Pemanfaatan Seed Region Growing Segmentation dan Momentum Backpropagation Neural Network Untuk Klasifikasi Jenis Sel Darah Putih

1

Pemanfaatan Seed Region Growing Segmentation dan Momentum Backpropagation Neural Network untuk

Klasifikasi Jenis Sel Darah Putih

Nurcahya Pradana T.P. Riset Group

Ilmu Rekayasa dan Komputasi Universitas Sebelas Maret

Jl. Ir. Sutami 36A Kentingan Surakarta 57126

[email protected]

Esti Suryani, S.Si.,M.Kom. Riset Group

Ilmu Rekayasa dan Komputasi Universitas Sebelas Maret

Jl. Ir. Sutami 36A Kentingan Surakarta 57126

[email protected]

Wiharto, S.T.,M.Kom. Riset Group

Ilmu Rekayasa dan Komputasi Universitas Sebelas Maret

Jl. Ir. Sutami 36A Kentingan Surakarta 57126

[email protected]

ABSTRAK Sel darah putih atau leukosit merupakan komponen

dalam darah yang terdiri dari lima jenis, yakni neutrofil,

eosinofil, basofil, limfosit, dan monosit. Klasifikasi sel darah

putih ke dalam lima jenis tersebut diperlukan dalam analisis

kesehatan darah. Proses klasifikasi yang biasa dilakukan

melalui uji laboratorium mikroskopik dapat memakan waktu

cukup lama dan terdapat kemungkinan terjadi kesalahan yang

bersifat subjektif. Untuk mengatasi kendala tersebut, maka

penelitian ini akan mengkombinasikan bidang studi

pengolahan citra dan jaringan syaraf tiruan yang diterapkan

dalam proses tahap awal klasifikasi jenis sel darah putih.

Metode yang dipaparkan dalam penelitian ini merupakan

perpaduan dari seed region growing segmentation dengan

momentum backpropagation. Seed region growing digunakan

dalam preprocessing citra. Ekstraksi ciri akan menghasilkan

empat parameter numerik dari citra yang digunakan sebagai

input pelatihan dan pengujian, yakni: luas area leukosit, tepi

area atau perimeter, kebundaran, dan rasio nukleus. Proses

pelatihan menggunakan kombinasi learning rate, jumlah

neuron hidden layer, serta momentum untuk dinilai

keoptimalannya berdasarkan waktu latih, MSE, serta akurasi

memorisasi dan generalisasi. Batas toleransi error perubahan

sebesar 0,000001 dengan hipotesa akurasi sebesar 87%.

Hasil penelitian, menunjukkan bahwa seed region

growing mampu melakukan segmentasi citra leukosit sebesar

96,795% dari total 156 citra yang kemudian dapat diekstrak

cirinya dengan baik. Pelatihan dan pengujian dengan

momentum backpropagation menghasilkan rata-rata akurasi

memorisasi sebesar 90,556% dan generalisasi 81,332%.

Kata Kunci Klasifikasi, Leukosit, Momentum Backpropagation, Seed

Region Growing.

1. PENDAHULUAN 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 dibagi

menjadi lima jenis tipe berdasarkan bentuk morfologinya

yakni basofil, eosinofil, neutrofil, limfosit dan monosit [1].

Masing – masing jenis sel darah putih ini memiliki ciri khas

dan fungsi yang berbeda.

Selama ini proses klasifikasi sel darah putih hanya

dilakukan secara manual melalui serangkaian uji laboratorium

yang dapat memakan waktu cukup lama [2]. Oleh karena itu

penelitian ini ditujukan khusus untuk dapat membantu dalam

proses tahap awal klasifikasi jenis sel darah putih secara

otomatis di bidang medis.

Percobaan terkait klasifikasi sel darah putih cukup

menarik perhatian beberapa peneliti dengan menggunakan

metode berbeda. Diantaranya adalah penelitian yang

memanfaatkan metode ektraksi ciri untuk klasifikasi jenis sel

darah putih. Parameter ekstraksi ciri meliputi area citra,

perimeter dan euler number. Data-data ekstraksi fitur citra ini

akan dimasukkan ke dalam data referensi dalam database.

Hasil yang diperoleh menunjukkan bahwa proses identifikasi

diperoleh berdasarkan range nilai perimeter dan euler number

pada citra. Kelima jenis leukosit memberikan akurasi

kesalahan sebesar 30 % [3].

Adapun penelitian yang menerapkan metode segmentasi

berbasis area warna (region) dan ekstrasi fitur geometris

untuk proses klasifikasi tiga jenis sel darah putih, yakni

neutrofil, limfosit, dan monosit [4].

Penelitian terkait pemanfaatan morfologi operator

spectrum juga dilakukan untuk proses ekstraksi dan

klasifikasi karakteristik leukosit. Karakteristik dibagi menjadi

komponen pola spectrum, daerah normal, dan rasio nukleus

yang kemudian diuji dengan empat macam metode

pengenalan pola: Euclidean distance, k-nearest Neighbor,

Backpropagation Neural Net dan Support Vector Machine.

Penelitian ini menggunakan 36 pola untuk pelatihan dan 18

pola untuk pengujian. [5].

Modifikasi standard backpropagation secara adaptif

dengan mengubah koefisien momentum dan learning rate

juga pernah diujicobakan. Penelitian ini didasari atas dasar

kinerja dari metode backpropagation standar dalam beberapa

masalah klasifikasi masih terkendala masalah pada kecepatan

konvergensi pembelajaran yang lambat. Hasilnya pada

algoritma backpropagation dengan learning rate, faktor

proposional dan momentum memiliki kecepatan konvergensi

5 kali lebih baik dari backpropagation standar [6].

Berdasarkan penelitian yang telah dilakukan sebelumnya,

dapat disimpulkan bahwa segmentasi citra seed region

growing dan backpropagation neural network dengan

momentum dapat digunakan untuk mengenali jenis leukosit

dengan hipotesa akurasi mencapai 87%.

Penelitian ini bertujuan untuk memanfaatkan metode

segmentasi berbasis region dan warna yaitu seed region

growing segmentation yang akan diimplementasikan untuk

preprocessing citra. Dilanjutkan dengan proses ekstraksi ciri

untuk mendapatkan data numerik dari hasil preprocessing dan

menggunakan momentum backpropagation dalam proses

pelatihan dan pengujian pada pengenalan pola dengan

menggunakan inputan hasil ekstraksi ciri, yakni luas area

leukosit, tepi area atau perimeter, kebundaran, dan rasio

nukleus. Penelitian ini diharapkan dapat mempercepat kinerja

para peneliti medis dalam melakukan klasifikasi jenis sel

darah putih melalui otomatisasi proses klasifikasi tahap awal

dan meningkatkan akurasi untuk mengurangi kesalahan dalam

klasifikasi jenis sel darah putih.

2

2. LANDASAN TEORI

2.1 Sel Darah Putih (Leukosit) 2.1.1 Definisi Sel Darah Putih

Sel darah putih atau leukosit merupakan salah satu

komponen dalam darah yang berfungsi sebagai pembasmi

bibit penyakit/bakteri yang masuk ke dalam jaringan RES

(sistem retikuloendotel) melalui darah manusia dan juga

sebagai pengangkut/ membawa zat lemak dari dinding usus

melalui limpa terus ke pembuluh darah. Sel darah putih

dibentuk di dalam sumsum tulang dan disimpan dalam

sumsum sampai diperlukan di sistem sirkulasi. Apabila sel

darah putih dibutuhkan akan muncul berbagai macam faktor

yang dapat menyebabkan sel darah putih tersebut dilepaskan.

