KLASIFIKASI ACUTE LYMPHOBLASTIC LEUKEMIA (ALL) PADA CITRA MIKROSKOPIS SEL DARAH PUTIH MENGGUNAKAN ARSITEKTUR ALEXNET

Acute Lymphoblastic Leukemia (ALL) merupakan penyakit dengan adanya proses perubahan secara ganas pada proliferasi sel progenitor limfoid dalam sumsum tulang, darah, dan situs ekstrameduler. Meskipun cukup jarang diderita oleh orang dewasa, namun seiring bertambah usia, risiko untuk terjadi pun ikut meningkat. ALL dapat di deteksi melalui metode pengujian mikroskopik pada sediaan apus darah oleh hematologi. Deteksi dini ALL perlu untuk dilakukan mengingat perkembangannya yang cepat dan dapat berakibat fatal jika tidak segera mendapatkan tindakan, hal ini juga berguna untuk menentukan pengobatan yang efektif. Prosedur otomatis untuk mendukung pemeriksaan medis telah dilakukan sebelumnya, terutama untuk membantu skrining ALL menggunakan metode identifikasi dengan mengolah dan menganalisis bagian peripheral blood-smear (sediaan apus darah). Penelitian ini dilakukan untuk dapat mengklasifikasikan citra sel darah yang didalamnya terdapat sel ALL dan sel normal atau non-ALL. Citra sel darah putih akan melalui tahap augmentasi citra. Proses klasifikasi dilakukan dengan menggunakan metode Convolution Neural Network (CNN) arsitektur AlexNet. Penelitian ini menggunakan dataset ALL-IDB2 dengan 2 kelas yaitu sel ALL dan sel non-ALL dengan total sebanyak 260 data citra sebelum proses augmentasi citra. Berdasarkan hasil percobaan yang dilakukan, penggunaan fungsi optimasi Adam pada model didapatkan akurasi maksimal sebesar 92,31% dengan learning rate 0.0001 pada fold ke-2. Sedangkan pada model dengan fungsi optimasi SGD didapatkan model dengan akurasi maksimal sebesar 96,15% dengan learning rate 0.00001 pada fold ke-1. Berdasarkan hal tersebut, model dengan fungsi optimasi SGD memiliki kelebihan dalam hal performa dibandingkan dengan model yang menggunakan fungsi optimasi Adam.