KLASIFIKASI JENIS SEL DARAH PUTIH MENGGUNAKAN METODE K-NEAREST NEIGHBORS BERDASARKAN EKSTRAKSI FITUR GLCM DAN HSV

Nafiah, Nur Rosydatun (2024) KLASIFIKASI JENIS SEL DARAH PUTIH MENGGUNAKAN METODE K-NEAREST NEIGHBORS BERDASARKAN EKSTRAKSI FITUR GLCM DAN HSV. Other thesis, UPN "Veteran" Yogyakarta.

	Text TA_123200001.pdf Restricted to Repository staff only Download (3MB)
	Text ABSTRAK_123200001.pdf Download (51kB)
	Text COVER_123200001.pdf Download (203kB)
	Text PENGESAHAN PEMBIMBING_123200001.pdf Download (438kB)
	Text PENGESAHAN PENGUJI_123200001.pdf Download (488kB)
	Text DAFTAR ISI_123200001.pdf Download (81kB)
	Text DAFTAR PUSTAKA_123200001.pdf Download (128kB)

Abstract

Proses klasifikasi sel darah putih dalam laboratorium hematologi konvensional
membutuhkan peralatan yang mahal dan kalibrasi yang tepat. Hal ini dapat disederhanakan
dengan penggunaan teknik pengolahan citra untuk membangun sistem otomatis yang efisien
dalam mengklasifikasikan sel darah putih. Penelitian ini menggabungkan metode K-Nearest
Neighbors (KNN) dengan ekstraksi fitur tekstur menggunakan Gray-Level Co-occurrence
Matrix (GLCM) dan fitur warna menggunakan model Hue, Saturation, Value (HSV) untuk
mengetahui akurasi klasifikasi sel darah putih. KNN dipilih karena keunggulannya dalam
kecepatan pelatihan dan efektivitasnya terhadap data yang besar dan bising.
Metode penelitian ini melibatkan beberapa tahap, dimulai dari preprocessing citra
mikroskopis dengan peningkatan kecerahan sebesar 30% dan segmentasi menggunakan
metode Otsu thresholding. Selanjutnya, dilakukan ekstraksi fitur tekstur menggunakan
GLCM jarak 1 dan sudut 0°, 45°, 90° dan 135° dengan parameter ASM, Energy, Contrast,
Correlation, Homogeneity, dan Dissimilarity , serta fitur warna menggunakan rata-rata HSV.
Data yang digunakan terdiri dari 5.000 citra yang diambil dari dataset besar dengan total
17.092 gambar sel darah putih. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk
pengujian. Model KNN kemudian diterapkan dengan berbagai skenario nilai K untuk
menemukan model terbaik. Proses pelatihan dan pengujian dilakukan secara berulang untuk
memastikan keakuratan hasil yang didapat.
Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan sel
darah putih dengan akurasi training terbaik sebesar 94% pada nilai K optimal yaitu 5
menggunakan kombinasi fitur warna HSV dan fitur tekstur GLCM (ASM, Energy, Contrast,
Correlation, Homogeneity, dan Dissimilarity) dan dalam pengujian juga memberikan hasil
yang signifikan dengan akurasi, precision, recall, dan f1-score, masing-masing sebesar
93,50%, 93,69%, 93,50%, dan 93,51%. Hasil ini lebih baik dibandingkan dengan
penggunaan fitur tunggal, dimana akurasi training terendah sebesar 84,95% dicapai dengan
menggunakan fitur rata-rata HSV saja. Penelitian ini memberikan kontribusi penting dalam
bidang klasifikasi sel darah putih dengan menawarkan metode yang lebih sederhana dan
efektif untuk digunakan dalam laboratorium hematologi. Dengan demikian, sistem yang
dikembangkan dapat membantu tenaga medis dalam mendiagnosis berbagai jenis penyakit
secara lebih cepat dan akurat, serta mengurangi biaya operasional laboratorium secara
signifikan.
Kata kunci: Klasifikasi sel darah putih, K-Nearest Neighbor, GLCM, HSV, Pengolahan
citra.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi sel darah putih, K-Nearest Neighbor, GLCM, HSV, Pengolahan citra
Subjects:	Q Science > QM Human anatomy
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	28 Aug 2024 01:23
Last Modified:	28 Aug 2024 01:23
URI:	http://eprints.upnyk.ac.id/id/eprint/40841

Actions (login required)

View Item