Sel darah putih yang bersirkulasi dalam darah biasanya

berkisar antara 3-4 kali lipat jumlah yang disimpan di dalam

sumsum tulang. Jumlah ini sesuai dengan persediaan sel darah

putih selama 6 hari [7].

Jumlah sel darah putih dalam darah sangat beragam. Pada

keadaan normal, darah manusia mengandung 4000 - 11.000

sel darah putih per mm3 [8]. Berikut merupakan tabel berisi

jumlah, presentase dan diameter jenis sel darah putih [2].

Tabel 1. Perbandingan jumlah, presentase dan diameter

jenis sel darah putih

Jenis Jumlah / mm3 Presentase

Neutrofil 5000 60-70%

Eosinofil 150 2-4%

Basofil 30 0.5%

Limfosit 2400 28%

Monosit 350 5%

2.1.2 Macam dan Karakteristik Sel Darah Putih

Berdasarkan bentuk dan fungsinya, sel darah putih

dibedakan menjadi dua tipe. Sebagai fitur pembeda utama dari

kedua tipe tersebut adalah keberadaan butiran yang disebut

granula. Macam sel darah putih yang termasuk ke dalam

kelompok granulosit atau dapat disebut juga leukosit granular

terdiri dari [9].:

1. Neutrofil

Neutrofil mempunyai inti sel yang kadang-kadang seperti

terpisah-pisah sekitar 2-5 lobus yang dihubungkan oleh

benang kromatin halus. Sitoplasma terdapat bintik-bintik

halus/granula, banyaknya 60%-70% dari jumlah sel darah

putih keseluruhan yang beredar dalam tubuh. Ukurannya

sekitar 12-15 µm.

2. Eosinofil

Ukuran dan bentuknya hampir sama dengan neutrofil

tetapi granula dalam sitoplasmanya lebih besar. Meskipun

demikian jumlahnya hanya 2-4% dari sel darah putih dalam

darah normal. Ciri khas dari eosinofil adalah adanya granula

yang berukuran besar dan lonjong yang dilapisi eosin.

Ukurannya bervariasi antara 12-17 µm.

3. Basofil

Basofil sangat sukar ditemukan dalam apusan sel darah

karena jumlahnya kurang dari 1% sel darah putih. Inti baofil

terbagi dalam lobuli yang tidak teratur dan sering terhalangi

granula spesifik di atasnya. Ukurannya sekitar 12-15 µm.

Sedangkan untuk dua buah jenis sel lainnya yang

termasuk ke dalam agranulosit yakni:

1. Limfosit

Limfosit memiliki granula di dalam sitoplasmanya dan

berinti besar, banyaknya 28% dari total sel darah putih dan

fungsinya membunuh dan memakan bakteri yang masuk

kedalam jaringan tubuh. Ukurannya berkisar antara 6-18 µm.

2. Monosit

Monosit dibentuk di dalam sumsum merah dengan

ukuran lebih besar dari limfosit. Jumlahnya sekitar 34% dari

total sel darah. Di bawah mikroskop terlihat bahwa

sitoplasmanya lebar, warna biru sedikit abu-abu mempunyai

bintik-bintik kemerahan. Inti selnya bulat atau panjang,

warnanya lembayung muda. Ukurannya terbesar bila

dibanding sel darah putih lain, yakni sekitar 12-20 µm.

2.2 Pengolahan Citra Digital Pengolahan citra digital adalah sebuah disiplin ilmu yang

mempelajari hal-hal yang berkaitan dengan perbaikan kualitas

gambar (peningkatan kontras, transformasi warna, restorasi

citra), transformasi gambar (rotasi, tranlasi, skala, tranformasi

goemetrik), melakukan pemilihan citra ciri (feature images)

yang optimal untuk tujuan analisis, melakukan proses

penarikan informasi atau deskripsi objek yang terkandung

pada citra, melakukan kompresi atau reduksi data untuk

tujuan penyimpanan data, transmisi data, dan waktu proses

data [10].

2.3 Seed Region Growing Segmentation Segmentasi Seed Region Growing (SRG) merupakan

metode segmentasi citra yang menggunakan teknik berbasis

region, piksel yang berdekatan pada daerah yang sama

memiliki fitur visual yang sama seperti level keabuan, nilai

warna, atau teksturnya. Prinsip dari SRG adalah dengan

memulainya dengan penentuan seed points. Dari seed tersebut

akan dikembangkan area-area dengan penambahan terhadap

setiap seed dimana piksel tetangga memiliki kemiripan

karakteristik dengan seed. Jika seed telah diketahui, SRG

akan mencoba menemukan segmentasi citra yang akurat ke

dalam daerah dengan properti dimana setiap komponen

daerah yang saling berhubungan bertemu dengan salah satu

seed-nya[11].

Gambar 1. Skema Seed Region Growing

Threshold dibatasi pada gray level 3 dan 9. Pada

threshold gray level bernilai 3, maka setiap nilai gray level di

bawahnya akan berubah menjadi a, dan nilai di atas 3 akan

menjadi b akibat persamaan nilai gray level. Berpatokan dari

nilai gray level yang dimiliki seed di posisi matriks piksel

(2,3) dan (4,3), proses SRG akan menyebar mencari piksel

tetangga dengan gray level yang memiliki kesamaan kelas

dengan nilai gray level seed yang juga berhubungan dengan

seed. Kumpulan piksel tetangga yang berhubungan tersebut

akan menjadi area segmentasi. Begitu pula dengan nilai

threshold = 9, seluruh piksel akan bernilai a karena

seluruhnya memiliki kesamaan nilai gray level, yakni berada

di bawah nilai threshold = 9. Seed SRG akan langsung

menyebar ke seluruh piksel tetangga yang memiliki kesamaan

kelas dan dengan demikian berarti keseluruhan piksel citra

merupakan hasil segmentasi.

2.4 Thresholding Thresholding atau pengambangan merupakan sebuah

metode yang sederhana untuk melakukan segementasi.

3

Operasi thresholding membagi citra menjadi dua wilayah,

yaitu wilayah objek dan wilayah latar belakang. Wilayah

objek diset berwarna putih sedangkan sisanya diset berwarna

hitam (atau sebaliknya). Hasilnya adalah citra biner yang

hanya mempunyai dua derajat keabuan : hitam dan putih [12].

Teknik thresholding dapat dilakukan dengan melakukan

pengecekan terhadap fungsi T [11].

T = T [x, y, p(x,y), f(x,y)]

Dimana p(x,y) adalah nilai piksel dari suatu titik tertentu

dan f(x,y) merupakan intensitas piksel (x,y). Kemudian citra

dengan threshold tersebut akan dibagi menjadi dua bagian

dengan definisi seperti berikut [11].

Piksel dengan nilai 1 menunjukkan objek, sedangkan

piksel bernilai 0 adalah latar belakang citra

2.5 Morfologi Citra Morfologi merupakan komponen dari dalam citra yang

direpresentasikan dan dijelaskan terhadap bentuk area.

2.5.1 Erosi

Erosi merupakan sebuah operasi perpaduan citra asli

terhadap sebuah struktur khusus yang disebut dengan strel.

