.... (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 :
w
1
x
1
+w
2
x
2
+ b > .... (2.3)
Garis pemisah antar daerah negatif dengan daerah
nol memilki pertidaksamaan :
w
1
x
1
+w
2
x
2
+ b < - .... (2.4)
Gambar 4 Perceptron sebagai kosep dasar jaringan saraf
tiruan
w
1
w
n
w
2
w
m
x
2
x
n
x
1
Fungsi
aktivasi
Fungsi
jumlah
bobot
Threshold/
bias
1
Akromia
Sentral
Akromia
Sentral
Secara sistematis pemrosesan informasi pada
Perceptron dirumuskan oleh persamaan fungsi jumlah dan
persamaan fungsi aktivasi step bipolar:
j
n
i
i
w x y
1
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. 5
th
edition.
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