DETEKSI DAN KLASIFIKASI PENYAKIT ANEMIA (DEFISIENSI BESI, HEMOLITIK DAN HEMOGLOBINOPATI) BERDASARKAN STRUKTUR FISIS SEL DARAH MERAH MENGGUNAKAN PENGOLAHAN CITRA DIGITAL

DETEKSI DAN KLASIFIKASI PENYAKIT ANEMIA (DEFISIENSI BESI, HEMOLITIK DAN HEMOGLOBINOPATI) BERDASARKAN STRUKTUR FISIS SEL DARAH MERAH MENGGUNAKAN PENGOLAHAN CITRA DIGITALAnemie Classification And Detection (iron deficiency,hemolitic and hemoglobinopaty) based on Physical Structure of Erytrocyte Using Digital Image Processing

1 Marlina Eva Riyanti2 Koredianto Usman, ST, MSc.3 Achmad Rizal, ST, MT.

1,2,3Jurusan Teknik Elektro Institut Teknologi Telkom

Jl. Telekomunikasi, Dayeuh Kolot Bandung 40257 Indonesia

1 marlina_st3@yahoo.co.id2 kru@stttelkom.ac.id3 arz@stttelkom.ac.id

ABSTRAKPerkembangan teknologi dunia medis saat ini menuntut kita untuk menciptakan suatu inovasi, demikian halnya dengan metode pendeteksian suatu penyakit. Analisis yang dilakukan oleh dokter berdasarkan preparat darah tidak selalu sama antara dokter yang satu dengan dokter yang lain. Ketelitian dan konsentrasi dokter sangat menentukan hasil analisis. Oleh karena itu, perlu dibuat suatu alat bantu yang dapat mendeteksi suatu penyakit pada suatu citra secara cepat dan otomatis, sehingga diperoleh analisis dan bukti yang akurat. Pada Tugas Akhir ini dibuat suatu program simulasi pendeteksian dan pengklasifikasian penyakit anemia dengan menggunakan software Matlab 7.6. Metode ini dibuat berdasarkan dua parameter penting yaitu analisis warna dan bentuk sel.

Proses pengolahan citra dimulai dari akuisisi data citra, pemrosesan dan pengujian. Pada Tugas Akhir ini, citra diakuisisi dengan menggunakan webcam dimana lensa webcam dihadapkan pada lensa okuler dari mikroskop optik. Citra yang di tangkap oleh webcam di-capture oleh komputer dengan bantuan software Matlab. Citra hasil capture inilah yang kemudian diproses. Sistem simulasi ini diujikan pada 32 citra dari 3 kelas/jenis yang berbeda diantaranya anemia defisiensi besi, anemia hemolitik dan anemia hemoglobinopati dengan menggunakan deteksi bentuk dan deteksi warna dan menggunakan 20 citra latih. Analisis citra dilakukan dengan cara membaca informasi warna sel tiap layer dari citra sel darah merah dan bentuk selnya, kemudian hasilnya dibandingkan dengan deteksi manual dan diperoleh rata-rata tingkat akurasi sebesar 83.6%. Dengan hasil yang diperoleh maka dapat dikatakan bahwa program simulasi ini cukup baik untuk mendeteksi dan mengklasifikasikan penyakit anemia secara otomatis.

Kata kunci : Citra sel darah, Analisa warna dan bentuk, Pengolahan citra digital.

ABSTRACTThe development of medical technology of the world at this time require us to create an innovation, as well as a method disease detection. Analysis done by the doctor based on the preparation of blood is not always the same between one doctors with another doctor. Accuracy and determine the concentration of physicians analyzes the results. Therefore, the need to create a tool that can detect a disease in an image quickly and automatically, so that analysis and the evidence is accurate. In this Final Research created a detection and classification simulation of anemie disease by using the Matlab software version 7.6 . This method is based on two important parameters, namely the analysis of color and form of cells.