Erosi antara citra A oleh strel B terdiri atas semua titik z

= (x, y) dimana (B)z ada di dalam himpunan A. Untuk

melakukan erosi, B digeser sedemikian hingga dalam A tepat

pada tepinya dan dicari pada bagian mana saja B benar-benar

ada di dalam A. Kondisi inilah yang merupakan hasil erosi A

oleh B. Erosi berfungsi merampingkan dan menghilangkan

tonjolan citra. Gambar 2 menunjukkan contoh erosi citra A

oleh strel B yang menghasilkan citra D [11].

Gambar 2. Contoh operasi erosi

2.5.2 Dilasi

Operasi dilasi merupakan kebalikan dari operasi erosi.

Dengan kata lain untuk setiap area di luar tepi citra A akan

dilakukan translasi atau pergeseran dan kemudian

menggabungkan seluruh hasilnya (union) dengan hasil

translasi strel B atau secara matematis dituliskan sebagai

berikut.

Dalam proses dilasi, fungsinya dapat dijelaskan seperti

perluasan pada citra A oleh strel B sehingga dapat menutup

lubang kecil pada tepi objek citra B. Gambar 3 menunjukkan

contoh dilasi citra A oleh strel B yang menghasilkan citra D

[11].

Gambar 3. Contoh Operasi Dilasi

2.5.3 Opening

Operasi opening dari citra A dengan elemen strel B dapat

didefinisikan sebagai berikut.

Operasi opening merupakan perpaduan antara dilasi dan

erosi. Citra A dikenai operasi erosi oleh strel B, kemudian

hasilnya akan didilasi kembali oleh B yang dicontohkan pada

Gambar 4 [11].

Gambar 4. Contoh Operasi Opening

2.5.4 Closing

Operasi closing merupakan kebalikan dari opening.

Closing dapat didefinisikan sebagai berikut.

Operasi closing juga merupakan perpaduan antara dilasi

dan erosi. Perbedaan dengan opening adalah citra A akan

dikenai operasi dilasi oleh strel B lalu diikuti oleh erosi

dengan strel B yang dicontohkan pada Gambar 5 [11].

Gambar 5. Contoh Operasi Closing

2.6 Median Filtering Median Filtering merupakan salah satu jenis filter untuk

restorasi citra terbaik dengan mencari nilai median dari piksel

dari level intensitas piksel tetangganya. Rumus median

filtering adalah seperti berikut

Nilai dari piksel pada (x, y) dan sekitarnya diurutkan dan

diambil nilai tengahnya. Median filtering sangat baik untuk

menghilangkan derau yang muncul pada titik random [11].

2.7 Ekstraksi Ciri Ekstraksi ciri merupakan sebuah usaha untuk

memperoleh data tertentu yang berada di dalam sebuah citra

berdasarkan parameter tertentu. Di dalam penelitian ini, ada

beberapa komponen yang akan diekstrak, yakni:

1. Luas area

Luas area merupakan jumlahan piksel penyusun objek

dari suatu citra yang membentuk sebuah luasan. Luas area

dapat menunjukkan ukuran dari objek seungguhnya [10].

Diketahui bahwa 1mm sebanding dengan 3,78 piksel dan

4

skala mikroskop yang digunakan yakni 1:500. Dengan

demikian berarti luasan 1mm panjang sesungguhnya akan

merepresentasikan 2µm. Kemudian jika kita ambil contoh

diameter neutrofil 12µm, maka jika dikonversi dalam

piksel akan menjadi 22,68 piksel. Maka luasan rata-rata

neutrofil sebesar 403,99 piksel. Sedangkan di dalam

sistem, luas dapat dihitung berdasarkan jumlah piksel

tertentu hasil segementasi. Perhitungan luas area citra

dapat divisualisasikan sebagai berikut.

Gambar 6. Visualisasi perhitungan luas citra

2. Tepi area

Tepi area atau perimeter merupakan bagian terluar dari

suatu objek citra yang berada tepat di sebelah latar

belakang citra. Tepi area dapat dicari dengan menghitung

banyaknya piksel yang berada pada perbatasan objek

tersebut [10].

3. Kebundaran

Kebundaran atau circularity merupakan ukuran dari

tingkat kelengkungan objek hingga membentuk sebuah

lingkaran.

A adalah luas area dan p adalah perimeter atau tepi area.

Objek yang memiliki bentuk bundar sempurna bernilai

penuh (satu). Sedangkan untuk objek yang tidak memiliki

kebundaran sempurna bernilai kurang dari satu [13].

4. Rasio Nukleus

Rasio nukleus merupakan nilai yang didapatkan dari

perhitungan luas area nukleus dibagi dengan luas area sel.

[14].

2.8 Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau sering dikenal dengan

artificial neural network merupakan salah satu representasi

buatan dari otak manusia yang selalu mencoba

mensimulasikan proses pembelajaran pada otak tersebut.

Istilah “buatan” disini digunakan karena jaringan syaraf ini

diimplementasikan dengan menggunakan pemrograman

komputer yang mampu menyelesaikan sejumlah proses

perhitungan selama proses pembelajaran [15].

2.9 Fungsi Aktifasi Sigmoid Biner Fungsi sigmoid sangat identik dengan pelatihan jaringan

syaraf tiruan dengan metode backpropagation. Fungsi sigmoid

biner memiliki nilai pada range 0 sampai 1. Oleh karena itu

fungsi ini sering digunakan untuk jaringan syaraf yang

membutuhkan nilai output yang terletak pada interval 0

sampai 1 [15].

Fungsi sigmoid biner dirumuskan sebagai

Dengan nilai turunan dari f(x) adalah

2.10 Algoritma Momentum Backpropagation Algoritma momentum backpropagation merupakan

pengembangan dari algoritma backpropagation standar

dimana dalam pembelajarannya menggunakan momentum

yang nilai konstanta momentum memiliki rentang antara 0

sampai 1 [15].

Algoritma momentum backpropagation memiliki

kesamaan langkah dengan algoritma backpropagation standar

tetapi berbeda pada saat umpan mundur (backward

propagation).

Gambar 7. Algoritma backpropagation dengan satu

hidden layer

Berikut adalah algoritma momentum backpropagation

[15].

Langkah 1 : Inisialisasi bobot (ambil bobot awal dengan

nilai random yang cukup kecil), Epoh = 1 dan

MSE = 1.

Langkah 2 : Tentukan Maksimum Epoh, Learning Rate (α),

dan Target Error.

Langkah 3 : Lakukan langkah ke-4 sampai 12 berikut selama

(Epoh < maksimum epoh) dan (MSE > Target

Error).

Langkah 4 : Epoh = Epoh + 1.

Umpan Maju (Feedforward)

Langkah 5 : Tiap-tiap unit input (Xi, i=1,2,3,..,n) menerima

sinyal Xi dan meneruskan sinyal tersebut ke

semua unit pada lapisan yang ada di atasnya.

(lapisan tersembunyi).

Langkah 6 : Tiap-tiap unit pada lapisan tersembunyi (Zj,

i=1,2,3,..,p) menjumlahkan sinyal-sinyal input

berbobot.

Lalu gunakan fungsi aktivasi untuk menghitung

sinyal outputnya.

Dan kirimkan sinyal-sinyal tersebut ke semua

unit di lapisan atasnya (lapisan output).

Langkah 6 dilakukan sebanyak jumlah lapisan

tersembunyi.

Langkah 7 : Tiap-tiap unit output (Yk, k=1,2,3,..,m)

menjumlahkan sinyal-sinyal input berbobot.

Lalu gunakan fungsi aktivasi untuk menghitung

sinyal outputnya.

