pemanfaatan seed region growing segmentation dan momentum backpropagation neural network untuk...
DESCRIPTION
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. Pelatihan dan pengujian dengan momentum backpropagation menghasilkan rata-rata akurasi memorisasi sebesar 83,333% dan generalisasi sebesar 81,776%.TRANSCRIPT
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