The process begins processing the image data from image acquisition, processing and testing. In This Final Research, the image is acquired by using the webcam lens webcam ocular lens in the face of the optical microscope. The image of the webcam is catches with the help of Matlab software. This is the result of image capture which is then processed. System simulation is tested on 32 images of 3 types of class / type of anemia among the different iron deficiency, hemolytic anemie and hemoglobinopaty anemie using color detection and form of cell and used 20 training images. Image analysis is done with the information how to read the color value from each layer of red blood cells and form of cell, and the results compared with manual detection and obtained an average accuracy level of 83.6%. With the results obtained it can be said that the simulation program is good enough to detect and classify the disease anemie automatically.

Keywords: Blood Cells image, color and shape analysis, digital image processing.

1. PendahuluanKebutuhan akan kemudahan, kepraktisan dan keakuratan pada masa sekarang ini merupakan sesuatu yang dianggap penting dan menjadi kebutuhan utama. Disamping itu, perkembangan teknologi dan informasi yang begitu pesat memungkinkan untuk melakukan inovasi baru di berbagai bidang, tidak terkecuali bidang medis. Selama ini analisis bentuk sel darah sampai penentuan jenis penyakit dilakukan dengan cara manual dengan melihat bentuk sel darah di mana sampel darah yang akan diteliti diletakkan di atas preparat dilihat melalui mikroskop optik pada setiap bidang pandang. Proses secara keseluruhannya sampai akhirnya diputuskan jenis penyakit yang diderita memakan waktu 3 hari. Survei Kesehatan Rumah Tangga (SKRT) Indonesia menunjukkan prosentasi penderita anemia pada ibu hamil sekitar 40,1% (tahun 2001), pada balita 39% dan 24% anak usia 511 tahun (SKRT 2004) [12]. Berdasarkan data hasil survei tersebut dapat diketahui bahwa penderita penyakit anemia di Indonesia cukup banyak2. Dasar Teori2.1 Pengertian Darah

Darah manusia adalah cairan jaringan tubuh. Fungsi utamanya adalah mengangkut oksigen yang diperlukan oleh sel-sel di seluruh tubuh. Darah juga menyuplai jaringan tubuh dengan nutrisi, mengangkut zat-zat sisa metabolisme, dan mengandung berbagai bahan penyusun sistem imun yang bertujuan mempertahankan tubuh dari berbagai penyakit[10].2.1.1 Sel Darah Merah (Erytrocytes)