Umpan Mundur (Momentum Backpropagation)

Langkah 8 : Tiap-tiap unit output (Yk, k=1,2,3,..,m)

menerima target pola yang berhubungan dengan

pola input pembelajaran. Hitung informasi

errornya:

=

Kemudian hitung koreksi bobot (yang nantinya

akan digunakan untuk memperbaiki nilai Wjk).

Hitung juga koreksi bias (yang nantinya akan

digunakan untuk memperbaiki nilai b2k).

Langkah 8 dilakukan sebanyak jumlah lapisan

5

tersembunyi, yaitu menghitung informasi error

dari suatu lapisan tersembunyi ke lapisan

tersembunyi sebelumnya.

Langkah 9 : Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..,p)

menjumlahkan delta input (dari unit-unit yang

berada pada lapisan di atasnya):

Kalikan nilai ini dengan turunan dari fungsi

aktivasi error.

=

Kemudian hitung koreksi bobot (yang nantinya

akan digunakan untuk memperbaiki nilai Vij).

Hitung juga koreksi bias (yang nantinya akan

digunakan untuk memperbaiki nilai b1j).

merupakan konstanta dari momentum dengan

rentang [0,1].

Perbaikan Bobot

Langkah 10 : Tiap-tiap unit output (Yk, k=1,2,3,..,m)

memperbaiki bias dan bobotnya (j=0,1,2,...,p):

Langkah 11 : Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..,p)

memperbaiki bias dan bobotnya (i=0,1,2,...,n):

Langkah 12 : Hitung nilai MSE.

3. METODE PENELITIAN

3.1 Studi Literatur Studi literatur dilakukan untuk memahami teori yang

berhubungan dengan penelitian secara umum, literatur tentang

pengolahan citra khususnya untuk segmentasi citra dengan

seed region growing dan jaringan syaraf tiruan dengan

menggunakan algoritma momentum backpropagation. Studi

literatur juga dilakukan terkait ciri khusus untuk masing-

masing jenis sel darah putih.

3.2 Pengumpulan Data Data yang dikumpulkan adalah file gambar mikroskopik

sel darah putih berformat JPG yang diperoleh dari kumpulan

data set penelitian milik dr. Fabio Scotti dari Department of

Information Technologies, University of Milan, Italia yang

terkait dengan jurnal penelitan pada deteksi penyakit Acute

Lymphoblastic Leukemia (ALL). Proses penentuan jenis sel

darah putih dibantu oleh dr. Ninik Yusida Sp.Pk dari

laboratorium patologi klinik Rumah Sakit Daerah

Karanganyar.

Tabel 2. Pembagian jumlah data pelatihan dan

pengujian sel darah putih

Neutrofil Eosinofil Basofil Limfosit Monosit

Latih Uji Latih Uji Latih Uji Latih Uji Latih Uji

23 12 15 5 12 3 44 20 17 5

Data yang didapatkan sebanyak 156 citra mikroskopik sel

darah putih dari keseluruhan jenis. Sebanyak 111 data

digunakan sebagai data pelatihan, sedangkan sisanya 45 data

digunakan sebagai data pengujian.

3.3 Implementasi Proses awal adalah akuisisi data citra mikroskopik

apusan sel darah. Proses segmentasi dengan seed region

growing, digunakan untuk mendapatkan citra sel darah putih

yang sesuai untuk diekstraksi ciri. Ekstraksi ciri akan

menghasilkan empat parameter input untuk pelatihan data

yakni luas area leukosit, tepi area atau perimeter, kebundaran,

dan rasio nukleus. Hasil ekstraksi ciri dari seluruh data citra

kemudian dimasukkan ke dalam tabel data pelatihan dan tabel

data pengujian. Proses pelatihan momentum backpropagation

dilakukan terlebih dahulu dengan menggunakan kelompok

data dari tabel pelatihan, baru kemudian diuji menggunakan

kelompok data data dari tabel pengujian. Setelah itu akan

didapatkan hasil klasifikasi berupa data yang menunjukkan

pembagian citra ke neutrofil, eosinofil, basofil, limfosit atau

monosit untuk dianalisa dan dievaluasi lebih lanjut.

Gambar 8. Diagram alir implementasi penelitian

3.3.1 Perancangan Metode Segmentasi Citra

Segmentasi citra sel darah putih dibagi menjadi dua

tahap, yakni segmentasi untuk area sel darah putih dan

segmentasi nukleus. Berikut adalah diagram alir segmentasi.

Gambar 9. Diagram alir implementasi penelitian

6

Proses segmentasi area sel darah putih ini meliputi

beberapa tujuan, antara lain.

1. Median Filtering untuk penghilangan derau

2. Pencarian titik dengan melalui pengambangan nilai

warna.

3. Penghilangan citra sel darah merah

4. Pencarian dan perhitungan luas leukosit.

5. Pencarian dan perhitungan tepi leukosit (perimeter).

6. Penggabungan proses segmentasi

Proses segmentasi citra nukleus dilakukan setelah proses

segmentasi area sel darah putih selesai. Berikut adalah

rancangan algoritma segmentasi nukleus.

Gambar 10. Diagram alir proses segmentasi nukleus

Area nukleus memiliki intensitas warna biru yang lebih

nampak daripada bagian sitoplasma dan sel darah merah yang

cenderung berwarna kemerahan. Maka dapat mudah dilakukan

segmentasi nukleus dengan thresholding warna merah. Setelah

didapatkan cetakan nukleus, dilakukan proses binerisasi untuk

mendapatkan citra biner.

Setelah proses penghapusan sel darah merah dan

sitoplasma, masih ada kemungkinan bahwa di dalam citra

yang diolah dalam citra biner terdapat area yang berisi sel

trombosit yang memiliki warna mirip dengan nukleus. Untuk

membersihkan area tersebut, dapat digunakan operasi opening

dan closing. Hasilnya kemudian dapat ditambahkan ke dalam

citra asli sel darah putih untuk mendapatkan citra nukleus.

3.3.2 Perancangan Metode Pelatihan dan Pengujian

Perancangan arsitektur pelatihan dengan momentum

backpropagation ini terdiri dari 4 buah neuron pada lapisan

input, sejumlah neuron pada sebuah lapisan tersembunyi, dan

5 neuron sebagai hasil klasifikasi pada lapisan output. Fungsi

aktivasi yang digunakan adalah sigmoid biner dengan

inisialisasi bobot random.

Implementasi dijalankan pada komputer dengan

spesifikasi sebagai berikut: processor intel core i5 2,3 GHz,

RAM 4Gb DDR3, HDD 640GB, Operating System Windows 7

64-bit. Parameter inputan terdiri dari empat neuron, yakni luas

area, tepi area (perimeter), kebundaran, rasio nukleus.

Sedangkan untuk hasilnya terdiri dari 5 neuron yakni basofil,

eosinofil, neutrofil, limfosit dan monosit yang merupakan

jenis sel darah putih. Proses pengujian pada klasifikasi ini

akan memilih sebuah neuron dengan nilai akurasi paling tinggi

sebagai hasilnya. Learning rate (α) yang digunakan yakni 0.1,

0.5, dan 0.9. Untuk jumlah neuron hidden layer (z) yang

digunakan yakni 4, 6 dan 8. Maksimum epoch (ε) akan

dilakukan sebesar 1000, 5000, dan 10000. Momentum ( )

yang digunakan yakni 0, 0.5, dan 0.9. Batas toleransi error

perubahan (ξ) yakni sebesar 0,000001.

Gambar 11. Arsitektur jaringan syaraf tiruan

3.3.3 Analisis Hasil dan Evaluasi

Analisis hasil dan evaluasi dilakukan dalam dua tahap.

Pengujian pertama yakni dengan memasukkan file citra ke

dalam aplikasi segmentasi untuk kemudian dianalisa hasil

pengolahan citra berdasarkan output segmentasi. Evaluasi

untuk proses segmentasi dilakukan dengan menghitung

akurasi jumlah data citra yang tersegmentasi benar.

Uji coba kedua dilakukan dengan memberikan masukkan

berupa data citra sel darah putih yang sebelumnya telah

dimasukkan ke dalam tabel data pelatihan dan data pengujian

untuk diklasifikasi. Evaluasi dilakukan sebanyak kombinasi

parameter yang digunakan dalam proses pelatihan, yakni

learning rate, jumlah neuron hidden layer, pelatihan, serta

momentum pada batas maksimum epoch berbeda yang

digunakan untuk menilai keoptimalan kombinasi parameter

tersebut berdasarkan waktu latih, MSE, serta memorisasi dan

generalisasi yang dihasilkan.

Pelatihan dan pengujian dilakukan dengan menggunakan

data citra dengan keseluruhan segmentasi data benar, yakni

data yang tepat berhasil proses segmentasi, yang digabungkan

dengan dengan data salah, yakni data yang mengalami

kesalahan nukleus saat segmentasi.

4. HASIL DAN PEMBAHASAN

4.1 Analisis Hasil Segmentasi dan Ekstraksi

Ciri Citra 4.1.1 Analisis Hasil Segmentasi Citra

Segmentasi citra sel darah putih dengan dilakukan pada

citra mikroskopik apusan sel darah putih berukuran 300x300

piksel. Segmentasi citra mempunyai parameter tersendiri yang

dapat disesuaikan dengan intensititas warna citra maupun

lokasi pengambilan seed yang beragam. Adapun nilai default

untuk citra sel darah putih yang berada pada kondisi baik

(citra tidak mengalami peningkatan kontras, tidak terdapat

penumpukan sel darah merah, citra tidak terdapat derau yang

tinggi) yakni toleransi RBC (red blood cell / sel darah merah)

sebesar 90, toleransi WBC (white blood cell / sel darah putih)

15, toleransi warna nukleus 128, ukuran strel untuk opening

7

dan closing nukleus berbentuk ball sebesar 4 piksel yang

dipilih berdasarkan trial-error untuk penghapusan trombosit

yang paling efektif, ambang warna merah antara nilai 139

sampai 150, nilai ambang warna hijau antara 94 sampai 115,

dan nilai ambang biru antara 127 sampai 137.

Hasil penelitian yang dilakukan menunjukkan bahwa dari

total 156 citra sel darah putih, diperoleh 151 data dapat

berhasil disegmentasi dengan baik, 2 data terjadi kesalahan

dalam segmentasi nukleus, sedangkan 3 data sisanya terdapat

kesalahan dalam segmentasi sitoplasma beserta nukleus yang

menyebabkan hasil segmentasi tidak dapat digunakan dalam

proses pelatihan selanjutnya. Dengan demikian, dari hasil

segmentasi citra didapatkan akurasi sebesar 96,795%. Rincian

hasil segmentasi ditunjukkan pada Tabel 3.

Tabel 3. Rincian hasil segmentasi citra sel darah putih.

Jenis Sel

Jumlah

Segmentasi

Berhasil

Jumlah

Segmentasi

Gagal

Jumlah

Seluruh

Sel

Neutrofil 35 0 35

Eosinofil 20 0 20

Basofil 15 0 15

Limfosit 61 3 64

Monosit 20 2 22

Total 151 5 156

Hasil segmentasi citra adalah representasi dari sel darah

putih yang telah dipisahkan dengan latar belakang citra dalam

format biner.

Tabel 4. Sampel hasil segmentasi citra sel darah putih.

Jenis Sel Citra Asli Citra Hasil

Segmentasi

Neutrofil

Eosinofil

Basofil

Limfosit

Monosit

Kesalahan yang terjadi di dalam proses segmentasi

diakibatkan oleh pemberian nilai parameter dalam rentang

yang tidak tepat sehingga mengakibatkan terjadinya

undergrowing maupun overgrowing. Undergrowing

merupakan kondisi dimana proses seed region growing hanya

mencakup sebagian area sitoplasma. Undergrowing dapat

terjadi apabila nilai parameter yang diberikan terlalu rendah.

Sedangkan overgrowing merupakan kebalikan dari

undergrowing, yakni kondisi dimana proses seed region

growing melebihi keseluruhan area. Overgrowing dapat terjadi

apabila nilai parameter terlalu tinggi. Untuk beberapa kasus,

dapat ditangani dengan menambahkan histogram equalization.

Citra yang tidak dapat disegmentasi dengan baik ada 5

buah. 3 citra berasal dari jenis limfosit, sedangkan 2 lainnya

berasal dari jenis monosit. Kesalahan yang terjadi pada sel

limfosit dikarenakan memiliki nilai warna yang kurang

kontras antara sitoplasma dengan background maupun antara

nukleus dengan sitoplasma. Kedekatan nilai ambang warna

ini akan mengakibatkan undergrowing apabila parameter yang

diberikan terlalu kecil. Sedangkan apabila nilainya dinaikkan

sedikit saja akan mengakibatkan overgrowing.

Kesalahan terjadi pada citra monosit dikarenakan citra

memiliki nukleus yang tepat bersebelahan dengan sel darah

merah. Meskipun sel darah merah merah dapat dihapus pada

saat proses segmentasi, namun seed region growing tidak

dapat menyebar secara merata ke seluruh sitoplasma

dikarenakan nukleus yang berada pada tepi sel menghalangi

proses region growing secara menyeluruh.

Tabel 5. Hasil segmentasi gagal sel darah putih.

Nama

Citra Citra Asli

Citra Hasil

Segmentasi

Lim

(44).jpg

Lim

(53).jpg

Lim

(62).jpg

Mono

(16).jpg

Mono

(17).jpg

4.1.2 Analisis Hasil Ekstraksi Ciri Citra

Ekstraksi ciri dilakukan pada 151 citra berhasil dan 2

citra yang hanya mengalami kesalahan nukleus, yakni citra

“lim (44).jpg” dan “lim (53).jpg”. Hal ini dilakukan untuk

membuat sistem menjadi semakin realistis dalam menerima

toleransi kesalahan ketika diimplementasikan lebih lanjut.

Seperti yang telah dikemukakan pada bagian pembahasan,

bahwa perhitungan ekstraksi ciri akan menghasilkan empat

buah parameter yang akan menjadi input dalam proses

pelatihan, yaitu luasan, tepi, kebundaran dan rasio nukleus.

Tiga citra lainnya tidak dimungkinkan untuk diekstraksi

karena kesalahan overgrowing yang tidak dapat ditangani.

Dengan demikian citra yang digunakan untuk pelatihan

berkurang menjadi 108 citra dan 45 citra untuk pengujian.

Total citra yang diekstraksi ciri sejumlah 153 data citra.

Hasil ekstraksi ciri menunjukkan bahwa neutrofil dan

eosinofil memiliki kedekatan ciri. Kedua jenis sel tersebut

menghasilkan rata-rata nilai dari empat parameter yang tidak

jauh berbeda. Meskipun sel jenis basofil juga menghasilkan

rata-rata nilai yang hampir sama dengan neutrofil dan

eosinofil, namun basofil memiliki rata-rata rasio nukleus yang

lebih menonjol dibanding kedua sel tersebut. 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. Hasil perolehan data ekstraksi ciri

disajikan pada Tabel 6.

