Leukemia adalah kanker yang merusak darah dan sumsum tulang di mana sel-sel darah dibuat. Ada empat jenis Leukemia yaitu, Acute Myeloid Leukemia (AML), Acute Lymphoblastic Leukemia (ALL), Chronic Myeloid Leukemia (CML), Chronic Lymphocytic Leukemia (CLL). CML dan AML umumnya terjadi pada orang dewasa sedangkan penyakit ALL umumnya terjadi pada anak-anak dan keganasannya berkembang dengan cepat. Oleh karena keganasan penyakit ALL berkembang sangat cepat sedangkan untuk mendiagnosa dibutuhkan waktu yang lama maka diperlukan sistem yang mampu membantu patologi dalam mengenali jenis sel leukosit secara otomatis. Tujuan awal sistem penelitian ini adalah mengidentifikasi penyakit ALL dengan melakukan segmentasi Otsu Tresholding untuk memisahkan sel darah putih. proses selanjutnya yaitu ekstraksi fitur dengan menggunakan fitur Gray Level Co-Occurance Matrix (GLCM) dan fitur Color Co-Occurrence Matrix (CCM). Sedangkan untuk klasifikasinya menggunakan klasifikasi Naive Bayes. Penelitian difokuskan pada jenis penyakit ALL untuk membantu mengidentifikasi dengan cepat. Akurasi tertinggi terjadi pada skenario berdasarkan fitur GLCM kuantisasi 2bit sebesar 94,1%, sedangkan berdasarkan fitur CCM akurasi tertinggi sebesar 81,5%. Jadi, dalam kasus ini metode GLCM lebih cocok dari pada metode CCM.

Leukimia is type of cancer that damages blood and bone marroww where the blood cells produced. There are four type types o leukemia; Acute Myeloid Leukemia (AML), Acute Lymphoblastic Leukemia (ALL), Chronic Myeloid Leukemia (CML), Chronic Lymphocytic Leukemia (CLL). Chronic Myeloid Leukemia (CML) and Acute Myeloid Leukemia (AML) are frequently occur in adults while Acute Lymphoblastic Leukemia (ALL) is more common in children. The malignance of ALL has accelerated phases that takes longer time to diagnose. Accordingly, it requeris a system which enables that pathology in distinguishing any types o leokocyte cell automatically. The objective of the study is to identify ALL using otsu thresholding segmentation to seperate the white blood cells. The following process includes feature extraction of Gray Level Co-Occurrence Matrix (GLCM)-scenario-based feature get the highest accuracy,94.1%. While, the highest accuracy of Color Co-Occurrence Matrix (CCM) reaches to 81.5%. in conclusion, Gray Level Co-Occurrence Matrix (GLCM) is more suitable than Color Co-Occurrence Matrix (CCM) methods.

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal