klasifikasi kelainan bentuk sel darah merah menggunakan radial

KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH
MENGGUNAKAN RADIAL BASIS FUNCTION
NETWORK
ANITA RATNA SARI
111402103
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH
MENGGUNAKAN RADIAL BASIS FUNCTION
NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
ANITA RATNA SARI
111402103
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
iii
PERSETUJUAN
Judul
: KLASIFIKASI KELAINAN BENTUK SEL DARAH
MERAH
MENGGUNAKAN
RADIAL
BASIS
FUNCTION NETWORK
Kategori
: SKRIPSI
Nama
: Anita Ratna Sari
Nomor Induk Mahasiswa
: 111402103
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas
: ILMU
KOMPUTER
DAN
TEKNOLOGI
INFORMASIUNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Romi Fadillah Rahmat B.Comp.Sc.,M.Sc
M. Fadly Syahputra, B.Sc.,M.Sc.,IT
NIP. 19860303 201012 1 004
NIP. 19830129 200912 1 003
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
iv
PERNYATAAN
KLASIFIKASI KELAINAN BENTUK SEL DARAH MERAH MENGGUNAKAN
RADIAL BASIS FUNCTION NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 18 Mei 2016
Anita Ratna Sari
111402103
Universitas Sumatera Utara
v
UCAPAN TERIMA KASIH
Puji dan Syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa yang telah
memberikan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini.
Penulis mengucapkan banyak terima kasih kepada Bapak
SM. Fadly
Syahputra, B.Sc.,M.Sc.,IT dan Bapak Romi Fadillah Rahmat B.Comp.Sc.,M.Sc,
selaku pembimbing 1 dan pembimbing 2 yang telah banyak memberikan bimbingan,
arahan, motivasi dan membantu penulis dalam penyusunan dan penulisan skripsi ini.
BapakDedy Arisandi, ST., M.Kom dan Bapak Dr. Sawaluddin, M.IT sebagai tim
pembanding, atas segala kritik dan saran dalam penyempurnaan penulisan skripsi ini.
Terima kasih
kepada Ketua dan Sekretaris program studi Teknologi Informasi, Dekan dan
Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Bapak dan Ibu
dosen yang telah memberikan ilmu yang bermanfaat bagi penulis serta seluruh staf TU
(Tata Usaha) program studi Teknologi Informasi yang telah banyak membantu dalam
segala kegiatan administrasi penulis.
Terima kasih kepada orang tua tercinta, Ayahanda Suwanto dan Ibunda Ana
yang selalu mendoakan, sabar dan senantiasa memberikan kasih sayang dan dukungan
yang penuh kepada penulis. Adik-adik penulis, Ayu Wulandary dan Yenny Indah Sari
serta keluarga besar penulis yang selalu memberikan semangat kepada penulis.
Terima kasih untuk sahabat penulis Fitrianingsih Sipahutar, Herimelda
Hutagaol, Susi Elfrida Simanjuntak, Ade Oktariani, Nisva Elvira Lubis, dan PB-TI’11
USU yang tiada henti memberikan semangat, dukungan dan doa, terkhusus untuk
Doni Aldo Samuel Siahaan yang selalu memberikan semangat, membantu penulis,
setia dan sabar menemani penulis dalam penyelesaian skripsi ini. Abang-abang,
kakak-kakak, adik-adik, dan teman-teman program studi Teknologi Informasi
angkatan 2011 yang tidak dapat penulis cantumkan satu per satu atas segala dukungan
dan kebersamaannya selama melewati perkuliahan di Teknologi Informasi USU ini.
Universitas Sumatera Utara
vi
ABSTRAK
Dalam mendiagnosis suatu penyakit, selain pemeriksaan secara fisik, analisis
darah merupakan metode yang bisa diandalkan, karena darah memiliki komponen
yang banyak mengandung informasi penting. Pemeriksaan morfologi apusan darah
tepi merupakan salah satu pemeriksaan laboratorium yang sangat penting dan
harus dieavulasi dengan baik. Namun, analisis sel darah merah yang mengalami
kelainan bentuk yang dilakukan oleh seorang analis kesehatan tidak selalu sama
dengan analis yang lain dikarenakan kurangnya faktor ketelitian, konsentrasi, dan
pengetahuan yang kurang memadai. Selain itu, pemeriksaan morfologi apusan
darah tepi masih dilakukan secara manual oleh para analis kesehatan yang dinilai
kurang efisien karena membutuhkan waktu yang banyak. Untuk mengatasi
masalah tersebut, dibutuhkan metode untuk mengklasifikasi jenis sel darah merah
yang mengalami kelainan bentuk akibat dari adanya suatu penyakit. Pada
penelitian ini, digunakan metode radial basis function networksebagai metode
untuk klasifikasi jenis sel darah merah yang tidak normal. Tahap-tahap yang
dilakukan sebelum proses klasifikasi adalah input citra, pra-pengolahan, ekstraksi
fitur menggunakan canny edge detection. Hasil penelitian menunjukkan bahwa
metode yang digunakan mampu melakukan proses klasifikasi sel darah merah
yang tidak normal dengan akurasi sebesar 83,3%.