8

Tabel 6. Hasil perolehan data ekstraksi ciri Jenis

Para meter

Neutro

fil

Eosino

fil Basofil

Limfo

sit

Monos

it

Luas

(Piksel)

a 26405,6

57 25716,7

23947,5

33

14824,9

05

37904

,55

b 39684 34028 47640 26116 50031

c 15921 17992 14939 7287 17727

Tepi

(Piksel)

a 677,171 687,4 689,667 447,794 872,1

5

b 894 859 815 762 310

c 454 549 577 1173 493

Kebund

aran (Persen

0 -1)

a 0,74492

717

0,69287

734

0,62375

433

0,93003

357

0,644

470

b 0,970663

0,913462

0,999308

0,999972

0,952793

c 0,37144

6

0,51532

1

0,34390

7

0,54187

9

0,484

262

Rasio

Nukleus (Persen

0 -1)

a 0,37020693

0,39915039

0,75920750

0,77727982

0,533874

b 0,512146

0,473153

0,867243

0,984099

0,709539

c 0,267976

0,332649

0,614814

0,450579

0,344605

*Keterangan : a = nilai rata-rata

b = nilai maksimum

c = nilai minimum

Jika dilihat berdasarkan kondisi nyata di dalam tubuh

manusia, hasil ekstraksi pada masing-masing sel tersebut

sudah cukup mampu merepresentasikan bentuk identik sel.

Sebagai contoh, sel terbesar di dalam tubuh manusia adalah

monosit. Hasil ekstraksi ciri juga telah menunjukkan bahwa

rata-rata terbesar pada luas area yang merepresentasikan

ukuran sel dimiliki oleh citra monosit.

4.2 Analisa Hasil Pelatihan dan Pengujian 4.2.1. Pelatihan dan Pengujian pada 1000 epoch

Percobaan dilakukan dengan kombinasi pola yang telah

disebutkan pada poin 3.3.2 tentang perancangan pelatihan dan

pengujian data. Percobaan diawali dengan pelatihan pada

epoch 1000. Pelatihan secara keseluruhan berlangsung hingga

batas maksimum epoch kecuali pada neuron hidden layer 8,

learning rate 0,9, dan momentum 0,9 karena pada pelatihan

tersebut ternyata menghasilkan nilai MSE yang mencapai

batas toleransi error. Hasil percobaan dengan batasan 1000

epoch ditunjukkan pada Tabel 7.

Tabel 7. Hasil Pelatihan pada 1000 Epoch

z α

MSE waktu status memori

sasi (%)

generalis

asi (%)

4

0,1

0 0,2071

0852 53,758 BK 62,037 66,667

0,5 0,1969

9759 52,958

BK 61,111 66,667

0,9 0,1933

697 49,761

BK 61,111 66,667

0,5

0 0,0070

1096 51,504

BK 80,556 82,222

0,5 0,01193004

52,413 BK

81,481 80

0,9 0,02519821

55,101 BK

81,481 80

0,9

0 0,0806058

63,055 BK

79,63 82,222

0,5 0,01519739

63,468 BK

78,704 82,222

0,9 0,0254

0345 64,316

BK 82,407 80

6 0,

1 0

0,2029

171 62,084

BK 61,111 66,667

0,5 0,1911

8709 65,015

BK 61,111 71,111

0,9 0,17018673

64,331 BK

64,815 71,111

0,5

0 0,01366637

64,924 BK

81,481 82,222

0,5 0,01394031

61,742 BK

80,556 82,222

0,9 0,01243991

62,627 BK

77,778 80

0,

9

0 0,0822

7191 64,345

BK 80,556 82,222

0,5 0,0461

0597 61,946

BK 80,556 82,222

0,9 0,0438

7103 69,46

BK 75,926 80

8

0,

1

0 0,2010

0541 63,174

BK 61,111 66,667

0,5 0,1745

6288 65,032

BK 62,963 71,111

0,9 0,0546

2598 60,847

BK 61,111 66,667

0,

5

0 0,0054

1752 60,669

BK 81,481 80

0,5 0,0141

9841 61,015

BK 75,926 80

0,9 0,01256291

66,768 BK

75 80

0,9

0 0,00122484

44,651 BK

80,556 77,778

0,5 0,02936638

64,912 BK

75,926 80

0,9 0,00000081

40,024 K 604

70,37 68,889

*Keterangan: BK = belum konvergen

K = konvergen

Tabel 7 menunjukkan bahwa rata-rata waktu yang

dibutuhkan untuk setiap proses pelatihan sebesar 59,626

detik. Rata-rata akurasi memorisasi yang dihasilkan sebesar

73,216% sedangkan untuk rata-rata generalisasi yang

dihasilkan sebesar 76,132%.

Dari segi akurasi, terlihat bahwa pelatihan menghasilkan

performa yang cukup baik pada learning rate 0,5 dan 0,9.

Akurasi memorisasi tertinggi yang diperoleh sebesar 82,407%

sedangkan untuk generalisasi tertinggi sebesar 82,222%.

Sedangkan untuk learning rate 0,1 juga masih memiliki

akurasi di bawah 70%. Untuk nilai memorisasi dan

generalisasi terendah yakni 61,111% dan 66,667%.

4.2.2 Pelatihan dan Pengujian pada 5000 epoch

Untuk meningkatkan performa akurasi, percobaan

dilakukan kembali pada epoch 5000.

Tabel 8. Hasil Pelatihan pada 5000 Epoch

z α

MSE waktu statu

s

memori

Sasi (%)

generalis

asi (%)

4

0,1

0 0,0179

6359

285,52

3

BK 81,481 80

0,5 0,0021566

252,971

BK 84,259 80

0,9 0,0180

39

258,23

7

BK 82,407 77,778

0,5

0 0,0294

7442

306,86

3

BK 83,333 80

0,5 0,00082834

329,763

BK 83,333 77,778

0,9 0,0317

1296

310,15

6

BK 80,556 80

0,9

0 0,0851

4456

258,60

3

BK 83,333 73,333

0,5 0,02810001

267,692

BK 83,333 80

9

0,9 0,0373

8687

310,01

4

BK 85,185 80

6

0,1

0 0,0154

9178 300,8

BK 80,556 80

0,5 0,01403283

305,169

BK 83,333 80

0,9 0,0050

2418

376,83

6

BK 83,333 82,222

0,5

0 0,0010

9029

307,79

8

BK 86,111 80

0,5 0,0000015

370,921

BK 84,259 77,778

0,9 0,0000

01

128,17

7

K

1622 82,407 77,778

0,9

0 0,0637

1682

214,34

4 BK 80,556 84,444

0,5 0,00000098

84,271 K 1275

78,704 71,111

0,9 0,0000

0098 79,822

K

1149 78,704 71,111

8

0,1

0 0,0189

3627

330,69

6

BK 82,407 80

0,5 0,022447635

387,873

BK 82,407 80

0,9 0,0128

0112

392,15

2

BK 82,407 80

0,5

0 0,0066

5625

288,04

2

BK 81,481 80

0,5 0,000001

224,389

K 3416

81,481 77,778

0,9 0,0000

0099

167,89

9

K

2640 81,481 84,444

0,9

0 0,0138

6873

268,69

5 BK 86,111 77,778

0,5 0,00000084

77,345 K 1498

80,556 80

0,9 0,0000

0081 40,024

K

604 70,37 68,889

*Keterangan: BK = belum konvergen

K = konvergen

Hasil percobaan mengalami peningkatan performa

akurasi yang cukup signifikan. Hal ini terlihat dari hasil

pelatihan yang menghasilkan akurasi lebih dari 80% kecuali

hanya pada kombinasi pola pelatihan terakhir. Akurasi

memorisasi tertinggi menjadi 86,111% dan akurasi

generalisasi tertinggi 84,444%, sedangkan pada neuron hidden

layer 8, momentum 0,9, dan learning rate 0,9 didapatkan

akurasi memorisasi minimum 70,37% dan generalisasi sebesar

68,889%.

