Acute Lymphoblastic Leukemia (ALL) merupakan penyakit kanker yang ditandai dengan pertumbuhan sel darah putih yang sangat cepat dan mematikan. Apabila tidak segera diobati akan menyebabkan kematian dalam hitungan minggu hingga hari, untuk itu perlu penanganan secara cepat. Diagnosa penyakit ALL kebanyakan dilakukan secara manual, membutuhkan tenaga ahli, peralatan laboratorium yang memadai serta waktu yang cukup lama. Untuk mengatasi permasalahan tersebut pada penelitian ini dilakukan identifikasi Acute Lymphoblastic Leukemia menggunakan teknik pengolahan citra. Adapun tahapan-tahapan yang dilakukan adalah preprocessing, segmentasi, ekstraksi fitur dan klasifikasi citra. Metode yang diterapkan pada setiap tahapan adalah sebagai berikut metode contras stretching untuk perbaiakan citra, metode otsu Thresholding berdasarkan warna HSV untuk segmentasi, sedangkan untuk ekstraksi fitur menggunakan fitur hibrid gabungan antara fitur bentuk dan tekstur Gray Level Co-occurrancy Matrix (GLCM), yang kemudian akan di klasifikasikan menggunakana metode Mahalanobis Distance. Database yang digunkan dalam penelitian ini adalah database ALLIDB2, yang terdiri dari 260 gambar yaitu 130 ALL-Positif dan 130 ALL-Negatif. Pada pengujian ini mendapatkan rata-rata akurasi tertinggi sebesar 85.40% dengan sensitivity 85.8 % dan specificity 85.0%.

Acute Lymphoblastic Leukemia (ALL) is a cancer disease marked by the growth of white blood cells is very fast and deadly. If not treated immediately causing death in a matter of weeks or days, for that needs handling quickly. Diagnosis of ALL mostly done manually, requires experts, laboratory equipment is adequate and a long time. To overcome these problems, in this research makes identification of Acute Lymphoblastic Leukemia using image processing techniques. Some of the stages are preprocessing, segmentation, feature extraction and classification. The methods applied at each stage are as follows: contrast stretching method for image processing, otsu Thresholding based on HSV color for segmentation, while for feature extraction using hybrid feature is combined feature between shape feature and texture Gray Level Co-occasion Cariby Matrix (GLCM), which will be classified using Mahalanobis Distance method. The method used in this research was tested using ALLIDB2 database contains 260 images, of 130 ALL-Positive and 130 ALL-Negative. In this test the highest average accuracy was 85.40% with 85.8% sensitivity and 85.0% specificity.

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