Professional Documents
Culture Documents
5702-Article Text-18781-1-10-20220627
5702-Article Text-18781-1-10-20220627
php/jicom/
Abstract
Identification of blood groups by looking at blood clots that have been given reagents is mostly done manually
based on direct visual observations on blood that has been dripped with reagents and then determines blood
groups based on the clotting of each reagent, where the level of saturation of the eye can affect the results of
observations made and the community the general public also does not respect the resemblance. To overcome
this problem, an application is made to find blood types using the K-nearest Neighbors method which can work
automatically. KNN is a method that classifies new objects based on the training data that is closest to the
object, where the distance calculation uses Euclidean Distance. This system is used to identify blood groups A,
B, AB and 0. In this study, the system was tested using 80 training data for blood group images which were
divided into 20 images for each group A, B, AB and blood group 0. test as many as 40 images consisting of 10
test data for each blood group A, B, AB and blood group 0. The test results for the accuracy of the test on each
blood group is A 70%, blood group B 80%, blood type AB 100% and blood group 0 100%. So it can increase the
success of the system by 85%.
Abstrak
Identifikasi golongan darah dengan melihat penggumpalan darah yang telah diberi reagen banyak dilakukan
secara manual berdasarkan pengamatan visual secara langsung pada darah yang telah di teteskan reagen
kemudian menentukan golongan darah berdasarkan penggumpalan pada masing-masing reagen, dimana tingkat
kejenuhan mata dapat mempengaruhi hasil pengamatan yang dilakukan dan masyararakat umum juga kurang
paham pada kemiripan-kemiripannya. Untuk mengatasi permasalahan tersebut maka dibuat sebuah aplikasi
untuk identifikasi golongan darah menggunakan metode K-nearest Neighbors yang dapat bekerja secara
otomatis. KNN adalah metode yang melakukan klasifikasi terhadap objek baru berdasarkan data latih yang
jaraknya paling dekat dengan objek tersebut, dimana perhitungan jarak menggunakan Euclidean Distance.
Sistem ini digunakan untuk mengidentifikasi golongan darah A, B, AB dan 0. Dalam penelitian ini dilakukan
pengujian sistem menggunakan 80 data latih citra golongan darah yang terbagi 20 citra untuk masing-masing
golongan A, B, AB dan golongan darah 0. Sedangkan data citra uji sebanyak 40 citra yang terdiri dari 10 data uji
untuk masing-masing golongan darah A, B, AB dan golongan darah 0. Hasil pengujian didapat tingkat
keakuratan pengujian identifikasi pada masing-masing goloang darah A sebesar 70%, golongan darah B 80%,
golongan darah AB 100% dan golongan darah 0 100%. Sehingga dapat disimpulkan tingkat keberhasilan system
sebesar 85%.
Kata kunci :Pengolahan Citra, Golongan Darah, K-Nearest Neighbors, Euclidean Distance.
1. Pendahuluan Keterangan:
𝑑(𝑥, 𝑦) : Jarak kedekatan
Darah adalah jaringan cair yang terdiri dari 2 bagian
𝑥𝑖 : Data training
yaitu plasma darah dan sel darah. Terdapat lebih kurang
𝑦𝑖 : Data testing
4 s/d 5 liter dalam tubuh manusia dewasa yang beredar
𝑖=1 : Jumlah atribut individu antara 1 s.d. 𝑛
secara terus menerus. Darah memiliki peran penting
bagi tubuh manusia sebagai pengangkut oksigen yang
diperlukan oleh sel-sel di seluruh tubuh. Darah juga Dimana proses yang dilakukan dengan cara
mensuplai tubuh dengan nutrisi, mengangkut zat-zat membandingkan nilai jarak terdekat antara nilai pada
sisa metabolism, dan mengandung berbagai bahan citra uji dengan nilai pada citra acuan.
penyusun system imun yang bertujuan
mempertahankan tubuh dari berbagai penyakit.
