Pendahuluan

Sel darah putih (leukosit) dibagi menjadi lima jenis berdasarkan morfologinya

Neutrofil Eosinofil Basofil Limfosit Monosit

Pendahuluan

Selama ini proses klasifikasi sel darah putih hanya dilakukan secara manual melalui serangkaian uji laboratorium yang memakan waktu cukup lama.

Penelitian ini ditujukan khusus untuk membantu proses tahap awal klasifikasi jenis sel darah putih secara otomatis.

Penelitian Terkait

D.R. Fifin. (2010). Pengenalan Pola Citra Dengan Metode Ekstraksi Fitur Citra Leukosit• Pemanfaatan 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.

Hiremath, P.S., Parashuram Bannigidad, dan Sai Geeta. (2010). Automated Identification and Classification of White Blood Cells (Leukocytes) in Digital Microscopic Images• Mengidentifikasi dan mengklasifikasikan 3 jenis sel darah putih yaitu, limfosit, monosit

dan neutrofil• Menggunakan metode segmentasi berbasis warna dan fitur geometris diekstraksi untuk

setiap segmen

Ramirez-Cortes, J.M., Gomez-Gil, P., Alarcon-Aquino, V., Gonzalez-Bernal, J., Garcia-Pedrero, A. (2011). Neural Networks and SVM-Based Classification of Leukocytes Using the Morphological Pattern Spectrum. • Penerapan morfologi operator spectrum untuk proses ekstraksi dan klasifikasi

karakteristik leukosit. • Karakteristik dibagi menjadi komponen pola spectrum, daerah normal, dan rasio

nukleus • Pengujian 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.

Kavita Burse, Manish Manoria, Vishnu P. S. Kirar (2010). Improved Back Propagation Algorithm to Avoid Local Minima in Multiplicative Neuron Model.• Memodifikasi backpropagation secara adaptif dengan mengubah koefisien momentum

dan learning rate. • 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 backpropagasi standar

Penelitian Terkait

Kerangka Beripikir

Metode yang digunakan dalam penelitian tugas ini antara lain : • Metode segmentasi berbasis region dan warna yaitu seed region

growing segmentation yang digunakan untuk preprocessing citra.• Proses ekstraksi ciri untuk mendapatkan data numerik dari data

hasil pengolahan citra. • Metode momentum backpropagation dapat digunakan untuk

proses training dan testing data pada pengenalan pola.

Tujuan : • Memisahkan citra sel darah putih dari citra mikroskopik sel darah

dengan operasi pengolahan citra dan metode segmentasi seed region growing.

• Memperoleh data numerik dari citra sel darah putih melalui ekstraksi ciri untuk digunakan sebagai parameter input jaringan syaraf tiruan.

• Melakukan klasifikasi sel darah putih manusia ke dalam lima jenis, yakni neutrofil, eosinofil, basofil, limfosit, dan monosit dengan menggunakan jaringan syaraf tiruan backpropagation dengan momentum.

Manfaat : • Mempercepat kinerja para peneliti medis dalam melakukan

klasifikasi jenis sel darah putih melalui otomatisasi proses klasifikasi tahap awal.

• Akurasi dari perpaduan metode pengolahan citra dan jaringan syaraf tiruan dapat dimanfaatkan untuk mengurangi tingkat kesalahan dalam klasifikasi jenis sel darah putih.

Tujuan dan Manfaat

Sel Darah Putih (Leukosit) Sel darah putih merupakan komponen dalam darah yang berfungsi sebagai pembasmi bibit penyakit/bakteri yang masuk melalui darah manusia dan juga membawa zat lemak dari dinding usus melalui limpa terus ke pembuluh darah. Pada keadaan normal, darah manusia mengandung 4000 - 11.000 sel darah putih per mm3.

Landasan Teori

Jenis Jumlah / mm3 PresentaseNeutrofil 5000 60-70%

Eosinofil 150 2-4%

Basofil 30 0.5%

Limfosit 2400 28%

Monosit 350 5%

Landasan Teori

1. NeutrofilNeutrofil mempunyai inti sel seperti terpisah-pisah sekitar 2-5 lobus yang dihubungkan oleh benang kromatin halus. Sitoplasma terdapat bintik-bintik halus/granula. Diameternya sekitar 12-15 µm.

2. EosinofilUkuran dan bentuknya hampir sama dengan neutrofil tetapi granula dalam sitoplasmanya lebih besar. Ciri khas dari eosinofil adalah adanya granula yang berukuran besar dan lonjong yang dilapisi eosin. Ukurannya bervariasi antara 12-17 µm.

