuk mencari nilai eksentrisitas sel darah yang digunakan sebagai masukan JST Perceptron. Nilai akurasi

untuk identifikasi ADB dengan menggunakan JST Perceptron adalah sebesar 92.3%.

Kata Kunci Jaringan syaraf tiruan, Perceptron, Anemia Defisiensi Besi (ADB), Pengolahan Citra. Abstract- Iron deficiency anemia (IDA) included in microcytic hypochromic anemia due to red blood cell has a size smaller than

normal and has a hemoglobin (Hb) lower than normal which arise due to reduced supply of iron for erythropoiesis (red blood cell

maturation process). The study entitled "Implementation of Neural Networks as a Tool to Help Identify Anemia Using Image of

Red Blood Cells" is trying to perform automatic image analysis of blood cells in an effort to facilitate laboratory tests in identifying

IDA with a lower cost than the automated blood analyzer. The study consisted of two phases of program. The first program for

identifying hypochromic microcytic anemia begins with image processing (pre-processing, segmentation and morphological

operations) to get the red blood cell area features and the central akromia area features as input for neural network (NN) models

Perceptron. The second program is a detection of pencil-shape blood cells for identifying IDA. Detection of pencil-shape blood cells

begins with image processing (pre-processing, segmentation and morphological operations) to find the value of blood cellss eccentricity that used as input for NN models Perceptron. The accuracy for the identification of IDA using NN models Perceptron

is equal to 92.3%.

Keywords Neural Networks, Perceptron, Iron Deficiency Anemia, image processing.

I. PENDAHULUAN

Salah satu jenis anemia yang banyak dijumpai di

negara-negara berkembang adalah anemia defisiensi besi

(ADB). Anemia defisiensi besi (ADB) termasuk dalam

anemia mikrositik hipokromik karena memiliki ukuran sel

darah merah lebih kecil dari ukuran normal dan memiliki

kadar Hemoglobin (Hb) lebih rendah dari normal [8].

Pemeriksaan laboratorium untuk tes deteksi anemia

sebagian masih menggunakan perhitungan manual dan

sebagian telah menggunakan alat analisa darah otomatis.

Pemeriksaan laboratorium dengan perhitungan manual yaitu

analisa CBC (Complete Blood Cell) dilakukan oleh dokter

atau teknisi laboratorium dengan melihat sampel darah di

bawah mikroskop. Analisis yang dilakukan di bawah

mikroskop membutuhkan waktu yang lebih lama dan

konsentrasi yang lebih tinggi dalam menganalisa sel darah.

Selain itu hasil analisa tidak memiliki bukti citra sehingga

tidak dapat dianalisis oleh banyak dokter. Sedangkan

pemeriksaan laboratorium otomatis analisa darah dilakukan

secara otomatis oleh alat (blood analyzer), sehingga

prosesnya lebih cepat namun kelemahannya adalah

harganya yang relatif mahal.

Sebagai upaya otomatisasi dalam menganalisis sel

darah telah dilakukan beberapa penelitian dengan

menggunakan pengolahan digital dan jaringan saraf tiruan,

diantaranya adalah Diaz Hartadi [7], Laila Madyo Aprilianti

dan Koredianto Usman [2] menghitung jumlah sel darah

merah tanpa mengarah pada klasifikasi suatu penyakit.

Marlina Eva Riyanti [15] mendeteksi dan mengklasifikasi

penyakit anemia hemolitik, anemia hemoglobinopati dan

anemia defisiensi besi berdasarkan bentuk sel darah merah

menggunakan pengolahan citra digital. Elly Warni [25] dan

Zulkifli Tahir, dkk [21] membedakan citra sel darah normal

dan abnormal menggunakan pengolahan citra digital dan

jaringan saraf tiruan berdasarkan morfologi bentuk sel darah

merah.

Beberapa penelitian tersebut menjadi dasar

dilakukannya penelitian ini sebagai upaya untuk membantu

mempermudah pemeriksaan laboratorium dalam

mengidentifikasi anemia defisiensi besi dengan biaya yang

lebih murah dibanding alat analisa darah otomatis.

Penelitian ini terdiri dari dua tahapan program. Tahap

pertama, yaitu program untuk identifikasi anemia mikrositik

hipokromik diawali dengan pengolahan citra digital (pre-

processing, segmentasi dan operasi morphologi) untuk

mendapatkan fitur area sel darah merah dan fitur area

akromia sentral sebagai masukan jaringan saraf tiruan (JST)

model Perceptron. Tahap kedua, yaitu program deteksi sel

darah berbentuk pensil/pipih untuk mengidentifikasi ADB.

