Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Presentasi Seminar Proposal - Andika (M0509009)

No description
by

Andika Setiawan

on 28 June 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Presentasi Seminar Proposal - Andika (M0509009)

Latar Belakang
Sel darah putih dibagi menjadi lima jenis tipe berdasarkan bentuk morfologinya yakni basofil, eosinofil, neutrofil, limfosit dan monosit (Wiyanti, 2013).

Selama ini proses klasifikasi sel darah putih hanya dilakukan secara manual melalui uji laboratorium mikroskopik yang dapat memakan waktu cukup lama (Sholeh, 2013).

Banyak penelitian terkait yang memanfaatkan teknologi digital untuk melakukan klasifikasi sel darah putih. Serta perkembangan algoritma jaringan syaraf tiruan untuk penyelesaian klasifikasi.

Penelitian ini menggabungkan pengolahan citra digital dan jaringan syaraf tiruan untuk membantu dalam proses tahap awal klasifikasi jenis sel darah putih secara otomatis di bidang medis.
Batasan Masalah
1.Sel darah putih akan diklasifikasikan ke dalam lima jenis yakni neutrofil, eosinofil, basofil, limfosit, dan monosit dari citra sel darah putih dalam kondisi normal (tanpa kelainan).

2.File citra sel darah putih yang akan diproses dalam aplikasi klasifikasi ini berformat JPEG.

3.Ukuran perbesaran mikroskopik yang digunakan pada saat perolehan data adalah sama.

4.Ukuran piksel citra yang digunakan sebagai data training maupun testing adalah sama.

5.Karakteristik fitur yang akan digunakan sebagai data inputan dalam pelatihan dan pengujian ada tujuh buah, yakni luas area, tepi area, kebundaran, rasio nukleus, rata-rata intensitas merah, rata-rata intensitas biru, dan rata-rata intensitas hijau.
Rumusan Masalah
Output
Process
Hipotesa
Uji coba dilakukan dengan cara memberikan masukkan berupa data citra sel darah putih yang sebelumnya telah dimasukkan ke dalam data testing untuk diklasifikasi.

Evaluasi dilakukan untuk setiap variasi parameter dengan menghitung tingkat akurasi kelompok data citra pelatihan melalui memorisasi dan dengan menghitung kelompok data citra hasil klasifikasi melalui generalisasi.

Pengujian dilakukan sebanyak 5 kali dengan variasi parameter JST berbeda (hidden layer dan learning rate) untuk dinilai keoptimalannya berdasarkan nilai rata-rata akurasi, MSE, dan waktu pelatihan.
1.Bagaimana menerapkan operasi pengolahan citra dan metode segmentasi seed region growing untuk dapat memisahkan citra sel darah putih dari citra mikroskopis darah.

2.Bagaimana melakukan ekstraksi ciri dari hasil pisahan sel darah putih untuk mendapatkan data kriteria masing-masing sel darah.

3.Bagaimana melatih data dan melakukan uji klasifikasi darah dengan menggunakan algoritma backpropagation dengan momentum.
Nurcahya Pradana Taufik Prakisya / M0509051
Jurusan Informatika
Universitas Sebelas Maret Surakarta

Pemanfaatan Seed Region Growing Segmentation dan Momentum Backpropagation Neural Network untuk Klasifikasi Jenis Sel Darah Putih
Tujuan Penelitian
1.Memisahkan citra sel darah putih dari citra mikroskopik sel darah dengan operasi pengolahan citra dan metode segmentasi seed region growing.

2.Memperoleh data numerik dari citra sel darah putih melalui ekstraksi ciri untuk digunakan sebagai parameter input jaringan syaraf tiruan.

3.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 Penelitian
1.Mempercepat kinerja para peneliti medis dalam melakukan proses klasifikasi jenis sel darah putih melalui otomatisasi klasifikasi tahap awal.

2.Akurasi dari perpaduan metode pengolahan citra dan jaringan syaraf tiruan dapat dimanfaatkan untuk mengurangi tingkat kesalahan dalam klasifikasi jenis sel darah putih.
Input
Neural Networks and SVM-Based Classification of Leukocytes Using the Morphological Pattern Spectrum. Ditulis tahun 2011 oleh Ramirez-Cortes, J.M., Gomez-Gil, P., Alarcon-Aquino, V., Gonzalez-Bernal, J., Garcia-Pedrero, A. 1Department of Electronics, National Institute of Astrophysics, Optics and Electronics. 2Department of Computational Science, National Institute of Astrophysics, Optics and Electronics. 3Department of Electronics and Computer Science, University of the Americas, Puebla, Mexico. Santa Catarina Martir, Cholula, Puebla, 72820. Mexico.
PENELITIAN TERKAIT
Kategori leukosit yang sangat mirip dalam bentuk dan ukuran dan kerap menjadi sulit untuk dibedakan secara otomatis atau bahkan jika dilakukan oleh orang yang tidak memiliki keahlian di dalamnya.

