Peningkatan Performa Klasifikasi Sel Darah Merah pada Pasien Talasemia Minor

https://doi.org/10.22146/ijeis.93025

Husnul Latifah(1), Dyah Aruming Tyas(2*), Agus Harjoko(3)

(1) 1Program Studi Elektronika dan Instrumentasi, FMIPA, UGM, Yogyakarta
(2) Department of Computer Science and Electronics, Universitas Gadjah Mada, Yogyakarta
(3) Departemen Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
(*) Corresponding Author

Abstract


Talasemia merupakan kelainan darah turunan yang menyebabkan rusaknya rantai hemoglobin pada eritrosit penderita. Pada kasus talasemia minor, pasien hanya menjadi pembawa gen talasemia dan tidak bergejala. Hal ini menyebabkan sedikitnya penderita talasemia minor yang terdeteksi. Saat ini, ahli hematologi harus menghitung eritrosit abnormal secara manual berdasarkan  bentuk, warna, dan tekstrur sel. Untuk itu, banyak penelitian yang memanfaatkan citra eritrosit untuk melakukan mengklasifikasi keabnormalan pada citra eritrosit secara otomatis. Namun, jumlah data yang terbatas menyebabkan salah satu jenis keabnormalan yaitu sel pensil belum terklasifikasi pada penelitian sebelumnya. Tujuan dari penelitian ini adalah mengatasi kendala tersebut dengan melakukan klasifikasi secara bertingkat dimana pada tahapan klasifikasi pertama sel pensil dikelompokkan kepada sel yang mirip, yaitu sel eliptosis terlebih dahulu. Penelitian ini menggunakan klasifier Convolutional Neural Network (CNN) pada proses klasifikasi pertama dan Support Vector Machine (SVM) pada proses klasifikasi kedua. Hasil eksperimen menujukkan klasifier CNN dengan arsitektur MiniVGGNet dan berhasil mengkasifikasi citra eritrosit ke dalam delapan kelas dengan nilai akurasi 96,05%, presisi 96,00%, sensitivitas 96,05%, dan F1 score 95,95%. Klasifier SVM Polinomial dengan kombinasi fitur geometris yang terdiri dari eccentricity, compactness, circularity, dan rasio sel berhasil mengklasifikasi sel pensil dengan nilai presisi 100,00%, sensitivitas 100,00%, dan F1 score 100,00%.

Keywords


Klasifikasi; Multilevel; Talasemia; Eritrosit; CNN; SVM; MiniVGGNet

Full Text:

PDF


References

Tyas, D. A., Hartati, S., Harjoko, A., & Ratnaningsih, T. (2019). Erythrocyte Classification using Multi Layer Perceptron, Naïve Bayes Classifier, RBF Network and SVM. International Journal of Engineering and Advanced Technology, 9(2), 2024–2028. https://doi.org/10.35940/ijeat.b3231.129219

Tyas, D. A., Ratnaningsih, T., Harjoko, A., & Hartati, S. (2017). The Classification of Abnormal Red Blood Cell on The Minor Thalassemia Case Using Artificial Neural Network and Convolutional Neural Network. Proceedings of the International Conference on Video and Image Processing, 228–233. https://doi.org/10.1145/3177404.3177438

Tyas, D. A., Hartati, S., Harjoko, A., & Ratnaningsih, T. (2020). Morphological, Texture, and Color Feature Analysis for Erythrocyte Classification in Thalassemia Cases. IEEE Access, 8, 69849–69860. https://doi.org/10.1109/ACCESS.2020.2983155

Chy, T. S., & Anisur Rahaman, M. (2019). A comparative analysis by KNN, SVM ELM classification to detect sickle cell anemia. 1st International Conference on Robotics, Electrical and Signal Processing Techniques, ICREST 2019, 455–459. https://doi.org/10.1109/ICREST.2019.8644410

Hartati, S., Harjoko, A., Rosnelly, R., Chandradewi, I., & Faizah. (2019). Performance of SVM and ANFIS for classification of malaria parasite and its life-cycle-stages in blood smear. In Communications in Computer and Information Science (Vol. 937, Issue C, pp. 110–121). https://doi.org/10.1007/978-981-13-3441-2_9

Sen, B., Ganesh, A., Bhan, A., & Dixit, S. (2021). Deep Learning based diagnosis of sickle cell anemia in human RBC. Proceedings of 2021 2nd International Conference on Intelligent Engineering and Management, ICIEM 2021, Icicv, 526–529. https://doi.org/10.1109/ICIEM51511.2021.9445293

Harrington, A. M., Ascp, M. T., Ward, P. C. J., & Kroft, S. H. (2008). Iron Deficiency Anemia, β -Thalassemia Minor, and Anemia of Chronic Disease A Morphologic Reappraisal. 466–471. https://doi.org/10.1309/LY7YLUPE7551JYBG

Safca, N., Popescu, D., Ichim, L., Elkhatib, H., & Chenaru, O. (2018). Image processing techniques to identify red blood cells. 2018 22nd International Conference on System Theory, Control and Computing, ICSTCC 2018 - Proceedings, 93–98. https://doi.org/10.1109/ICSTCC.2018.8540708

Tyas, D. A., Ratnaningsih, T., Harjoko, A., & Hartati, S. (2022). Erythrocyte (red blood cell) dataset in thalassemia case. Data in Brief, 41, 107886. https://doi.org/10.1016/j.dib.2022.107886

Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791

Liu, B., Li, F., Wang, X., Zhang, B., & Yan, J. (2023). Ternary Weight Networks. 1–5. https://doi.org/10.1109/icassp49357.2023.10094626

Campos-Leal, J. A., Yee-Rendon, A., & Vega-Lopez, I. F. (2022). Simplifying VGG-16 for Plant Species Identification. IEEE Latin America Transactions, 20(11), 2330–2338. https://doi.org/10.1109/TLA.2022.9904757

Liyantoko, A. N., Candradewi, I., & Harjoko, A. (2019). Klasifikasi Sel Darah Putih dan Sel Limfoblas Menggunakan Metode Multilayer Perceptron Backpropagation. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 9(2), 173. https://doi.org/10.22146/ijeis.49943



DOI: https://doi.org/10.22146/ijeis.93025

Article Metrics

Abstract views : 0 | views : 0

Refbacks

  • There are currently no refbacks.




Copyright (c) 2024 IJEIS (Indonesian Journal of Electronics and Instrumentation Systems)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.



Copyright of :
IJEIS (Indonesian Journal of Electronics and Instrumentations Systems)
ISSN 2088-3714 (print); ISSN 2460-7681 (online)
is a scientific journal the results of Electronics
and Instrumentations Systems
A publication of IndoCEISS.
Gedung S1 Ruang 416 FMIPA UGM, Sekip Utara, Yogyakarta 55281
Fax: +62274 555133
email:ijeis.mipa@ugm.ac.id | http://jurnal.ugm.ac.id/ijeis



View My Stats1
View My Stats2