Program deteksi sel pensil diawali dengan pengolahan citra

digital (pre-processing, segmentasi dan operasi morphologi)

untuk mencari nilai eksentrisitas sel darah yang digunakan

sebagai masukan JST Perceptron.

II. DASAR TEORI A. Anemia Defisiensi Besi

Anemia defisiensi besi (ADB) adalah kondisi

kurangnya sel darah merah dan hemoglobin akibat

berkurangnya penyediaan besi untuk eritropoesis

(pembentukan sel darah merah) [17]. Bentuk eritrosit yang

biconcav menyebabkan hemoglobin terkumpul lebih banyak

di bagian tepi sel. Oleh sebab itu, bagian tepi eritrosit

kelihatan lebih merah (okisifilik) dari bagian sentralnya.

Bagian sentral yang kelihatan lebih pucat disebut akromia

sentral. Akromia sentral pada sel darah merah normal

memiliki luas antara 1/3-1/2 kali diameter [21].

Gambar 1 Perbandingan luas akromia sentral pada sel darah

normal dan sel darah hipokromik (kadar Hb rendah)

ADB termasuk dalam anemia mikrositik hipokromik

sehingga memiliki ukuran sel lebih kecil dari ukuran sel

darah normal serta kadar hemoglobin yang lebih rendah dari

kadar hemoglobin normal. Oleh karena itu akromia sentral

sel darah merah ADB lebih lebar dibanding akromia sentral

sel darah normal. Selain itu pada penderita ADB, umumnya

memiliki beberapa sel darah merah yang berbentuk pensil

atau disebut elliptocytes [3].

Gambar 2 Hapusan darah penderita ADB yang

menunjukkan elliptocytes [3]

B. Thresholding

Proses threshold akan menghasilkan citra biner, yaitu

citra yang memiliki dua nilai tingkat keabuan (hitam dan

putih). Secara umum proses pengambangan citra warna atau

citra grayscale untuk menghasilkan citra biner adalah

sebagai berikut: [14]

.... (2.1)

Dengan g(x,y) adalah citra biner dari citra warna atau

citra grayscale f(x,y), dan T menyatakan nilai ambang

(threshold).

C. Operasi Morphologi

Pengolahan citra morphologi adalah cara untuk

mengekstraksi atau memodifikasi informasi tentang bentuk

dan struktur objek di dalam gambar [5].

1. Operasi Clear Border

Clear border adalah aplikasi rekonstruksi

morphologi untuk membersihkan border obyek ini

digunakan untuk menghilangkan noise-noise kecil yang

menyentuh border citra. [14].

2. Operasi Filling Holes

Filling holes ini digunakan untuk mengisi bagian

tengah yang berlubang. Agar dapat mengisi lubang, titik di

setiap lubang (holes), fm, diberi nilai 1 (untuk citra biner)

disemua titik sampai mencapai tepi border, 1- f [6].

.... (2.2)

Gambar 3 Proses filling holes pada citra [22]

D. Perceptron

Perceptron termasuk salah satu bentuk jaringan

saraf yang sederhana. Perceptron biasanya digunakan untuk

mengklasifikasikana suatu tipe pola tertentu yang sering

dikenal dengan pemisahan secara linier [9]. Garis pemisah

antar daerah positif dengan daerah nol memilki

pertidaksamaan :

w1x1 +w2x2 + b > .... (2.3) Garis pemisah antar daerah negatif dengan daerah

nol memilki pertidaksamaan :

w1x1 +w2x2 + b < - .... (2.4)

Gambar 4 Perceptron sebagai kosep dasar jaringan saraf

tiruan

Secara sistematis pemrosesan informasi pada

Perceptron dirumuskan oleh persamaan fungsi jumlah dan

persamaan fungsi aktivasi step bipolar:

w1

wn

w2

wm

x2

xn

x1

Fungsi

aktivasi

Fungsi

jumlah

bobot

Threshold/

bias

1

Akromia

Sentral

Akromia

Sentral

j

n

i

iwxy1

III. METODOLOGI A. Pengumpulan Data

Proses pengumpulan data dilakukan dengan meng-

capture preparat hapusan darah menggunakan mikroskop

digital yang langsung terhubung ke komputer/laptop.

