Implementasi Learning Vector Quantization untuk Klasifikasi Citra Sel Darah Putih
Sel darah putih merupakan salah satu komponen darah yang memiliki beberapa
jenis sel. Sel darah putih dapat terdiri dari lima jenis sel, yaitu basophil, eosinophil,
lymphocyte, monocyte, dan neutrophil. Jenis-jenis sel darah putih tersebut dapat
dilakukan klasifikasi untuk keperluan medis seperti diagnosis penyakit. Namun, untuk
melakukan klasifikasi tersebut diperlukan waktu dan keahlian khusus. Untuk
melakukan klasifikasi sel darah putih dapat memanfaatkan metode pengolahan citra
dan juga metode klasifikasi yang sudah ada. Terdapat beberapa penelitian sebelumnya
yang membahas tentang klasifikasi citra dengan menggunakan metode penelitian yang
sangat beragam. Oleh karena itu, penelitian pada bidang ini dapat dilakukan kembali
dengan menggunakan metode berbeda untuk melihat seberapa baik nilai akurasi yang
dapat dihasilkan. Pada penelitian ini digunakan metode learning vector quantization
sebagai metode klasifikasi. Metode learning vector quantization digunakan karena
metode ini cocok untuk pengolahan citra dengan kelas yang banyak. Metode
pengolahan citra juga digunakan seperti color balancing, color space processing,
arithmetic operation, median filtering, otsu thresholding, morphology operation
(opening dan closing), dan segmentation. Metode pengolahan tersebut akan
menghasilkan citra tersegmentasi yang akan diektraksi fiturnya. Fitur citra yang
digunakan pada penelitian ini berjumlah 16 fitur baik fitur bentuk dan warna. Enam
belas fitur tersebut yaitu area nucleus, perimeter nucleus, circularity nucleus, rasio
nucleus, nucleus mean red, nucleus mean green, nucleus mean blue, nucleus standard
deviation red, nucleus standard deviation green, nucleus standard deviation blue, roc
mean red, roc mean green, roc mean blue, roc standard deviation red, roc standard
deviation green, dan roc standard deviation blue. Fitur tersebut yang akan menjadi
masukan pada pelatihan dan pengujian dengan metode learning vector quantization.
Hasil dari penelitian ini menunjukkan bahwa metode learning vector quantization
mampu mendapatkan nilai akurasi sebesar 91%, presisi 91,84%, recall 91%, dan nilai
f1 91,16%. Dengan nilai parameter berikut learning rate 0,1, decrease learning rate
0,2, minimum learning rate 0,000001, dan maximum epoch 22. Dari hasil nilai
pengujian klasifikasi tersebut dapat disimpulkan bahwa metode learning vector
quantization mampu mengklasifikasikan citra sel darah putih dengan baik.
URI
https://repo.itera.ac.id/depan/submission/SB2301170095
Keyword