Perbandingan Penggunaan Optimizer dalam Klasifikasi Sel Darah Putih Menggunakan Convolutional Neural Network
Sel darah putih adalah komponen penting dari sistem kekebalan tubuh yang bertugas melawan infeksi dan penyakit. Klasifikasi dan penghitungan sel darah putih biasanya dilakukan secara manual oleh operator berpengalaman atau menggunakan analisis sel darah otomatis. Metode manual tidak efisien, memakan...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitas Gadjah Mada
2025-03-01
|
| Series: | Jurnal Nasional Teknik Elektro dan Teknologi Informasi |
| Subjects: | |
| Online Access: | https://jurnal.ugm.ac.id/v3/JNTETI/article/view/17162 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Sel darah putih adalah komponen penting dari sistem kekebalan tubuh yang bertugas melawan infeksi dan penyakit. Klasifikasi dan penghitungan sel darah putih biasanya dilakukan secara manual oleh operator berpengalaman atau menggunakan analisis sel darah otomatis. Metode manual tidak efisien, memakan waktu, dan membutuhkan banyak tenaga kerja, sedangkan mesin analisis otomatis sering kali mahal dan memiliki persyaratan tinggi untuk sampel uji. Penelitian ini bertujuan untuk membandingkan kinerja tiga jenis optimizer, yaitu root mean square propagation (RMSProp), stochastic gradient descent (SGD), dan adaptive moment estimation (Adam), dalam model klasifikasi sel darah putih menggunakan algoritma convolutional neural network (CNN). Dataset yang digunakan terdiri atas 12.392 citra yang mencakup empat kelas sel darah putih, yaitu eosinofil, neutrofil, limfosit, dan monosit. Hasil penelitian menunjukkan bahwa optimizer Adam memberikan kinerja terbaik dengan akurasi pelatihan mencapai 98,65% dan akurasi evaluasi sebesar 97,73%. Adam juga unggul dalam metrik lainnya, seperti recall (97,43%), presisi (97,42%), F1-score (97,42%), dan spesifisitas (99,11%). Nilai AUC untuk setiap kelas melebihi 90%, menunjukkan kemampuan model yang sangat baik dalam membedakan data antarkelas. Optimizer RMSProp menghasilkan akurasi pelatihan sebesar 98,63%, sedangkan SGD menunjukkan akurasi pelatihan lebih rendah, yaitu 83,46%. Penelitian ini menunjukkan bahwa pemilihan optimizer yang tepat berpengaruh pada kinerja CNN dalam klasifikasi citra sel darah putih, sehingga dapat menjadi langkah awal untuk pengembangan sistem klasifikasi medis yang lebih akurat. |
|---|---|
| ISSN: | 2301-4156 2460-5719 |