Sampel hapusan darah diperoleh melalui Laboratorium

klinik Prodia dan data penelitian terdahulu, yaitu penelitian

Marlina Eva Riyanti yang berjudul Deteksi Dan Klasifikasi Penyakit Anemia (Defisiensi Besi, Hemolitik Dan

Hemoglobinopati) Berdasarkan Struktur Fisis Sel Darah

Merah Menggunakan Pengolahan Citra Digital. Jumlah keseluruhan data sebanyak 68 citra, yang

terdiri dari 38 citra sel darah merah penderita anemia

mikrositik hipokromik dan 30 citra sel darah bukan

penderita mikrositik hipokromik. Dari 38 citra sel darah

merah penderita anemia mikrositik hipokromik tersebut

terdapat 8 citra yang termasuk dalam sel darah penderita

ADB.

Masing-masing data tersebut kemudian di crop

untuk mendapatkan 4 citra sel darah merah tunggal pada tiap

data. Sehingga total data menjadi 272 citra, terdiri dari 152

citra sel darah penderita mikrositik hipokromik dan 120 citra

sel darah bukan penderita anemia mikrositik hipokromik.

Gambar 5 Jumlah keseluruhan data

B. Perancangan Program

Gambar 6 Alur rancangan program

C. Perhitungan Area Sel Darah Merah

Tahap perhitungan area sel darah merah diawali

dengan proses konversi citra grayscale menjadi citra biner

menggunakan thresholding. Proses thresholding

menyebabkan sel darah merah berlubang, oleh karena itu

dilakukan proses filling holes untuk mengisi bentuk sel yang

berlubang [11]. Setelah lubang terisi, kemudian dihitung

jumlah seluruh piksel sel darah merah (piksel berwarna

putih) untuk mendapatkan area sel darah merah.

D. Perhitungan Area Akromia Sentral

Tahap perhitungan area sel darah merah diawali

dengan proses konversi citra grayscale menjadi citra biner

menggunakan thresholding. Proses thresholding dapat

membedakan area sel darah merah dengan area akromia

sentralnya, namun area akromia sentral tidak dapat langsung

dihitung karena memiliki warna yang sama dengan

background.

Fitur area akromia sentral didapatkan dengan

menghitung jumlah piksel area cincin sel darah merah yang

berwarna putih atau jumlah piksel sel darah merah sebelum

dilakukan filling holes. Fitur area akromia sentral dapat

diketahui dengan mengurangi area sel darah merah dengan

area cincin. Area akromia sentral menunjukkan besarnya

kadar hemoglobin dalam darah.

E. Penenetuan Anemia Defisiensi Besi

Fitur hasil pengolahan citra menjadi input untuk

JST Perceptron. Citra sel darah merah tunggal akan

diidentifikasi oleh jaringan saraf tiruan Perceptron menjadi

kelompok sel darah penderita anemia mikrositik hipokromik

dan sel darah bukan penderita anemia mikrositik

hipokromik. Hasil identifikasi JST akan menunjukkan sel

darah tidak menderita anemia defisiensi besi (bukan ADB)

bila sel darah tersebut bukan merupakan anemia mikrositik

(b)

hipokromik. Hasil identifikasi yang menunjukkan sel darah

pasien merupakan sel darah anemia mikrositik hipokromik,

akan dilanjutkan dengan pencarian sel darah merah

berbentuk pensil menggunakan JST Perceptron.

Proses pencarian sel darah berbentuk pensil untuk

identifikasi sel darah merah ADB dan bukan ADB

dilakukan dengan mendeteksi sel darah berbentuk pensil

pada citra sel darah merah sebelum proses croping.

Pendeteksian sel berbentuk pensil diawali dengan

thresholding untuk memisahkan (segmentasi) sel darah

merah dengan background kemudian dilanjutkan dengan

operasi morphologi clear border untuk menghilangkan

noise dan operasi morphologi filling holes untuk mengisi

lubang akibat proses thresholding. Proses pelabelan

komponen digunakan untuk mencari nilai eksentrisitas

masing-masing sel darah merah. Nilai eksentrisitas tersebut

digunakan sebagai masukan JST Perceptron untuk

mengidentifikasi anemia defisiensi besi (ADB). Keberadaan

sel berbentuk pensil menunjukkan bahwa sel darah tersebut

adalah sel darah penderita anemia defisiensi besi (ADB).