Penentuan golongan darah mutlak diperlukan untuk 2. MetodePenelitian
mengatasi kesalahan transfusi darah yang tidak sesuai
golongannya sehingga mengakibatkan kematian. 2.1 Perancangan dan Pembuatan Aplikasi
Pengujian identifikasi golongan darah yang dilakukan Perancangan dan pembuatan aplikasi merupakan tahap
saat ini dengan menggunakan indera penglihatan dimana perancangan yang berhubungan dengan sistem
manusia yang memiliki keterbatasan bersifat subyektif yang dilakukan. Perancangan tersebut berupa
dan tidak konsisten sehingga dapat menghasilkan perancangan - perancangan UML (Unified Modeling
persepsi yang berbeda dari satu penilai dengan penilai Language), perancangan tabel yang digunakan sebagai
lainnya. database sistem, dan perancangan user interface.
berupa citra darah yang diinputkan dari kamera citra diagram yang menunjukkan alur di dalam program.
darah telah direaksikan dengan reagen dengan Selain itu, dapatjuga dikatakan sebagai prosedur kerja
menghitung nilai piksel hitam kemudian mencari jarak dari sistem yang sedang dikerjakan secara keseluruhan,
euclidean untuk mengklasifikasi tipe golongan darah yaitu langkah-langkah yang dilakukan untuk dapat
menggunakan metode K-Nearest Neighbors. mengklasifikasikan golongan darah dari citra yang
diuji.
Konversi citra
gresyscale ke citra biner
Hitung jumlah piksel
hitam
Menghitung jumlah
piksel hitam
Menampilkan nilai
hasil piksel hitam
Menampilkan
jumlah piksel hitam
Identifikasi Golongan Darah
Selesai
Menampilkan Hasil
Identifikasi golongan darah
mendapatkan gambar pada bagian masing-masing proses perhitungan. Selanjutnya yaitu ada kondisi
antigen maka langkah selanjutnya yaitu sistem nested loop yaitu untuk mendapatkan lebar dan tinggi
mengkonversi citra RGB ke citra Grayscale dengan gambar sebagai koordinat dalam melakukan hitung
menggunakan persamaan Gonzales yaitu Grayscale = Pixel selanjutnya yaitu proses deklarasi variabel ph
(0.35 * R) + (0.53 * G) + (0.07 * B), dimana R adalah sebagai penampung sementara Pixel yang akan
nilai kanal dari warna RGB Merah, G nilai kanal dari dihitung. Pada proses selanjutnya yaitu kondisi if
warn RGB Hijau, dan B adalah nilai kanal dari warna dimana jika nilai Pixel pada matrik 1,1 dengan nilai
RGB Biru. Selanjutnya sistem melakukan proses pada kanal R sama dengan 0 dan juga G sama dengan 0
konversi citra Grayscale menjadi citra biner yaitu dan juga B sama dengan 0 maka nilai variabel Jumlah
dengan cara mengubah setiap pixel dengan tingkat Pixel Hitam akan ditambah 1, jika salah maka kondisi
keabuan dibawah 60 pada citra grayscale menjadi nilai akan kembali kepada loop for pertama, perualangan ini
0 dan dengan nilai diatasnya menjadi 255 sehingga akan terjadi hingga pada matrik Pixel terakhir.
pada citra biner hanya memiliki dua warna pixel yaitu 0
untuk hitam dan 255 untuk putih, dipilihnya 60 derajat Diagram Alir Proses Identifikasi
keabuan sebagai nilai minimum pengambilan yaitu
dengan melakukan pengujian berulang kali untuk Setelah diperoleh nilai Pixel dari masing masing citra
mendapatkan nilai derajat yang tepat untuk digubnakan hasil cropping, selanjutnya akan dilakukan tahap
sebagai ambang minimum sesuai dengan intensitas klasifikasi golongan darah. Diagram alir pada Gambar
cahaya dengan melakukan pengujian di Matlab. Setelah 6 menunjukkan proses akhir untuk klasifikasi golongan
konversi citra grayscale menjadi citra biner maka objek darah yang hasil akhirnya nilai euclidean distance yang
yang diinginkan akan terpisah atau berbeda warna pixel paling kecil yang akan menentukan data uji akan
dengan background. Kemudian proses yang terakhir teridentifikasi pada golongan darah apa sesuai dengan
pada bagian segmentasi yaitu menghitung jumlah hasil perhitungan terhadap data pada database. Berikut
piksel hitam atau objek gambar yaitu dengan diagram alirproses klasifikasi:
melakukan perulangan for.
