Identifikasi sel darah mikroskopik dilakukan secara manual oleh hematologist melalui identifikasi visual di bawah mikroskop telah menjadi landasan di laboratorium hematologi untuk mendiagnosis dan memantau gangguan hematologi. Namun, Prosedur perhitungan sel darah ini memerlukan tenaga dan waktu yang lama, dan tingkat kesalahan antara 30% sampai dengan 40% tergantung pada subyektifitas pengalaman hematologist, ketelitian dan konsentrasi di laboratorium klinik hematologi. Untuk mengatasi masalah tersebut maka Penelitian ini bertujuan untuk mengidentifikasi penyakit Acute Lymphoblastic Leukemia (ALL) menggunakan metode Mahalanobis dan Naïve Bayes berdasarkan citra morfologi sel darah putih. Agoritma yang digunakan meliputi pra-pengolahan, segmentasi citra, perhitungan fitur dan klasifikasi. Algoritma K-means Clustering digunakan untuk memisahkan citra sel darah menjadi nucleus dan background. Fitur yang digunakan adalah fitur bentuk (area, perimeter, diameter, roundness, compactness), fitur tekstur (local binary pattern) dan Hybrid. Kemudian citra sel darah diklasifikasikan menggunakan metode Mahalanobis dan Naïve Bayes. Pengujian pada Mahalanobis penelitian ini menghasilkan akurasi terbaik sebesar 100% dan pada Naïve Bayes menghasilkan akurasi terbaik sebesar 97.8%.

The identification of microscopic blood cells performed manually by a hematologist through visual identification under a microscope has been the cornerstone in the hematology laboratory for diagnosing and monitoring haematological disorders. However, this blood cell count procedure requires long labor and time, and an error rate of between 30% and 40% depends on the subjectivity of the hematologist's experience, accuracy and concentration in a hematologic clinical laboratory. To overcome these problems, this study aims to identify the disease Acute Lymphoblastic Leukemia (ALL) using Mahalanobis and Naïve Bayes methods based on the morphological image of white blood cells. Agoritmas used include pre-processing, image segmentation, feature calculation and classification. K-means Clustering algorithm is used to separate the image of blood cells into nucleus and background. The features used are shape features (Area, Perimeter, Diameter, Roundness, Compactness), textural features (Local Binary Pattern) and Hybrid. Then the blood cell image is classified using the Mahalanobis and Naïve Bayes methods. Testing on this Mahalanobis research yielded the best accuracy of 100% and in Naïve Bayes yielded the best accuracy of 97.8%.

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