KLASIFIKASI SEL DARAH PUTIH MENGGUNAKAN METODE SMOTE-SVM DENGAN EKSTRAKSI FITUR GABUNGAN DAN SEGMENTASI CITRA MENGGUNAKAN GAUSSIAN MIXTURE MODEL

PUTRA, CELVINE ADI (2024) KLASIFIKASI SEL DARAH PUTIH MENGGUNAKAN METODE SMOTE-SVM DENGAN EKSTRAKSI FITUR GABUNGAN DAN SEGMENTASI CITRA MENGGUNAKAN GAUSSIAN MIXTURE MODEL. Other thesis, Universitas Bina Darma.

	Text (BAB 0) BAB 0.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (681kB)
	Text (DAFTAR PUSTAKA) DP.pdf Download (547kB)
	Text (LAPORAN HASIL) LH.pdf Restricted to Repository staff only Download (4MB)
	Text (LAMPIRAN) L.pdf Download (3MB)

Abstract

Sel darah putih atau leukosit memainkan peran penting dalam sistem kekebalan tubuh. Struktur yang tidak beraturan dan beragam pada setiap jenis sel darah putih membuat identifikasi manual sulit dan rentan terhadap kesalahan karena subjektivitas dan kelelahan. Oleh karena itu, diperlukan metode klasifikasi yang cepat dan akurat. Penelitian ini mengusulkan penggunaan SMOTE dan SVMSMOTE untuk mengatasi ketidakseimbangan data, serta ekstraksi fitur gabungan antara shape (size, convexity, circularity, dan solidity) dan convolutional autoencoder, bersama dengan Gaussian Mixture Model untuk segmentasi nucleus. Hasil penelitian menunjukkan bahwa tanpa data balancing, metode ekstraksi fitur yang diusulkan sudah cukup baik, kecuali untuk sel eosinophils. Hasil terbaik diperoleh dengan SVM menggunakan kernel polynomial, dengan akurasi 92.4%, presisi 91.9%, recall 92.3%, F1-Score 92%, MCC 0.862, dan CEN 0.1376. Hasil terburuk dengan menggunakan kernel sigmoid. Pengujian yang hanya menggunakan ekstraksi fitur shape saja mendapatkan akurasi terbaik 86.8%, sedangkan untuk convolutional autoencoder mendapatkan akurasi 87.8%, sehingga dengan menggunakan shape dan convolutional autoencoder dapat meningkatkan hasil akurasi. Selain itu penggunaan SMOTE atau SVMSMOTE dapat meningkatkan recall pada sel eosinophils.

Actions (login required)

View Item