Merupakan sel yang paling banyak dibandingkan dengan dua sel darah lainnya. Berfungsi membawa oksigen kejaringan tubuh dan membawa karbondioksida dari jaringan tubuh ke paru-paru. Dalam keadaan normal sel darah merah mencapai hampir separuh dari volume darah yaitu sekitar 4-6 juta/mm3, dengan ukuran diameter biasanya antara 6,6-7,5 m. Sel darah merah tidak memiliki inti sel (nukleus). Sel darah merah mengandung hemoglobin, yang menyebabkan warnanya merah. Dengan bentuk normal berbentuk bikonkaf atau seperti lensa cembung[11]2.1.2 AnemiaAnemia merupakan keadaan dimana jumlah sel darah merah atau jumlah hemoglobin (protein pembawa oksigen) dalam sel darah merah berada dibawah normal sehingga darah tidak dapat mengangkut oksigen dalam jumlah sesuai yang diperlukan tubuh [7]. Beberapa jenis penyakit anemia :1. Anemia defisiensi besi, disebabkan kekurangan zat besi (Fe) untuk sintesa protein dalam darah yang pada akhirnya menyebabkan kadar hemoglobin menurun. Di Indonesia, penyakit ini banyak disebabkan karena investasi cacing tambang, terkadang juga disebabkan malnutrisi dan malabsorbsi. Biasanya penderita anemia defisiensi besi ini memiliki kadar hemoglobin kurang dari 8 gr%, dengan ciri bentuk pensil sel yang banyak ditemukan pada pemeriksaan preparat di atas mikroskopnya.2. Anemia Hemolitik, merupakan kondisi dimana masa hidup eritrosit memendek. Masa hidup eritrosit yang normal adalah berkisar antara 80-120 hari. Perpendekan masa hidup eritrosit ini dapat disebabkan oleh faktor intrinsik maupun ekstrinsik. Faktor intrinsik disebabkan adanya kelainan pada eritrosit karena kekurangan bahan pembuat eritrosit ataupun karena ketidaknormalan dari enzim dalam eritrosit. Sementara Faktor ekstrinsik lebih disebabkan oleh bahan kimia atau obat-obatan, bakteri ataupun autoimun yaitu kondisi eritrosit yang diselimuti oleh antibodi yang dihasilkan oleh tubuh sendiri. Jenis anemia ini biasanya ditandai dengan adanya sel eritrosit muda yang cukup banyak dalam darahnya3. Anemia Hemoglobinopati/Ovalositosis, terjadi apabila terdapat kelainan pada molekul globin dari hemoglobin yang normal sehingga terbentuk hemoglobin abnormal yang menimbulkan suatu kelainan. Jenis anemia ini ditandai dengan ditemukan banyak eritrosit yang berbentuk oval dalam darahnya2.2 Citra Digital[4]Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik. Citra digital merupakan suatu larik dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar. Jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu sistem.2.2.1 Pengolahan Citra Digital[3]Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan komputer agar mudah diinterpretasi oleh manusia atau mesin, dimana pengolahan citra diterapkan biasanya untuk perbaikan atau modifikasi citra, penggabungan citra dengan citra lainnya, bisa juga digunakan jika suatu citra perlu dikelompokkan, kecocokkan atau diukur dan masih banyak lagi.2.2.1.1 Pengolahan warna

A. Citra RGB[1]Sebuah warna didefinisikan dengan jumlah dari intensitas ketiga warna pokok RGB yang diperlukan untuk membentuk suatu warna. Kekuatan intensitas tiap komponen warna dapat berkisar antara 0% sampai 100% dan untuk menampilkan tingkat kekuatan intensitas ketiga warna tersebut maka digunakan satuan bit yang jumlah gabungannya menggambarkan jumlah warna yang ditampilkan pada layar monitor. Kekuatan intensitas 0% untuk ketiga warna RGB berarti ketiadaan suatu warna maupun kecerahan pada suatu piksel sehingga tampak sebagai titik hitam pada monitor, sedangkan bila nilai intensitas RGB penuh 100% maka komponen warna akan saling menetralkan pada suatu piksel sehingga tampak suatu titik putih pada layar monitor.B. Derajat Keabuan Citra (Greyscale image) [1]Derajat Keabuan Citra adalah representasi citra dengan hanya menggunakan satu warna grey (abu-abu) yang berbeda intensitasnya. Citra abu-abu dapat dihasilkan dari citra warna RGB dengan mengalikan ketiga komponen warna pokok merah, hijau dan biru dengan suatu koefisien yang jumlahnya satu [1].

( 2. 1)C. Citra Biner

Citra biner adalah representasi citra dengan hanya dua intensitas warna pada tiap pixelnya yaitu 0 dan 1, dimana nilai 0 mewakili warna hitam dan nilai 1 mewakili warna putih. Citra biner merupakan tingkat abu-abu terendah yang dicapai dalam pembentukan citra2.2.1.2 Perbaikan Kualitas Citra (Enhancement) A.Median Filter [4]Sebuah citra biasanya mengandung noise (derau) dalam hal ini berupa variasi intensitas warna yang acak. Filter merupakan salah satu solusi untuk mengatasinya, dimana dalam tugas akhir ini penulis menggunakan filter median. Pada filter median, suatu jendela (windows) memuat sejumlah pixel (ganjil). Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap pergeseran dibuat jendela baru. Dimana titik tengah dari jendela ini diubah dengan nilai median dari jendela tersebut.2.2.1.3 Segmentasi Citra[2]

Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisis citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra. Dalam tugas akhir ini segmentasi citra merupakan pemisahan latar depan (obyek/foreground) dan latar belakang (background) pada suatu citra dan pemisahan objek yang berupa sel dara merah dan sel darah putih.2.2.1.4 Pelabelan Komponen

Pelabelan (labelling) merupakan algoritma untuk menemukan komponen terkoneksi dalam sebuah citra dan menandainya. Operasi ini diperlukan untuk citra biner yang mempunyai banyak obyek. Jika pada suatu citra mengandung sejumlah P obyek yang akan ditandai, maka bila diasumsikan obyek yang akan ditandai memiliki nilai 1 dan latar belakang memiliki nilai 0, scanning kita mulai dari sisi kiri atas baris pertama citra menuju arah kanan, kemudian pindah ke baris selanjutnya dan seterusnya. Piksel obyek pertama yang ditemukan akan diberi label 1, jika piksel selanjutnya yang berada di sebelah kanan mempunyai nilai intensitas yang sama maka akan diberi label 1 juga dan begitu seterusnya. Bila piksel selanjutnya pada baris ini ternyata bernilai 0 maka tidak akan diberi label karena merupakan latar belakang dan piksel selanjutnya setelah latar belakang yang bernilai 1 akan diberi label 2 sebagai tanda obyek kedua dan begitu seterusnya.2.2.1.5 Operasi Morfologi [1]Gagasan yang mendasari morfologi digital adalah kenyataan bahwa citra mengandung serangkaian piksel piksel yang membentuk sekumpulan data dua dimensi. Persamaan matematika tertentu pada serangkaian piksel piksel dapat digunakan untuk meningkatkan aspek khusus dari bentuk (struktur) sehingga dapat lebih mudah untuk dikenali.A. Dilasi

Dilasi merupakan proses penggabungan titik-titik latar (0) menjadi bagian dari objek (1), berdasarkan structuring element ( S ) yang digunakan. dengan A adalah citra biner yang dikenakan operasi (dan mengalami perubahan bentuk pada obyeknya) dan B adalah citra yang melakukan operasi (dan tidak mengalami perubahan bentuk).B. ErosiErosi merupakan operasi kebalikan dari dilasi, digunakan untuk menghapus atau mengurangi piksel piksel obyek, atau untuk memperkecil ukuran obyek. Pada kasus citra biner, erosi akan menghapus piksel piksel pada lapisan terluar obyek. 2.2.1.6 Deteksi TepiTepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat.Perbedaan intensitas inilah yang memperlihatkan rincian pada gambar.a) Operator Sobel Tinjau pengaturan pixel di sekitar pixel (x,y) :

Operator Sobel adalah magnitudo dari gradien yang dihitung dengan (2.2)yang dalam hal ini, turunan parsial dihitung dengan

(2.3)dengan konstanta c = 2. Dalam bentuk mask, sx dan sy dapat dinyatakan sebagai

dan

Arah tepi dihitung dengan persamaan :

(2.4) b) Operator Prewitt Persamaan gradien pada operator Prewitt sama seperti operator Sobel, tetapi menggunakan nilai c = 1 :

dan (2.5)c) Operator Roberts Operator Roberts sering disebut juga operator silang. Gradien Roberts dalam arah-x dan arah-y dihitung dengan rumus :

(2.6)Operator R+(x,y) adalah hampiran turunan berarah dalah arah 450, sedangkan R adalah hampiran turunan berarah dengan sudut berkisar 1350 . Dalam bentuk mask konvolusi, operator Roberts adalah : dan (2.7)d) Operator Canny Berdasarkan wikipedia, operator Canny merupakan deteksi tepi yang optimal. Operator Canny menggunakan Gaussian Derivative Kernel untuk menyaring kegaduhan dari citra awal untuk mendapatkan hasil deteksi tepi yang halus.