3. BasofilInti baofil terbagi dalam lobuli yang tidak teratur dan sering terhalangi granula spesifik di atasnya. Basofil berdiameter 12-15 µm.

4. Limfosit Limfosit memiliki bentuk bervariasi, yakni sekitar 6 µm - 18 µm. Di dalam sitoplasmanya terdapat granula dan intinya besar.

5. Monosit Monosit bersitoplasma lebar, warna biru sedikit abu-abu mempunyai bintik-bintik kemerahan. Inti selnya bulat atau panjang, warnanya lembayung muda.Ukurannya sekitar 12-20 µm.   

Landasan Teori

Seed Region Growing SegmentationMetode 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.

Landasan Teori

Operasi Morfologi - Erosi 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.

Landasan Teori

Operasi Morfologi – DilasiOperasi 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.

Landasan Teori

Operasi Morfologi – OpeningOperasi 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

Landasan Teori

Operasi Morfologi – ClosingOperasi closing merupakan kebalikan dari opening.

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.

Landasan Teori

Ekstraksi Ciri1. Luas areaLuas area merupakan jumlahan piksel penyusun objek dari suatu citra yang membentuk sebuah luasan. Luas area dapat menunjukkan ukuran dari objek seungguhnya. Luas area dihitung berdasarkan jumlah piksel warna putih hasil segmentasi2. Tepi areaTepi 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.3. KebundaranKebundaran atau circularity merupakan ukuran dari tingkat kelengkungan objek hingga membentuk sebuah lingkaran.

4. Rasio NukleusRasio nukleus merupakan nilai yang didapatkan dari perhitungan luas area nukleus dibagi dengan luas area sel.

Landasan Teori

Algoritma Momentum BackpropagationMomentum backpropagation merupakan pengembangan dari algoritma backpropagation standar dimana dalam pembelajarannya menggunakan momentum yang nilai konstanta momentum memiliki rentang antara 0 sampai 1.

 Momentum backpropagation memiliki perbedaan pada saat umpan mundur (backward propagation)

Studi LiteraturStudi literatur dilakukan untuk memahami teori yang berhubungan dengan penelitian secara umum, literatur tentang pengolahan citra dan jaringan syaraf tiruan. Studi literatur juga dilakukan terkait ciri khusus untuk masing-masing jenis sel darah putih.

Metode Penelitian

Metode Penelitian

Pengumpulan DataFile gambar mikroskopik sel darah putih berformat JPG dari data set penelitian dr. Fabio Scotti dari University of Milan, Italia.

Penentuan jenis sel darah putih dibantu oleh dr. Ninik Yusida Sp.Pk dari laboratorium patologi klinik Rumah Sakit Daerah Karanganyar.

Total data : 156 citra Data Pelatihan : 111 citra Data Pengujian : 45 citra  

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

Metode Penelitian

Implementasi Penelitian

Metode Penelitian

Perancangan MetodeSegmentasi Citra Sitoplasma

Metode Penelitian

Perancangan MetodeSegmentasi Citra Nukleus

Metode Penelitian

Perancangan MetodePelatihan dan Pengujian

Kombinasi polaLearning rate (α) 0.1, 0.5, 0.9

neuron hidden layer (z) 4, 6, 8

Maksimum epoch (ε) 1000, 5000, 10000.

Momentum ()0, 0.5, 0.9.

Toleransi error perubahan (ξ) 0,000001.

Metode Penelitian

Analisis hasil dan evaluasi Analisa pertama : Segmentasi citra sel darah putih Evaluasi pertama : Menghitung akurasi jumlah data citra yang tersegmentasi benar. 

 Analisa kedua : Pelatihan dan pengujian JST menggunakan data hasil ekstraksi ciri Evaluasi kedua : Menilai keoptimalan kombinasi parameter tersebut berdasarkan waktu latih, MSE, serta memorisasi dan generalisasi yang dihasilkan. 

 

 

Kriteria segmentasi • Ukuran citra 300x300 piksel. • Citra sel darah putih yang berada pada kondisi baik (citra tidak mengalami 

peningkatan kontras, tidak terdapat penumpukan sel darah, citra tidak terdapat derau yang tinggi)

• Mempunyai parameter yang dapat disesuaikan dengan intensititas warna citra maupun lokasi pengambilan seed yang beragam.

Nilai default toleransi RBC  : 90toleransi WBC  : 15toleransi nukleus : 128ukuran strel  : 4 pikselambang merah  : 139 -150ambang hijau  : 94 -115ambang biru  : 127 -137 

Analisis Hasil Segmentasi Citra

Analisis Hasil Segmentasi Citra

Hasil SegmentasiSegmentasi berhasil / baik : 151 citraSegmentasi kurang baik : 2 citra Segmentasi gagal (rusak) :

3 citra

Total : 156 citra Akurasi segmentasi : 96,795%.