IV. HASIL DAN PEMBAHASAN A. Hasil Pengolahan Data

Citra digital preparat sel darah merah yang

diperoleh dari hasil captrue di crop sehingga didapatkan

citra sel darah merah tunggal. Citra sel darah tunggal di

proses menggunakan pengolahan digital, meliputi:

grayscale, segmentasi dan operasi morphologi untuk

mendapatkan nilai fitur sebagai masukan JST Perceptron

1. Pre-Processing

Pre-processing ini meliputi proses greyscale

menggunakan MATLAB yang bertujuan untuk mengubah

citra RGB menjadi citra yang memiliki derajat keabuan 0-

255.

2. Segmentasi

Proses selanjutnya adalah citra disegmentasi untuk

memisahkan sel darah merah dengan background citra.

Segmentasi dilakukan dengan memberikan nilai ambang

(threshold) tertentu sehingga menghasilkan citra biner, yaitu

citra yang memiliki nilai 0 (hitam) dan 1 (putih).

Gambar 7 Hasil proses segmentasi

3. Operasi Morphologi

Operasi morphologi yang digunakan dalam

penelitian ini adalah operasi clear border dan operasi filling

holes. Operasi clear border diperlukan untuk

menghilangkan citra yang tidak butuhkan yang menempel

atau bersinggungan dengan border citra hasil proses

croping. Contoh penggunaan clear border pada penelitian

ini adalah seperti gambar 9

Gambar 8 (a) Hasil croping, (b) Hasil Segmentasi, (c) Hasil

proses clear border

Operasi morphologi selanjutnya adalah operasi

filling holes. Operasi filling holes dibutuhkan untuk

melakukan penghitungan ukuran atau area sel darah merah

dan area akromia sentral.

Gambar 9 (a) Hasil segmentasi yang telah melalui proses

clear border, (b) Hasil proses filling holes

Proses filling holes dilanjutkan dengan perhitungan

area sel darah merah dan area akromia sentral, yaitu dengan

menghitung jumlah piksel warna putih. Area akromia sentral

dapat diketahui dengan mengurangkan hasil perhitungan

ukuran sel darah merah dengan jumlah piksel warna putih

sebelum proses filling holes.

B. Proses Identifikasi Anemia Mikrositik Hipokromik

Fitur yang digunakan untuk pelatihan jaringan

Perceptron dalam mengidentifikasi anemia mikrositik

hipokromik adalah fitur area sel darah merah, fitur area

akromia sentral dan perbandingan fitur ukuran sel darah

merah dengan fitur area akromia sentral.

1. Pelatihan JST untuk Identifikasi Anemia Mikrositik

Hipokromik

Data yang digunakan pada proses pelatihan JST

untuk identifikasi anemia mikrositik hipokromik sebanyak

180 data citra sel darah merah tunggal, yang terdiri dari 100

citra sel darah penderita mikrositik hipokromik dan 80 citra

sel darah bukan penderita mikrositik hipokromik.

Tabel 1 menunjukkan data hasil pelatihan jaringan

Perceptron untuk identifikasi anemia mikrositik hipokromik.

Tabel 1 Hasil pelatihan jaringan Perceptron

Laju

pembelajaran Error w1 w2 w3 b epoh

0.1 0.000001 -19.5 260.5 0.2537 0.4 17

0.5 0.0001 -97.5 1302.5 1.2688 2 17

1 0.01 -195 2605 2.5376 4 17

Proses pelatihan menghasilkan nilai w1, w2, w3

dan b, masing-masing adalah bobot akhir dari fitur pertama,

bobot akhir dari fitur kedua, bobot akhir dari fitur ketiga dan

bobot akhir bias. Bobot-bobot akhir tersebut nantinya akan

digunakan dalam proses pengujian. Akurasi proses pelatihan

mencapai 100%

2. Pengujian JST untuk Identifikasi Anemia Mikrositik

Hipokromik

Data yang digunakan untuk proses pengujian

sebanyak 92 data, terdiri dari 40 citra bukan penderita

mikrositik hipokromik dan 52 citra bukan penderita

mikrositik hipokromik.

Gambar 10 (a) Citra RGB, (b) Citra greyscale

Bobot fitur dan bobot bias yang digunakan dalam

proses pengujian jaringan Perceptron ini adalah bobot akhir

fitur dan bobot akhir bias yang diperoleh dari proses

pelatihan atau pembelajaran. Hasil pengujian jaringan

Perceptron untuk identifikasi anemia mikrositik hipokromik

dapat dilihat pada tabel 2.