Rata-rata akurasi memorisasi yang dihasilkan sebesar

81,996% sedangkan untuk rata-rata generalisasi yang

dihasilkan sebesar 78,601% dengan waktu rata-rata pelatihan

sebesar 256,484 detik atau sekitar kurang lebih lima kali lebih

lama dari percobaan sebelumnya. Hal ini sebanding dengan

peningkatan epoch sebesar lima kali lipat.

Meskipun nilai MSE sudah mengalami penurunan,

sebagian besar percobaan masih berlangsung hingga batas

maksimum epoch. Namun demikian pada percobaan pelatihan

terakhir mencapai nilai konvergen karena menghasilkan nilai

MSE yang telah mencapai batas toleransi error. Nilai

konvergensi dicapai terutama pada neuron hidden layer 6 dan

8 dan learning rate 0,5 dan 0,9.

4.2.3 Pelatihan dan Pengujian pada 10000 epoch

Percobaan kembali dilakukan dengan pola yang sama

pada batasan epoch 10000 untuk mengetahui tingkat performa

akurasi pelatihan.

Tabel 9 menunjukkan bahwa performa akurasi pelatihan

mengalami sedikit peningkatan dibandingkan dengan

percobaan sebelumnya. Beberapa hasil percobaan sudah

mencapai titik konvergensi meskipun belum semuanya.

Walaupun demikian, percobaan yang belum mencapai titik

konvergensi sudah mengalami penurunan nilai MSE.

Percobaan pada 10000 epoch menghasilkan waktu rata-

rata pelatihan sebesar 372,218 detik karena sebagian

percobaan sudah mengalami konvergensi. Waktu pelatihan

yang lebih rendah dihasilkan pada nilai konvergen yang

dicapai pada neuron hidden layer 4, 6 dan 8, learning rate 0,5

dan 0,9, terlebih untuk momentum 0,5 dan 0,9. Hasil

percobaan menunjukkan bahwa performa akurasi yang

didapat cukup stabil. Rata-rata akurasi memorisasi yang

dihasilkan menjadi lebih tinggi, yakni sebesar 84,739%

sedangkan untuk rata-rata generalisasi yang dihasilkan sedikit

menurun menjadi 78,024%.

Tabel 9. Hasil Pelatihan pada 10000 Epoch

z α

MSE waktu status memori

Sasi (%)

generali

sasi (%)

4

0,1

0 0,0016

5191

434,3

93

BK 85,185 80

0,5 0,0240

6322

525,1

81

BK 87,037 75,556

0,9 0,02798502

531,32

BK 86,111 77,778

0,5

0 0,0000

1126

475,6

76

BK 86,111 77,778

0,5 0,0000

01

384,4

16

K

(6587) 86,111 68,889

0,9 0,0000

0098

620,6

01

K

(9967) 84,259 80

0,9

0 0,01209546

468,125

BK 87,037 82,222

0,5 0,0000

01

388,6

68

K(617

5) 82,407 80

0,9 0,0000

0065

357,1

35

K

(5653) 83,333 77,778

6

0,1

0 0,0130

2835

523,6

18

BK 87,963 80

0,5 0,01691237

522,727

BK 87,037 82,222

0,9 0,0059

0456

535,5

98

BK 84,259 82,222

0,5

0 0,0375

9033

511,4

32

BK 87,963 80

0,5 0,0000

0094

272,2

85

K

(5271) 84,259 80

0,9 0,000001

128,177

K (1622)

82,407 77,778

0,9

0 0,0000

01

400,4

96

K

(6373) 87,963 77,778

0,5 0,0000

0098

84,27

1

K

(1275) 78,704 71,111

0,9 0,0000

0098

79,82

2

K

(1149) 78,704 71,111

8

0,1

0 0,00976238

542,558

BK 89,815 80

0,5 0,0118

7127

446,6

83

BK 89,815 77,778

0,9 0,0000

01

330,3

22

K

(6038) 87,963 71,111

0,5

0 0,0035

7879

601,5

37 BK 88,889 80

0,5 0,0000

01

224,3

89

K

(3416) 81,481 77,778

0,9 0,0000

0099

167,8

99

K

(2640) 81,481 84,444

0,9

0 0,0000

01

375,1

87

K

(8462) 90,741 84,444

0,5 0,0000

0084

77,34

5

K

(1498) 80,556 80

0,9 0,00000081

40,024

K (604)

70,37 68,889

*Keterangan: BK = belum konvergen

K = konvergen

10

Percobaan di atas menunjukkan peningkatan nilai akurasi

memorisasi tertinggi menjadi 90,741% sedangkan untuk

akurasi generalisasi tertinggi tetap 84,444%. Begitu juga

dengan akurasi memorisasi minimum yang masih berada pada

neuron hidden layer 8, momentum 0,9, dan learning rate 0,9

yakni 70,37% dan generalisasi minimum 68,889%.

4.2.4 Ringkasan Hasil Pelatihan dan Pengujian

Keseluruhan hasil pelatihan dan pengujian ini dapat

dibentuk ke dalam tabel grafik perubahan MSE agar lebih

jelas yang ditunjukkan pada Gambar 12, Gambar 13 dan

Gambar 14.

Gambar 12. Grafik MSE pada hidden layer 4 neuron

Gambar 13. Grafik MSE pada hidden layer 6 neuron

Gambar 14. Grafik MSE pada hidden layer 8 neuron

Dari hasil percobaan untuk pelatihan dan pengujian yang

telah dijabarkan di atas dapat diringkas bahwa peningkatan

jumlah neuron pada hidden layer tidak selalu meningkatkan

performa akurasi meskipun nilai konvergensi dapat dicapai

jika dikombinasikan dengan learning rate dan momentum

yang tinggi.

Kenaikan nilai learning rate dan momentum

menyebabkan peningkatan kecepatan pelatihan dalam

mencapai titik konvergensi, namun pemberian nilai yang

terlalu tinggi pada kedua parameter tersebut justru

menyebabkan penurunan akurasi. Hasil pelatihan dan

pengujian terbaik ada pada pola neuron hidden layer 8,

learning rate 0,9 dan momentum 0 yang dicapai pada batasan

10000 epoch yang sudah mencapai titik konvergensi. Hasil

akurasi memorisasi yang diraih oleh pola tersebut yakni

sebesar 90,741% dan akurasi generalisasi yang dicapai

sebesar 84,44%. Pelatihan kembali dilakukan sebanyak lima

kali untuk pola tersebut. Detail informasi hasil pengujian

dapat disajikan pada Tabel 10.