3 13 A 1692.56
7 76 6344 7095 2819 4155.85 O Pengujian pada penelitian ini dilakukan dengan
melakukan identifikasi terhadap 10 citra masing-
8 61 6476 7775 2814 4249.93 O masing darah dengan tingkat keberhasilan dari tiap
golongan darah yang telah diuji dapat dihitung sebagai
9 75 6640 7787 3964 4401.62 O berikut:
10 26 1608 1503 3923 4577.31 AB
1. Golongan Darah A
• Jumlah total data uji: 10
11 34 1327 1261 2174 5025.92 AB
• Jumlah data uji berhasil: 7
12 29 1332 1250 3090 5049.99 AB Akurasi keberhasilan golongan darah A =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
13 36 710 1276 3040 5075.93 AB 7
A = 10 ∗ 100
14 21 714 1274 2924 5080.53 AB Persentase keberhasilan golongan darah A
adalah 70%.
15 22 770 1255 3880 5088.16 AB 2. Golongan Darah B
• Jumlah total data uji: 10
16 79 8748 9043 4859 6815.97 O
• Jumlah data uji berhasil: 8
Akurasi keberhasilan golongan darah B =
17 78 8767 8955 3648 6904.68 O 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
18 52 8488 1992 3640 6985.43 B 8
B = 10 ∗ 100
19 57 8513 1972 3043 7017.19 B Persentase keberhasilan golongan darah B
adalah 80%.
20 53 8531 1942 3048 7062.88 B 3. Golongan Darah AB
• Jumlah total data uji: 10
• Jumlah data uji berhasil: 10
Ambil Nilai Terkecil Sesuai Dengan Nilai K. Akurasi keberhasilan golongan darah AB =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
Tabel 4 Tujuh Nilai Jarak Terkecil 𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
10
No. No. AB = 10 ∗ 100
Golongan Darah Jarak
Urut Uji Persentase keberhasilan golongan darah AB
adalah 100%.
4. Golongan Darah O
• Jumlah total data uji: 10 [2]Chandra, Marvin Wijaya, Agus Prijono. 2007.
• Jumlah data uji berhasil: 10 Pengolahan Citra Digital Menggunakan
Akurasi keberhasilan golongan darah O = Matlab. Bandung: Informatika.
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 [3] Darma Putra, 2010. Pengolahan Citra Digital Edisi
10
O = 10 ∗ 100 pertama. Yogyakarta: ANDI.
Persentase keberhasilan golongan darah O
adalah 100%. [4]Farida Ratna, Surtadhana, NG. Gultom Ferry. 1993.
Penentuan Golongan Darah Sistem ABO
Dari tingkat akurasi keberhasilan tiap tipe Melalui Saliva Mahasiswa Fakultas
golongan darah diatas dapat dihitung akurasi Kedokteran Gigi U.I. Jurnal Kedokteran Gigi
kesuluruhan data uji yaitu dengan cara mengakumulasi Universitas Indonesia, Vol. 1, No. 1.
tingkat keberhasilan tiap golongan darah yang dihitung
secara manual sebagai berikut: [5]G. Ravindran, T. Joby Titus, M. Pravin, P. Pandiyan.
Total akurasi = akurasi gol. darah A + akurasi gol. 2017. Determination and Classification of
darah B +akurasi gol. darah AB + Blood Types using Image Processing
akurasi gol. darah O Techniques. Jurnal International Aplikasi
Total akurasi = 70 + 80 + 100 + 100 = 350 Komputer, Vol. 157, No. 1.
350
Total akurasi = = 87,5%
4 [6] Haviluddin, 2011. Memahami Penggunaan UML
(Unified Modeling Language). Jurnal
4. Kesimpulan Informatika Mulawarman. Jurnal Informatika
Universitas Mulawarman, Vol. 6, No. 1.
Berdasarkan penelitian yang dilakukan di
pembahasan mengenai sistem identifikasi golongan [7] Juhari, Imam, 2014. Perancangan Aplikasi
darah menggunakan metode K-Nearest Neighbor untuk Pemograman Noise Pada Objek Citra Digital
mengklasifikasikangolongan darah berdasarkan sistem Menggunakan Metode Filter Gausian.
ABO yang terdiri golongan darah A, B, AB,dan O
sebagai berikut:
Daftar Rujukan
[1]Abdul, 2013. Manfaat Mengetahui Golongan
Darah. Bandung: Alfabet.