Penerapan morfologi operator pecstrum, untuk proses ekstraksi dan klasifikasi karakteristik leukosit dan citra lain dengan kemiripan yang cukup dekat.

Fitur didasarkan pada tujuh buah komponen specstrum, daerah normal, dan rasio luas inti - sitoplasma

Diuji dengan menggunakan 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. Hasilnya diperoleh presentase akurasi sebesar 87% dari seluruh pengujian kasus.
Automated Identification and Classification of White Blood Cells (Leukocytes) in Digital Microscopic Images. Ditulis tahun 2010 oleh P.S.Hiremath, Parashuram Bannigidad, Sai Geeta. Dalam IJCA Special Issue on “Recent Trends in Image Processing and Pattern Recognition” RTIPPR, 2010. Dept. of Computer Science. Gulbarga University. Gulbarga, Karnataka, India.
Perbedaan penghitungan pada sel darah putih sebagai kajian diagnosis dan pengobatan dari banyak penyakit darah menjadi latar belakang penelitian Hiremath dan rekan-rekan.

Mereka menghasilkan metode segmentasi berbasis warna dan fitur geometris diekstraksi untuk setiap segmen yang digunakan untuk mengidentifikasi dan mengklasifikasikan berbagai jenis sel darah putih.

Hasil eksperimen menunjukkan keberhasilan dari metode yang diusulkan dengan akurasi 92 – 98% untuk masing-masing jenis sel darah putih.
Automatic Brain Tissue Detection in MRI Images Using Seeded Region Growing Segmentation and Neural Network Classification. Ditulis tahun 2011 oleh Mehdi Jafari1, Shohreh Kasaei2. Dalam Australian Journal of Basic and Applied Sciences, 5(8): 1066-1079, 2011. ISSN 1991-8178. 1Department of Electrical Engineering, Islamic Azad University, Kerman Branch, Kerman, Iran. 2Department of Computer Engineering, Sharif University of Technology, Tehran, Iran.
Penelitian ini menyajikan sebuah metode berbasis jaringan saraf untuk klasifikasi otomatis Magnetic Resonance Image (MRI) otak dalam tiga kategori normal, jinak, dan ganas.

Teknik terdiri dari enam tahapan, yaitu preprocessing, segmentasi seed region growing, connected component labelling (CCL), ekstraksi fitur, fitur pengurangan dimensi, dan klasifikasi.
Metode ini diterapkan pada irisan aksial 2D dari 10 set data pasien yang berbeda

Hasilnya 100% sensitivity rate dan 96% specifity rate didapatkan dari 600 gambar (50 normal, 250 jinak dan 300 ganas).
Pengenalan Pola Citra Dengan Metode Ekstraksi Fitur Citra Leukosit. Ditulis tahun 2010 oleh D.R. Fifin. Dalam Jurnal Pendidikan Fisika Indonesia 6 (2010) 133 – 137. ISSN: 1693-1246. Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang, Semarang, Indonesia.
Perbedaan bentuk leukosit melatarbelakangi proses pengenalan pola citra leukosit dengan metode ekstraksi fitur.

Tujuan penelitian mempermudah proses identifikasi jenis leukosit secara otomatis.

Proses identifikasi memerlukan data-data ekstraksi fitur citra, meliputi area citra, perimeter dan euler number. Data-data ekstraksi fitur citra ini akan dimasukkan ke dalam data referensi dalam database.

Hasil yang diperoleh menyatakan bahwa proses identifikasi diperoleh berdasarkan range nilai perimeter dan euler number pada citra dan memberikan prediksi kesalahan sebesar 30 %.
Improvements of Back Propagation Algorithm Performance by Adaptively Changing Gain, Momentum and Learning Rate. Oleh Norhamreeza Abdul Hamid, Nazri Mohd Nawi, Rozaida Ghazali, Mohd Najib Mohd Salleh. Dalam . Faculty of Computer Science and Information Technology, Universiti Tun Hussein Onn, Malaysia.
Penelitian didasari pemanfaatan metode backpropagation berdasarkan gradien descent dalam beberapa masalah klasifikasi masih terkendala masalah pada kecepatan konvergensi pembelajaran yang lambat.

Diusulkan algoritma yang dimodifikasi dari backpropagation secara adaptif dengan mengubah koefisien momentum dan learning rate.

Digunakan lima contoh klasifikasi untuk menggambarkan perbaikan dari tiga algoritma yang diusulkan yakni backpropagation gradient descent (BPGD), backpropagation gradient descent with adaptive gain (BPGD-AG), backpropagation gradient descent with adaptive gain, adaptive momentum and adaptive learning rate (BPGD AGAMAL).

