Inisialisasi Klaster Berbasis Varian Maksimum Ternomalisasi Pada Fuzzy C-Means Untuk Segmentasi Sel Darah Putih Pada Citra Mikroskopis Leukemia

., Sarimuddin (2016) Inisialisasi Klaster Berbasis Varian Maksimum Ternomalisasi Pada Fuzzy C-Means Untuk Segmentasi Sel Darah Putih Pada Citra Mikroskopis Leukemia. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5114201067-Master_Thesis.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Leukemia adalah salah satu jenis kanker darah yang dapat menyebabkan kematian. Penyakit ini ditandai dengan produksi sel darah putih berlebih yang menyebabkan fungsi normal darah menjadi terganggu. Untuk itu diperlukan deteksi dini penyakit ini yang salah satunya dengan menganalisis bentuk, populasi dan jenis sel darah putih pada citra mikroskopis sel darah. Segmentasi menjadi tahapan terpenting untuk mengidentifikasi jenis sel darah putih penyakit leukemia. Hanya saja perbedaan kondisi pada saat citra mikroskopis sel darah putih diamati seperti konsentrasi, suhu dan lama pewarnaan menyebabkan variasi pewarnaan (staining). Sel darah putih yang terdiri dari inti sel dan sitoplasma seringkali membentuk region dengan batasan yang tidak jelas sehingga sulit membedakan jenis penyakit leukemia. FCM (Fuzzy C-Means) merupakan satu dari sekian metode klaster yang mampu melakukan pemisahan inti sel dan sitoplasma terhadap background. Kelemahan dari FCM adalah pemilihan nilai inisialisasi secara acak yang memungkinkan terjebak pada lokal optima, sehingga dapat menyebabkan hasil segmentasi kurang akurat. Penelitian ini mengusulkan sebuah metode inisialiasi klaster berbasis varian maksimum ternormalisasi (IKVMT) pada Fuzzy C-Means (FCM) untuk segmentasi sel darah putih pada citra mikroskopis leukemia. IKVMT digunakan untuk inisialisasi klaster pada FCM berbasis varian maksimum dari dimensi fitur data point. Selanjutnya, FCM melakukan klasterisasi citra bedasarkan inisialisasi klaster IKVMT hingga diperoleh hasil klaster yang dapat memisahkan inti sel dan sitoplasma terhadap background citra. Dalam skenario ujicoba, dataset diperoleh dari berbagai sumber yang memiliki variasi warna beragam dengan total 35 citra sel darah putih. Dataset diolah berdasarkan metode yang diusulkan dengan menggunakan pendekatan relative foreground area error (RAE) dan misclassification error (ME) sebagai hasil evaluasi segmentasi citra. Berdasarkan pengujian metode usulan, diperoleh hasil segmentasi sel secara keseluruhan dengan rata-rata RAE mencapai 4,2807 dan ME mencapai 0,6081 sedangkan segmentasi inti sel dengan rata-rata untuk keseluruhan citra adalah RAE mencapai RAE 3,856, ME 0,53. Untuk efisiensi waktu eksekusi rata-rata metode usulan berkisar antara 12,30 detik. hasil ini menunjukkan bahwa metode akurat dan robust dan efisien terhadap masalah akibat variasi pewarnaan sebelum masuk ke tahapan klasifikasi. ===================================================================================================== Leukemia is a type of blood cancer that can cause death. This disease characterized by excessive production of white blood cells that cause impaired blood function. Early detection is needed by analyzing the shape, populations and types of white blood cells on microscopic images of blood cells. Segmentation becomes the most important stages to identify the type of leukemia. The differences of an observed microscopic image of white blood cells like concentration, temperature, and staining can cause variations in coloring (staining). White blood cells are made up of the nucleus and cytoplasm that usually be a region form with no clear boundaries, so difficult to distinguish between types of leukemia. FCM (Fuzzy C-Means) is one of several methods to cluster that capable to performing the separation of nucleus and the cytoplasm from the background. The weakness of the FCM is the selection of random initialization values that can be trapped in local optima, which can result inaccurate segmentation results. This study proposes a cluster initialization method based on normalized maximum variance (IKVMT) on Fuzzy C-Means (FCM) for segmentation of white blood cells in the microscopic image of leukemia. IKVMT used to initialize the FCM-based cluster at the maximum variant of dimensional data feature point. Furthermore, FCM clustering the image based on IKVMT to obtain results that can separate the nucleus and the cytoplasm from the background image. In the test scenario, the dataset was obtained from various sources which have a variety of color variations with a total 35 images of white blood cells. Dataset processed by the proposed method using foreground area relative error (RAE) and the misclassification error (ME) as a result of the evaluation of image segmentation. Based on the testing, the results of the overall segmentation obtained an average of RAE is 4.2807 and an average of ME is 0.6081, while the segmentation of nucleus for all image an average of RAE is 3.856 and an average of ME is 0,53. The average time efficiency of the proposed method is 12,30 seconds. These results indicate that the method is accurate, robust and efficient to the problems due to variations in coloration before entering the stage classification.

Item Type: Thesis (Masters)
Additional Information: RTIf 006.42 Sar i
Uncontrolled Keywords: Leukemia, Citra, Fuzzy, C-means, Segmentasi
Subjects: Q Science > QA Mathematics > QA9.64 Fuzzy logic
R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer)
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis
Depositing User: Yeni Anita Gonti
Date Deposited: 20 Apr 2020 22:21
Last Modified: 20 Apr 2020 22:21
URI: http://repository.its.ac.id/id/eprint/75830

Actions (login required)

View Item View Item