DETEKSI TINGKAT KEPARAHAN LEUKEMIA LIMFOBLASTIK AKUT MENGGUNAKAN WATERSHED DAN LOCAL ADAPTIVE THRESHOLDING DENGAN DENSENET121

Arini, Andhini Putri (2025) DETEKSI TINGKAT KEPARAHAN LEUKEMIA LIMFOBLASTIK AKUT MENGGUNAKAN WATERSHED DAN LOCAL ADAPTIVE THRESHOLDING DENGAN DENSENET121. Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (COVER) 21081010122_Cover.pdf Download (1MB)
	Text (BAB I) 21081010122_BAB I.pdf Download (17kB)
	Text (BAB II) 21081010122_BAB II.pdf Restricted to Registered users only until 19 June 2027. Download (840kB)
	Text (BAB III) 21081010122_BAB III.pdf Restricted to Registered users only until 19 June 2027. Download (697kB)
	Text (BAB IV) 21081010122_BAB IV.pdf Restricted to Registered users only until 19 June 2027. Download (2MB)
	Text (BAB V) 21081010122_BAB V.pdf Download (9kB)
	Text (DAFTAR PUSTAKA) 21081010122_DAFTAR PUSTAKA.pdf Download (135kB)
	Text (LAMPIRAN) 21081010122_LAMPIRAN.pdf Download (31kB)

Abstract

Deteksi tingkat keparahan leukemia limfoblastik akut (Acute Lymphoblastic Leukemia/ALL) memegang peran penting dalam mendukung diagnosis dini dan pengambilan keputusan medis yang cepat. Meskipun telah banyak pendekatan berbasis citra yang dikembangkan, tantangan seperti kualitas visual sel darah dan keterbatasan segmentasi masih menjadi kendala dalam mencapai akurasi klasifikasi yang tinggi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat keparahan ALL berbasis citra mikroskopis dengan menerapkan metode Self-Dual Multiscale Morphological Toggle (SMMT) sebagai tahapan praproses guna meningkatkan kejernihan fitur visual. Segmentasi dilakukan menggunakan kombinasi Local Adaptive Thresholding dan Watershed untuk memisahkan area nukleus dan sitoplasma secara lebih presisi. Citra hasil segmentasi kemudian diklasifikasikan menggunakan arsitektur DenseNet121. Dataset yang digunakan terdiri dari 4 kelas yaitu, Benign, Malignant Early Pre-B, Malignant Pre-B, dan Malignant Pro-B yang kemudian dibagi dengan rasio 60% untuk pelatihan, 20% validasi, dan 20% pengujian. Evaluasi dilakukan melalui analisis semua hasil skenario penelitian dan model terbaik dicapai pada konfigurasi batch size 64 dengan 30 epoch, yang dipilih berdasarkan hasil pengujian paling optimal selama penelitian. Pada konfigurasi ini, model berhasil mencapai akurasi tertinggi sebesar 97% dengan waktu pelatihan yang efisien, yaitu 37 menit 26 detik.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Sari, Anggraini Puspita	NIDN0716088605	anggraini.puspita.if@upnjatim.ac.id
Thesis advisor	Junaidi, Achmad	NIDN0019067008	achmadjunaidi.if@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA76.6 Computer Programming
Q Science > QA Mathematics > QA76.87 Neural computers
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

andhini putri arini

Date Deposited:

19 Jun 2025 01:54

Last Modified:

19 Jun 2025 01:54

URI:

https://repository.upnjatim.ac.id/id/eprint/38584