KLASIFIKASI PENYAKIT LEUKEMIA BERDASARKAN TINGKAT KEPARAHAN MENGGUNAKAN GOOGLENET DENGAN IMAGE ENHANCEMENT CLAHE

Klasifikasi citra merupakan proses pengelompokan suatu citra ke dalam suatu kelas, sehingga setiap kelas dapat merepresentasikan suatu objek dengan ciri-ciri tertentu. Klasifikasi leukemia limfoblastik akut dengan inspeksi secara manual tentu kurang maksimal dikarenakan proses yang lebih lambat dan dapat menyebabkan inkonsistensi antar pengamat. Penelitian mengenai klasifikasi leukemia limfoblasktik akut terus dikembangkan dengan menggunakan deep learning. Pada penelitian sebelumnya tentang klasifikasi leukemia limfoblasktik akut menggunakan dataset yang imbalance (memiliki jumlah yang berbeda tiap kelas-nya). Sehingga, dalam penelitian ini peneliti dilakukan oversampling dengan metode Deep SMOTE (Syntethic Minority Oversampling Technique) dan CLAHE (Contrast Limited Adaptive Histogram Equalization) untuk memperbaiki kontras pada citra. Dataset yang digunakan adalah data citra Peripheral Blood Smear (PBS) dari laboratorium sumsum tulang Rumah Sakit Taleqani yang memiliki 4 kelas yaitu Benign, Early, Pre dan Pro dengan total data sebanyak 6,512 yang terdiri dari data citra asli dan data citra yang sudah disegementasi. Dalam penelitian ini data yang akan digunakan adalah data citra asli sebanyak 3,256 citra, dengan jumlah data pada kelas Benign, Early, Pre dan Pro masing-masing adalah 504, 985, 963 dan 804 citra. Metode Convolutional Neural Network (CNN) sering digunakan untuk klasifikasi citra karena memiliki jaringan saraf dengan struktur yang mendalam sehingga dapat mempelajari fitur yang kompleks pada citra. GoogLeNet merupakan salah satu arsitektur dari metode Convolutional Neural Network (CNN). GoogLeNet memberikan performa terbaik pada tantangan deteksi dan klasifikasi ImageNet ILSVRC14, dengan akurasi pengujian 5 teratas. Oleh karena itu, pada penelitian ini menggunakan arsitektur GoogLeNet dengan tujuan untuk membuat pembaruan dari penelitian sebelumnya. Model mendapatkan performa terbaik pada skenario dengan image enhancement CLAHE dan Deep SMOTE oversampling yang mendapatkan nilai precision, recall, F1-score, dan accuracy masing-masing 99%, 99%, 99%, dan 99%.