Tabel 10. Hasil pengujian lima kali pada

neuron hidden layer 8, learning rate 0,9 dan momentum 0

No MSE Waktu (dtk)

Memorisasi (%)

Generalisasi (%)

1. 0,000001 375,187 90,741 84,444

2. 0,000001 260,283 90,741 80

3. 0,000001 329,337 90,741 80

4. 0,000001 559,011 89,815 80

5. 0,000001 267,525 90,741 82,222

Berdasarkan pengujian sebanyak lima kali tersebut, dapat

diketahui bahwa hasil rata-rata memorisasi yang diperoleh

sebesar 90,556% sedangkan rata-rata generalisasi pola

tersebut sebesar 81,332%.

5. KESIMPULAN DAN SARAN

5.1. Kesimpulan Berdasarkan pada penelitian, hasil dan pembahasan yang

telah dipaparkan di atas, maka dapat ditarik kesimpulan

bahwa seed region growing segmentation dapat digunakan

untuk memisahkan citra sel darah putih dengan background.

Hal ini dibuktikan dengan hasil penelitian segmentasi citra

yang mendapatkan akurasi sebesar 96,795%. Rata-rata

kesalahan segmentasi citra terjadi akibat warna sitoplasma

yang memiliki intensitas hampir sama dengan background

maupun nukleus yang memiliki intensitas hampir sama

dengan sitoplasma. Sedangkan untuk ektraksi ciri citra dapat

dilakukan dengan baik dengan akurasi data sesuai dengan

hasil segmentasi di atas. Apabila proses segmentasi tidak

berhasil atau mengalami undergrowing maupun overgrowing,

data ekstraksi ciri tidak dapat digunakan.

Metode pelatihan momentum backpropagation dapat

digunakan untuk mempercepat konvergensi proses pengujian

data numerik hasil akuisisi citra sel darah putih. Namun

akurasinya tidak lebih baik dari standard backpropagation.

Hal ini dibuktikan dengan hasil penelitian yakni rata-rata

memorisasi mampu mengenali 90,556% dan generalisasi

mampu mengenali sebesar 81,332%. Kombinasi pola terbaik

ada pada learning rate 0.9, jumlah neuron hidden layer 8 dan

momentum 0.

5.2. Saran Saran yang dapat diberikan pada penulisan laporan

penelitian yang telah dijabarkan di atas antara lain yakni

dengan otomatisasi proses pencarian nilai ambang warna

untuk pemilihan seed melalui penentuan dan pelatihan nilai

warna default untuk masing – masing jenis sel darah putih.

Selain itu, penambahan parameter berupa channel warna juga

dapat dilakukan untuk memperkaya varian input jaringan

syaraf tiruan, dimana dalam proses segmentasi citra terdapat

kemungkinan pola sel darah putih dapat dibagi berdasarkan

ciri warna. Kemudian untuk membuat sistem aplikasi menjadi

lebih cerdas dan terstruktur, maka dapat dilakukan

penambahan jumlah data citra sel darah putih.

6. DAFTAR PUSTAKA

[1]. Wiyanti, A. 2013. Klasifikasi Komposisi Sel Darah

Putih Dengan Menggunakan Multilayer Perceptron

Network Clasification Of White Blood Cell's

11

Components With Multilayer Perceptron Network.

Jurnal Digilib ITS.

[2]. Junqueira, L.C., 2004. Histologi Dasar: Teks & Atlas.

(diterjemahkan oleh Tambayong, J.), edisi 20. Penerbit

Buku Kedokteran EGC, Jakarta.

[3]. Fifin, D. R. 2010. Pengenalan Pola Citra Dengan

Metode Ekstraksi Fitur Citra Leukosit. Jurnal

Pendidikan Fisika Indonesia 6 (2010) 133 – 137. ISSN:

1693-1246. Jurusan Fisika, Fakultas Matematika dan

Ilmu Pengetahuan Alam, Universitas Negeri Semarang,

Semarang, Indonesia, 50299.

[4]. Hiremath, P.S., Bannigidad, P., Geeta, S. 2010.

Automated Identification and Classification of White

Blood Cells (Leukocytes) in Digital Microscopic

Images. IJCA Special Issue on “Recent Trends in Image

Processing and Pattern Recognition” RTIPPR, 2010

Halaman 59. Dept. of Computer Science. Gulbarga

University. Gulbarga, Karnataka, India.

[5]. Ramirez-Cortes, J.M.1, Gomez-Gil, P.2, Alarcon-

Aquino, V.3, Gonzalez-Bernal, J.2, Garcia-Pedrero, A.2.

2011. Neural Networks and SVM-Based Classification

of Leukocytes Using the Morphological Pattern

Spectrum.1Department of Electronics. National Institute

of Astrophysics, Optics and Electronics. Luis Enrique

Erro No. 1 Tonantzintla, Puebla. 72840. Mexico,

2Department of Computational Science; National

Institute of Astrophysics, Optics and Electronics. Luis

Enrique Erro No. 1 Tonantzintla, Puebla. 72840.

Mexico, 3Department of Electronics and Computer

Science, University of the Americas, Puebla, Mexico.

Santa Catarina Martir, Cholula, Puebla, 72820. Mexico.

[6]. Burse K., Manoria M., Kirar, V.P.S. 2010. Improved

Back Propagation Algorithm to Avoid Local Minima in

Multiplicative Neuron Model. World Academy of

Science, Engineering and Technology 48 2010.

[7]. Pratama, J. 2012. Pengaruh Pemberian Asam Lemak

Trans Terhadap Jumlah Sel Darah Putih Tikus Sprague

Dawley. Laporan Hasil Penelitian Karya Tulis Ilmiah.

Program Pendidikan Sarjana Kedokteran. Fakultas

Kedokteran Universitas Diponegoro.

[8]. Madhloom, H.T.1, Kareem, S.A1, Ariffin, H2, Zaidan,

A.A.1, César 1. Alanazi, H.O.1, Zaidan, B.B.2. 2010. An

Automated White Blood Cell Nucleus Localization and

Segmentation using Image Arithmetic and Automatic

Threshold. Journal of Applied Sciences 10 (11): 959-

966, 2010. ISSN 1812-5654. 1Faculty of Computer

Science and Information Technology, University of

Malaya, Kuala Lumpur, 2Faculty of Medicine

University of Malaya, Kuala Lumpur, Malaysia.

[9]. Katz, A.R.J. 2000. Image Analysis and Supervised

Learning in the Automated Differentiation of White

Blood Cells from Microscopic Images. Department of

Computer Science. RMIT

[10]. Ahmad, U. 2005. Pengolahan Citra Digital. Yogyakarta

: Graha Ilmu

[11]. Gonzales, R.C., Woods, R.E. 2010. Digital Image

Processing – Third Edition. Prentice Hall. Upper Saddle

River, New Jersey, 07458.

[12]. Munir, R. 2006. Aplikasi Image Thresholding Untuk

Segmentasi Objek. Makalah I SNATI. Sekolah Teknik

Elektro dan Informatika, Institut Teknologi Bandung, Jl.

Ganesha 10 Bandung 40132.

[13]. Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta :

Penerbit Andi

[14]. Sholeh, F.I. 2013. Klasifikasi Sel Darah Putih

Menggunakan Jaringan Syaraf Tiruan. Jurusan Ilmu

Komputer. Fakultas Matematika dan Ilmu Pengetahuan

Alam. Universitas Gajah Mada

[15]. Kusumadewi, S. 2004. Membangun Jaringan Syaraf

Tiruan Menggunakan MATLAB & EXCEL LINK.

Yogyakarta : Graha Ilmu.