IMPLEMENTASI VGG-UNET UNTUK SEGMENTASI MULTIKELAS PADA SEL DARAH PUTIH

Darah adalah komponen vital dalam tubuh manusia yang terdiri dari berbagai sel, termasuk leukosit, yang memiliki peran dalam sistem kekebalan tubuh. Deteksi dan segmentasi leukosit hingga saat ini masih menggunakan metode manual menggunakan larutan kimia seperti larutan Wright dan Buffer. Namun metode manual ini tentu menyita banyak waktu dan rentan terhadap kesahalan. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan model otomatis yang dapat menghasilkan output dengan kualitas yang setara dengan hasil analisis para ahli. Model otomatis yang digunakan adalah kombinasi dari arsitektur VGG (Visual Geometry Group) dan UNet yang biasa disebut VGG-UNet. Kami menguji model ini pada dataset Cellavision yang terdiri dari 300 gambar dan 300 ground truth dengan komponen gambar terdiri dari dua objek yaitu nukleus dan sitoplasma. Model disusun dengan tambahan layer dropout dan layer batch normalization. Beberapa parameter yang diatur meliputi learning rate sebesar 0,0001, batch size 16, epoch 50, serta penggunaan reduksi learning rate dan early stopping. Hasil penelitian menunjukkan bahwa model VGG-UNet adalah arsitektur yang efisien untuk digunakan dalam tugas segmentasi sel darah putih. Konfigurasi terbaik yaitu model tanpa penggunaan layer dropout dan batch normalization dengan ukuran citra 128 piksel, yang berhasil mencapai nilai rata-rata evaluasi tertinggi sebesar 0,9497. Dengan rincian rata-rata Dice Coeffienct 0,9506, Intersection over 0,9085, Accuracy 0,9863, Recall 0,95045, dan Precision 0,9532.