Tabel 2 Hasil pengujian jaringan Perceptron

Laju pembelajaran Error akurasi

0.1 0.01 92.3913%

0.5 0.0001 92.3913%

1 0.000001 92.3913%

Proses pengujian menunjukkan bahwa dari 92 data

yang diuji, terdapat 85 data yang benar dan 7 data yang

salah, sehingga tingkat akurasi jaringan Perceptron adalah

92.3913%.

1C. PROSES IDENTIFIKASI ANEMIA DEFISIENSI BESI (ADB)

Proses identifikasi Anemia Defisiensi Besi (ADB)

dilakukan dengan mendeteksi sel berbentuk pensil. Proses

ini diawali dengan proses croping. Cropping yang

dilakukan bukan untuk mencari sel darah tunggal melainkan

hanya untuk menghilangkan lingkaran hitam hasil bayangan

lensa mikroskop. Proses dilanjutkan dengan grayscale dan

segmentasi. Segmentasi dilakukan dengan menggunakan

threshold metode otsu pada toolbox matlab. Operasi

morphologi clear border dibutuhkan untuk menghilangkan

noise dan menghilangkan citra yang tidak perlu yang

menempel pada border citra kemudian dilakukan filling

holes untuk mengisi lubang yang ditimbulkan akibat proses

segmentasi.

Deteksi atau pencarian sel berbentuk pensil

dilakukan dengan menggunakan JST Perceptron

berdasarkan nilai eccentricity sel darah merah. Pencarian

nilai eccentricity tiap sel darah merah membutuhkan operasi

pelabelan komponen. Dengan pelabelan komponen ini ciri-

ciri mendasar dari masing-masing sel darah merah dapat

dihitung. Nilai eksentrisitas sel darah merah merah dapat

diketahui dengan toolbox matlab berikut :

properties = regionprops(labeledImage, 'eccentricity');

eccentricities = [props.Eccentricity];

Proses Deteksi sel darah merah berbentuk pensil

dapat dilihat pada gambar 11 dan 12.

Gambar 11 Deteksi sel pensil pada sel darah ADB

Gambar 12 Deteksi sel pensil pada sel darah bukan ADB

Data input merupakan data hasil crop, sedangkan

data biner adalah data hasil proses grayscale yang

dilanjutkan dengan proses segmentasi, operasi clear border,

operasi filling holes dan pelabelan komponen. Gambar 4.6

menunjukkan adanya sel darah merah yang berbentuk pensil

sehingga dinyatakan sebagai sel darah penderita ADB,

sedangkan pada gambar 4.7 tidak terdapat sel darah merah

yang berbentuk pensil sehingga sel darah tidak dinyatakan

sebagai sel darah penderita ADB (bukan ADB).

1. Pelatihan JST untuk Identifikasi Anemia Defisiensi Besi

(ADB)

Data yang digunakan pada proses pelatihan JST

untuk proses deteksi sel pensil dalam mengidentifikasi

anemia defisiensi besi (ADB) adalah 25 citra anemia

mikrositik hipokromik sebelum proses croping, yang terdiri

dari 5 citra ADB dan 20 citra bukan ADB. Data masukan

untuk proses pelatihan deteksi sel pensil adalah nilai

eccentricity sel darah merah.

Tabel 3 menunjukkan data hasil pelatihan jaringan

Perceptron untuk deteksi sel pensil dalam mengidentifikasi

ADB.

Tabel 3 Hasil pelatihan jaringan Perceptron

Laju

pembelajaran Error w b epoh

0.1 0.000001 0.10524 -0.1 3

0.5 0.0001 0.5262 -0.5 3

1 0.01 1.0524 -1 3

Bobot akhir dan bobot bias tersebut nantinya akan

digunakan dalam proses pengujian. Proses pengujian

dilakukan untuk mendapatkan tingkat akurasi dengan

menguji kecocokan hasil identifikasi JST terhadap data

target yang merupakan hasil diagnosa dari lab.