Hasil menunjukkan bahwa algoritma BPGD-AGAMAL memiliki tingkat konvergensi yang lebih baik dan efisiensi belajar dibandingkan dengan BPGD konvensional dan BPGD-AG dengan kecepatan 83.23% lebih cepat dari BPGD dan 10,9% lebih cepat dari BPGD-AG.
Dugaan – dugaan yang akan dibuktikan dalam pengujian nantinya adalah hasil dari proses klasifikasi jenis sel darah putih dengan menggunakan segmentasi citra seed region growing dan backpropagation neural network dengan momentum dapat mengenali jenis leukosit hingga mencapai tingkat akurasi minimal 90% untuk setiap jenisnya.
Implementasi Penelitian

Studi literatur dilakukan untuk memahami teori yang berhubungan denganpengolahan citra khususnya untuk segmentasi citra dengan seed region growing dan jaringan syaraf tiruan dengan menggunakan arsitektur multilayer perceptron melalui algoritma backpropagation dengan momentum




Data yang akan dikumpulkan adalah berupa file gambar mikroskopik sel darah putih berformat JPEG. Data diperoleh dari kumpulan data set penelitian milik dr. Fabio Scotti dari fakultas teknologi dan informasi Università degli Studi di Milano terkait dengan penelitan pada deteksi penyakit Acute Lymphoblastic Leukemia (ALL).
Studi Literatur
Alur Perangkat Lunak
Alur Metode Segmentasi Citra
Alur Segmentasi Nukleus
Arsitektur Jaringan Syaraf Tiruan
Pengumpulan Data
Pengujian
Hasil yang diharapkan adalah pembagian yang terdiri dari 5 neuron yakni basofil, eosinofil, neutrofil, limfosit dan monosit yang merupakan jenis sel darah putih. Proses testing pada klasifikasi ini akan memilih sebuah neuron dengan nilai akurasi paling tinggi sebagai hasilnya.
Hasil
Jadwal Pelaksanaan
Segmentasi Seed Region Growing merupakan metode 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. Teknik berbasis region sangat tergantung pada pemilihan kriteria homogeneitas. Teknik Seed Region Growing (SRG) diatur oleh sejumlah seed daripada harus menentukan parameter homogeneitasnya.
Seed Region Growing Segmentation
Dasar Teori
Teknik Penelitian
Operasi thresholding membagi citra menjadi dua wilayah, yaitu wilayah objek dan wilayah latar belakang. Wilayah objek diset berwarna putih sedangkan sisanya diset berwarna hitam (atau sebaliknya).
Teknik thresholding dapat dilakukan dengan melakukan pengecekan terhadap fungsi T dalam bentuk persamaan

T = T [x, y, p(x,y), f(x,y)]

Kemudian citra dengan threshold tersebut akan dibagi menjadi dua bagian dengan definisi seperti berikut

g(x,y) = 1, jika f(x,y)>T@
0, jika f(x,y)T)
Piksel dengan nilai 1 menunjukkan objek, sedangkan piksel bernilai 0 adalah latar belakang citra.
Thresholding
Erosi
Erosi merupakan sebuah operasi perpaduan citra asli terhadap sebuah struktur khusus yang disebut dengan strel. Erosi berfungsi merampingkan citra dan dapat menghilangkan tonjolan pada citra mekalui tranlasi strel dalam suatu tepi objek citra. (Cheng, 2000).

Dilasi
Operasi dilasi merupakan kebalikan dari operasi erosi yakni untuk setiap area di luar tepi citra akan dilakukan translasi dan kemudian menggabungkan seluruh hasilnya dengan hasil translasi strel. (Gonzales dan Woods, 2010).

Opening
Operasi opening merupakan perpaduan antara dilasi dan erosi. Citra A dikenai operasi erosi oleh strel B, kemudian hasilnya akan didilasi kembali oleh B (Gonzales dan Woods, 2010).

Closing
Operasi closing merupakan kebalikan dari opening. Closing 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 (Gonzales dan Woods, 2010).
Operasi Morfologi
Ekstraksi ciri atau juga bisa disebut dengan ekstraksi fitur merupakan sebuah usaha untuk memperoleh data tertentu yang berada di dalam sebuah citra berdasarkan parameter tertentu.

Ekstraksi ciri dari data penelitian antara lain:
1. Luas area
2. Tepi area
3. Kebundaran
4. Rasio Nukleus
Ekstraksi Ciri
Momentum Backpropagation
Algoritma backpropagation merupakan sebuah algoritma jaringan syaraf tiruan dengan topologi multi-lapis (multilayer) yang terawasi dengan arsitektur lapis masukan (lapis X), satu lapis tersembunyi atau hidden layer (lapis Z) atau lebih dan lapis keluaran (lapis Y)

Sedangkan algoritma backpropagation dengan momentum merupakan pengembangan dari algoritma backpropagation standar dimana dalam pembelajarannya menggunakan momentum yang nilai konstanta momentum memiliki rentang antara 0 sampai 1. (Kusumadewi, 2004).

Perbedaan antara algoritma backpropagation dengan momentum backpropagation terletak pada penambahan momentum ke dalam proses umpan mundur, tepatnya pada langkah perhitungan informasi error dan penjumlahan delta input.
SEKIAN
dan
TERIMA KASIH
Seminar Proposal / Nurcahya Pradana / M0509051 / Informatika UNS
Full transcript