3.Pemodelan dan Simulasi Sistem3.1Tahap Akuisisi

Tahapan akuisisi bertujuan untuk memperoleh gambar, dimana data yang diperoleh merupakan data aktual yang diperoleh dari hasil capture preparat langsung diatas mikroskop. Tahapan akuisisi ini meliputi persiapan peralatan preparat, mikroskop, webcam dan komputer, pengaktifan webcam sampai dengan peng-capture-an gambar. Preparat yang telah diletakkan diatas kaca, dilihat dengan mikroskop, dimana perbesaran pada mikroskop diatur pada 100 kali lensa objektif dan 10 kali pada lensa okuler . Kemudian pada lensa okuler dari mikroskop diletakkan webcam dengan sumbu optic sejajar dengan sumbu optic mikroskop. Dudukan webcam ditopang penyangga kaki tiga (tripod) agar stabil. Selanjutnya webcam dihubungkan ke komputer dengan menggunakan port USB. Prose pengaktifan webcam, video streaming dan penangkapan gambar atau frame capture dikendalikan oleh Matlab dengan interface (antarmuka) ke operator berupa suatu tampilan GUI.

Gambar 3. 2 Skema tahapan akuisisi3.1.2 Tahap Pemprosesan

Gambar 3. 5 Skema tahap pemrosesan3.1.2.1 Persiapan

Tahap persiapan merupakan tahap awal yaitu pembacaan citra. Pembacaan citra meliputi penangkapan citra RGB dengan menggunakan webcam yang dikendalikan menggunakan GUI di MATLAB.3.1.2.2 Pemrosesan awalTahap ini meliputi proses pemisahan leukosit(sel darah putih), konversi ke grayscale, proses cropping, proses penghilangan noise, deteksi bentuk dan deteksi warna. Gambar memperlihatkan skema tahapan pemrosesan awal.

Gambar 3. 6 Skema Pemrosesan awal2.1.1.1 Deteksi dan Klasifikasi

3.1.2.3.1 Deteksi Bentuk

1. Pada tahap ini dilakukan proses deteksi bentuk untuk selanjutnya diklasifikasikan berdasarkan jenis penyakit anemia yang memenuhi (anemia defisiensi besi dan anemia hemoglobinopati). Sebelum melakukan proses deteksi, terlebih dahulu dilakukan penghilangan noise dengan median filter kemudian melakukan pemilihan jenis deteksi tepi dan menentukan nilai threshold untuk proses deteksi tepi, setelah dilakukan deteksi tepi, dilakukan proses penghilangan noise yang kecil berupa bintik-bintik menggunakan median filter dengan ukuran kernel 2x2. Selanjutnya dilakukan proses penebalan titik-titik objek sebelum, penebalan dilakukan menggunakan operasi dilasi dengan ukuran struktur element (SE=2) kemudian dilanjutkan dengan membersihan batas tepi (clear border) menggunakan hubungan antar piksel sebesar 8, kemudian dilakukan penebalan kembali terhadap titik-titik piksel objek untuk kemudian dilakukan pengisian lubang (filling holes). Kemudian dilakukan penipisan objek untuk mengembalikan objek ke ukuran semula. Selanjutnya tiap sel diperiksa apakah mencukupi nilai threshold yang ditetapkan atau tidak, dalam hal ini nilai treshold yang dipilih adalah 250. Untuk luas sel yang tidak memenuhi nilai treshold akan dihilangkan. Sedangkan untuk sel yang memenuhi dilakukan tahapan berikutnya yaitu deteksi bentuk berdasarkan nilai aspek rasio dan luas dari tiap-tiap sel yang terdeteksi. Adapun nilai aspek rasio dibedakan menjadi :

2. Aspek Rasio lebih besar sama dengan dari 0.6 dan aspek rasio lebih kecil dari 1.2 (0.6 AR