2. Pengujian JST untuk Identifikasi Anemia Defisiensi Besi

(ADB)

Proses pengujian jaringan Perceptron untuk proses

deteksi sel pensil dalam mengidentifikasi anemia defisiensi

besi (ADB) sama dengan proses pengujian data pelatihan,

namun data yang digunakan pada proses pengujian jaringan

Perceptron berbeda dengan data untuk pelatihan. Data yang

digunakan untuk proses pengujian sebanyak 13 data, terdiri

dari 3 citra sel darah penderita ADB dan 10 citra sel darah

bukan penderita ADB

Bobot dan bobot bias yang digunakan dalam proses

pengujian jaringan Perceptron ini adalah bobot akhir dan

bobot akhir bias yang diperoleh dari proses pelatihan. Hasil

pengujian jaringan Perceptron untuk deteksi sel pensil dalam

mengidentifikasi ADB dapat dilihat pada tabel 4.

Tabel 4 Hasil pengujian jaringan Perceptron

Laju pembelajaran Error akurasi

0.1 0.01 92.3077%

0.5 0.0001 92.3077%

1 0.000001 92.3077%

Dari 13 citra anemia mikrositik hipokromik

sebelum proses croping, didapatkan hasil pengujian bahwa

hanya 1 data yang tidak sesuai dengan target hasil diagnosa

dari lab. Sehingga hasil akurasi pendeteksian sel darah

berbentuk pensil ini mencapai 92.3077%.

V. KESIMPULAN Fitur area sel darah merah dan fitur area akromia

sentral diketahui dengan menghitung jumlah piksel citra

yang berwarna putih. Fitur area sel darah merah

dibandingkan dengan fitur area akromia sentral sehingga

diperoleh nilai perbandingan fitur. Nilai fitur area sel darah,

fitur area sentral dan perbandingan fitur digunakan sebagai

masukan JST Perceptron utuk mengidentifikasi anemia

mikrositik hipokromik. Selanjutnya dilakukan proses deteksi

atau pencarian sel berbentuk pensil menggunakan JST

Perceptron berdasarkan nilai eccentricity sel darah merah

untuk mengidentifikasi ADB. Sel darah yang memiliki sel

berbentuk pensil merupakan penderita anemia defisiensi

besi (ADB).

Nilai akurasi untuk identifikasi ADB mencapai

92.3%. JST Perceptron dapat diimplementasikan untuk

mengidentifikasi ADB, namun karena akurasi program

kurang dari 95% maka penelitian ini masih belum dapat

diimplementasikan dalam bidang medis. Penambahan fitur

serta penambahan jumlah data dibutuhkan dalam penelitian

mendatang untuk mendapatkan hasil yang lebih optimal.

UCAPAN TERIMA KASIH

Terima Kasih kepada Laboratorium dan Klinik

Prodia, Marlina Eva Riyanti serta semua pihak yang turut

membantu dalam penelitian ini.

DAFTAR PUSTAKA

[1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik

Pemrogramannya. Edisi Pertama. Yogyakarta: Graha Ilmu.

ISBN:979-756-072-6

[2] Aprilianti, Laila Madyo. Usman, Koredianto. Nugroho, Hertog. 2008.

Perhitungan Sel Darah Merah berbasis Pengolahan Citra Digital.

Prosiding Seminar Nasional IV UTY. Yogyakarta.

[3] Bain, Barbara J. 2006. Blood Cells: a Practical Guide. 4th Edition.

Blackwell Publishing, Inc. ISBN-13: 978-1-4051-4265-6.

[4] Chen Wu, Ann. Lesperance, Leann. Bernstein, Henry. 2002. Article

hematology: Screening for Iron Deficiency. Pediatrics in Review Vol.23 No.5 May 2002 . page 171-177.

[5] Dougherty, Geoff. 2009. Digital Image Processing for Medical

Applications. Published in the United States of America by

Cambridge University Press, New York. ISBN-13 978-0-511-53343-3

[6] Gonzales, Rafael C. and Wood, Richard E. 2002. Digital Image

Processing. Second edition. Upper Saddle River, New Jersey 07458:

Prentice-Hall,Inc. ISBN : 0-201-18075-8

[7] Hartadi, Diaz dan Sumardi, R.Rizal Isnanto. 2004. Simulasi

Perhitungan Sel Darah Merah. Transmisi, Vol.8 No.2 Hal.1-6.

[8] Hove,L.Van,. Schisano,T,.Brace,L. 2000. Anemia Diagnosis,

Classification, and Monitoring Using Cell-Dyn Technology Reviewed

for the New Millennium. Laboratory Hematology 6:93-108. Carden

Jennings Publishing Co.