Kata kunci : radial basis function network, canny edge detection, klasifikasi sel
darah merah.
Universitas Sumatera Utara
vii
DEFORMITY OF RED BLOOD CELLS CLASSIFICATION USING RADIAL
BASIS FUNCTION NETWORK
ABSTRACT
Beside a physical examination, blood analysis is one of methods that can rely on in
diagnosing a disease, because blood has many components that contains important
information. Morphological examination of peripheral blood smear is a laboratory test
that is very important and should be evaluated well. However, analysis of malformed
red blood cells, performed by an analyst is not always same as other analysts due to
lack of precision, concentration, and inadequate knowledge.
In addition,
morphological examination of peripheral blood smear is still performed manually by
analysts and it is inefficient because it requires a lot of time. As a solution regarding
these problems, a method to classify types of deformity of red blood cells is required.
In this reasearch, radial basis function network was used as a classification method of
deformity of red blood cells. The steps taken before the classification were input the
image of deformity of red blood cells, pre-processing, and feature extraction using
canny edge detection. The result showed that the proposed method was able to
perform the classification of deformity of red blood cells achieved 83.3% accuracy.
Keyword : radial basis function neural network, canny edge detection, classification of
red blood cells.
Universitas Sumatera Utara
viii
DAFTAR ISI
Hal
PERSETUJUAN
ii
PERNYATAAN
iii
UCAPAN TERIMA KASIH
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
DAFTAR TABEL
viii
DAFTAR GAMBAR
ix
BAB 1
PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
2
1.3 Batasan Masalah
3
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Metode Penelitian
3
1.7 Sistematika Penulisan
4
BAB 2
BAB 3
LANDASAN TEORI
2.1 Sel Darah Merah
6
2.2 Pengolahan Citra Digital
7
2.3 Jaringan Saraf Tiruan
8
2.4 Radial Basis Function (RBFN)
10
2.5 Penelitian Terdahulu
12
ANALISIS DAN PERANCANGAN SISTEM
15
3.1 Identifikasi Masalah
15
3.2 Analisis Data
15
3.3 Analisis Sistem
15
3.3.1 Arsitektur Umum
16
3.3.2 Pra-Pengolahan
16
3.3.2.1.Proses Grayscaling
17
3.3.2.3. Proses Thresholding
18
Universitas Sumatera Utara
ix
BAB 4
3.3.3 Ekstraksi Fitur
19
3.3.4 Analisis Radial Basis Function Network (RBFN)
20
3.3.5 Proses Sistem
25
3.4 Perancangan Sistem
26
3.4.1 Halaman Awal
26
3.4.2 Halaman Citra Uji
29
IMPLEMENTASI DAN PENGUJIAN
31
4.1 Implementasi Sistem
31
4.1.1 Spesifikasi software dan hardware yang digunakan
31
4.1.2 Implementasi antarmuka sistem
31
4.1.2.1. Halaman Beranda
32
4.1.2.2. Halaman Data Latih
33
4.1.2.3. Halaman Data Uji
36
4.2 Pelatihan Citra
36
4.3 Pengujian Citra
37
KESIMPULAN DAN SARAN
42
5.1 Kesimpulan
42
5.2 Saran
42
DAFTAR PUSTAKA
43
BAB 5
Universitas Sumatera Utara
x
DAFTAR TABEL
Hal
Tabel 2.1 Penelitian Terdahulu
13
Tabel 2.2 XOR
20
Tabel 2.3 Nilai Fungsi Gaussian
21
Tabel 2.4 Perhitungan Output
23
Tabel 2.5 Hasil Pengujian Klasifikasi Kelainan Bentuk Sel Darah Merah
38
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hal
Gambar 2.1 Sel Darah Merah Normal
6
Gambar 2.2 Arsitektur Umum
11
Gambar 2.3 Gambar Kelainan Bentuk Sel Darah Merah
15
Gambar 2.4 Arsitektur Umum
16
Gambar 2.5 Representasi Piksel Sel Darah Merah
17
Gambar 2.6 Nilai Citra Grayscale Pada Tiap Piksel
18
Gambar 2.7 Citra Sel Darah Merah Hasil Grayscale
18
Gambar 2.8 Citra Sel Darah Merah Hasil Threshold
19
Gambar 2.9 Citra Sel Darah Merah Hasil Deteksi Tepi Canny
19
Gambar 2.10 Proses Sistem
25
Gambar 2.11 Halaman Awal
26
Gambar 2.12 Halaman Citra Latih
27
Gambar 2.13 Halaman Citra Uji
29
Gambar 2.14 Halaman Beranda
32
Gambar 2.15 Halaman Data Latih
33
Gambar 2.16 Tampilan Halaman Proses Data Latih
34
Gambar 2.17 Tampilan Halaman Proses Data Uji
35
Gambar 2.18 Tampilan Halaman Proses Data Uji (a,b)
36
Gambar 2.19 Tampilan Hasil Proses Klasifikasi
37
Gambar 2.20 Contoh Hasil Klasifikasi Citra
40
Gambar 2.21 Contoh Hasil Uji Klasifikasi Sel Darah Merah
41
Universitas Sumatera Utara