Jenis SelJumlah

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

Analisis Hasil Segmentasi Citra

Sampel Hasil Segmentasi Berhasil

Jenis Sel Neutrofil Eosinofil Basofil Limfosi

t Monosit

Citra Asli

Citra Hasil

Analisis Hasil Segmentasi Citra

Analisa Kesalahan Segmentasi

Undergrowing • kondisi dimana proses seed region growing hanya mencakup

sebagian area sitoplasma. • dapat terjadi apabila nilai parameter yang diberikan terlalu rendah.

Overgrowing • kondisi dimana proses seed region growing melebihi keseluruhan

area sel. • dapat terjadi apabila nilai parameter yang terlalu tinggi

Analisis Hasil Segmentasi Citra

Hasil Segmentasi Kurang Berhasil / Gagal

NamaCitra

Lim (44).jpg Lim (53).jpg

Lim (62).jpg

Mono (16).jpg

Mono (17).jpg

Citra Asli

Citra Hasil

Analisis Hasil Segmentasi Citra

Hasil Ekstraksi Ciri

JenisParameter Neutrofil Eosinofil Basofil Limfosit Monosit

Luas (piksel)

Rata-rata 26405,657 25716,7 23947,533 14824,905 37904,55

Maksimum 39684 34028 47640 26116 50031

Minimum 15921 17992 14939 7287 17727

Tepi (piksel)

Rata-rata 677,171 687,4 689,667 447,794 872,15

Maksimum 894 859 815 762 310

Minimum 454 549 577 1173 493

Kebundaran (rentang 0-1)

Rata-rata 0,7449271 0,6928773 0,6237543 0,93003357 0,644470

Maksimum 0,970663 0,913462 0,999308 0,999972 0,952793

Minimum 0,371446 0,515321 0,343907 0,541879 0,484262

Rasio Nukleus

(rentang 0-1)

Rata-rata 0,37020693 0,39915039 0,75920750 0,77727982 0,533874

Maksimum 0,512146 0,473153 0,867243 0,984099 0,709539

Minimum 0,267976 0,332649 0,614814 0,450579 0,344605

Data citra yang diekstrak : 153

Analisis Hasil Pelatihan dan PengujianHasil Pelatihan dan Pengujian JST

1000 epoch• Rata-rata waktu : 59,626 detik• Rata-rata memorisasi : 73,216%• Rata-rata generalisasi : 76,132%

5000 epoch• Rata-rata waktu : 256,484 detik• Rata-rata memorisasi : 81,996%• Rata-rata generalisasi : 78,601%

10000 epoch• Rata-rata waktu : 372,218 detik• Rata-rata memorisasi : 84,739%• Rata-rata generalisasi : 78,024%.

Pola optimum :z = 8         α = 0,9       = 0 Memorisasi : 90,556%.Generalisasi : 81,332%.

Kesimpulan

• Seed region growing segmentation dapat memisahkan citra sel darah putih dengan background. Hasil penelitian segmentasi citra mendapatkan akurasi sebesar 96,795%.

• Ektraksi ciri citra dapat dilakukan dengan baik dengan akurasi data sesuai dengan hasil segmentasi.

• Momentum backpropagation dapat digunakan untuk proses pengujian data numerik hasil ekstraksi ciri citra sel darah putih. Hasil rata-rata memorisasi mampu mengenali 90,556% dan rata-rata generalisasi mampu mengenali maksimal 81,332%.

Saran

• Otomatisasi pencarian nilai ambang warna untuk pemilihan seed melalui penentuan dan pelatihan nilai warna default untuk masing – masing jenis sel darah putih.

• Penambahan parameter berupa channel warna dimana terdapat kemungkinan pola sel darah putih dapat dibagi berdasarkan ciri warna.

• Penambahan jumlah data pelatihan dan pengujian agar dapat membuat sistem aplikasi menjadi lebih cerdas dan terstruktur.

Seminar Penelitian

PEMANFAATAN SEED REGION GROWING SEGMENTATION DAN MOMENTUM

BACKPROPAGATION NEURAL NETWORK UNTUK KLASIFIKASI SEL DARAH PUTIH

Author 1

Nurcahya Pradana Taufik PrakisyaNIM. m0509051

Author 2

Esti Suryani, S.Si., M.Kom.NIP. 19761129 200812 2 001

Author 3

Wiharto, S.T., M.Kom. NIP. 19750210 200801 1 005

Instansi

Universitas Sebelas Maret SurakartaRiset Group

Ilmu Rekayasa dan Komputasi