[9] Kusumadewi, Sri. 2004. Membagun Jaringan Syaraf Tiruan

Menggunakan Matlab&Excel Link. Yogyakarta: Graha Ilmu. ISBN

:979-3289-91-0

[10] McConnell, Thomas H. 2007. The Nature of Disease Pathology for

the Health Professions. Philadelphia,PA. Lippincott Wiliams &

Wilkins. ISBN-13: 978-0-7817-5317-3.

[11] Pamungkas, Adi. 2012. Perhitungan Otomatis Jumlah Sel Darah

Merah dan Identifikasi Fase Plasmodium Falciparum Menggunakan

Operasi Morfologi. Skripsi Jurusan Fisika, Fakultas Sains dan

Matematika. Universitas Diponegoro Semarang. Juli 2012

[12] Praida, Arthania Retno. 2008. Pengenalan Penyakit Darah

Menggunakan Teknik Pengolahan Citra dan Jaringan Syaraf Tiruan.

Tugas Akhir Departemen Teknik Elektro Fakultas Teknik Universitas

Indonesia.

[13] Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya

Menggunakan Matlab. Yogyakarta: ANDI. ISBN : 978-979-29-2703-

0

[14] Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: ANDI.

ISBN: 978-979-29-1443-6

[15] Riyanti, Marlina Eva. 2009. Deteksi Dan Klasifikasi Penyakit Anemia

(Defisiensi Besi, Hemolitik Dan Hemoglobinopati) Berdasarkan

Struktur Fisis Sel Darah Merah Menggunakan Pengolahan Citra

Digital. Tugas Akhir Program Studi S1 Teknik Telekomunikasi,

Institut Teknologi Telkom. Bandung

[16] Russ, John C. 2007. The Image Processing Handbook. 5thedition.

United States of America: Taylor & Francis Group,LLC. ISBN 0-

8493-7254-2

[17] Sapp, J.Philip. Eversole, Lewis R. George P. Wysocki. 2008.

Contemporary oral and maxillofacial pathology. Chapter 12:

Diseases of Blood page 394-395. Mosby. University of Michigan.

ISBN 0323017231, 9780323017237.

[18] Saraswati, Delima Ayu dan Setiawardhana. 2011. Sistem

Pendeteksian Bakteri dengan Histogram Citra Biner. Jurnal

Matematika dan Ilmu Pengetahuan Alam Vol. 14 No 2, Juli 2011.

ISSN: 0852-4556

[19] Siang, J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya

Menggunakan Matlab. 2nd edition. Yogyakarta: Penerbit Andi.

[20] Sumathi, S. Paneerselvam, Surekha. 2010. Computational intelligence

paradigms: theory & applications using MATLAB. United States of

America : Taylor & Francis Group, LLC. ISBN 9781439809020 [21] Tahir, Zulkifli,dkk. 2012. Analisa Metode Radial Basis Function

Jaringan Saraf Tiruan untuk Penentuan Morfologi Sel Darah Merah

(Eritrosit) Berbasis Pengolahan Citra. Laboratorium Kecerdasan

Buatan. Jurusan Teknik Elektro, Universitas Hasanuddin. Forum

Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI) 2012

[22] Tcheslavski, Gleb V. 2009. Morphological Image Processing: Basic

Algorithms. Spring 2009. http://ee.lamar.edu/gleb/dip/index.htm

[23] Usman, Koredianto. Perhitungan Sel Darah Merah Bertumpuk

Berbasis Pengolahan Citra Digital dengan Operasi Morfologi.

Seminar Nasional Informatika 2008. UPN Veteran. 24 Mei 2008.

ISSN: 1979-2328

[24] Uthman, Ed. 1998. Understanding Anemia. University Press of

Mississippi. ISBN-10: 1578060389 ISBN-13: 9781578060382

[25] Warni, Elly. 2008. Penentuan morfologi sel darah merah (eritrosit)

Berbasis pengolahan citra dan jaringan syaraf tiruan. Jurnal Ilmiah

Elektrikal Enjiniring Universitas Hasanuddin. Volume 07/No.03/Oktober-Desember/2009.

[26] Wu,Qiang. Merchant,Fatima A. Castleman, Kenneth R. 2008.

Microscope Image Processing. www.books.elsevier.com. ISBN: 978-

0-12-372578-3