KLASIFIKASI ACUTE LYMPHOBLASTIC LEUKEMIA PADA CITRA MIKROSKOPIS MENGGUNAKAN HYPERCOMPLEX-VALUED CNN

Acute Lymphoblastic Leukemia merupakan salah satu jenis penyakit kanker darah yang umum terjadi pada anak-anak dengan rentang usia 3 hingga 5 tahun. Diagnosis ALL dilakukan denganrnanalisis morfologis sel oleh seorang ahli patologi. Akan tetapi proses identifikasi yang dilakukan masih tergolong tradisional. Dalam penelitian ini dilakukan proses klasifikasi dengan tujuan untuk mendiagnosis penyakit ALL berdasarkan citra mikroskopis pada dataset ALL-IDB2 menggunakan metode deep learning. Namun, dalam mengimplementasikan metode deep learning membutuhkan pemakaian memory yang cukup besar untuk menyimpan trainable parameter dan dibutuhkan penyesuaian nilai learning rate untuk mendapatkan nilai accuracy yang optimal. Untuk mengatasi permasalahan tersebut metode yang digunakan menerapakan kombinasi aljabar hypercomplex�valued pada Convolutional Neural Network (CNN) atau Hypercomplex-valued CNN, serta untuk mengetahui pengaruh nilai learning rate yang digunakan terhadap tingkat accuracy yang dihasilkan dilakukan uji coba menggunakan learning rate rate 0.1, 0.01, dan 0.001. Skenario uji coba dilakukan dengan menggunakan model CNN asli atau real-CNN dan empat jenis model Hypercomplex-valued CNN dengan learning rate 0.1, 0.01, dan 0.001. Pembagian data training dan testing sebesar 80:20. Dari tiga uji coba nilai learning rate 0.1, 0.01, dan 0.001 didapatkan bahwa nilai learning rate berpengaruh terhadap tingkat akurasi yang dihasilkan baik pada real�CNN maupun hypercomplex-valued CNN. Nilai learning rate yang semakin kecil dapat meningkatkan nilai accuracy yang dihasilkan. Pada real-CNN nilai accuracy tertinggi didapatkan dengan learning rate 0.001 yaitu sebesar 96.15%, sedangkan pada hypercomplex-valued CNN nilai accuracy tertinggi didapatkan dengan learning rate 0.001 sebesar 98.08%. Penerapan aljabar hypercomplex-valued dapat meningkatkan presentase nilai accuracy sebesar 2% pada real-CNN dan mengurangi presentase total trainable parameter sebesar 62% dari real-CNN.