Dokumen ini membahas implementasi jaringan syaraf tiruan untuk mendeteksi golongan darah manusia melalui pengolahan citra digital. Sistem ini terdiri dari kamera, video blaster, dan perangkat lunak pengolah citra untuk memproses citra darah dan mengekstrak ciri-cirinya. Jaringan syaraf tiruan digunakan untuk mengklasifikasikan golongan darah berdasarkan ciri-ciri yang diekstrak. Hasil pengujian menunjukkan tingkat keak

1. Implementasi Jaringan Syaraf Tiruan
Untuk Mendeteksi Golongan Darah Manusia
Menggunakan Pengolahan Citra Digital
Bayu TrySaputra
Ray Bafhy
Heru Kuswoyo

2. Abstrak
Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan
yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan
golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan
buatan, manusia berusaha menirukan bagaimana pola-pola dibentuk. Jaringan Syaraf
Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran
Manusia.

3. Pendahuluan.
Personal Computer (PC) sebagai sarana bantu manusia dapat menyelesaikan pekerjaan
sehari-hari di segala bidang. Pada mulanya para pemakai hanya menggunakan komputer
sebagai mesin ketik, kini telah berkembang menjadi alat kontrol atau pengendali baik di rumah
tangga, di industri bahkan di lingkungan pendidikan. Dengan bantuan kamera video dan video
blaster maka komputer dapat mengenali informasi dari citra atau gambar yang sedang diamati.
Pengolahan citra adalah suatu metode atau teknik yang dapat digunakan untuk memproses citra
atau gambar dengan jalan memanipulasinya menjadi data gambar yang diinginkan untuk
mendapat informasi tertentu.
Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan
yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan
darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia
berusaha menirukan bagaimana pola-pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan
sebagai generalisasi model matematik dari pembelajaran manusia. Beberapa peneliti telah
berhasil mengaplikasikan jaringan syaraf tiruan untuk menyelesaikan permasalahan identifikasi.
Diantaranya adalah pada bidang kedokteran telah dikembangkan untuk deteksi adanya kanker
pada paru-paru, dan untuk deteksi dan klasifikasi kondisi penyakit liver.

4. Blok Diagram Perangkat Keras.
Keseluruhan perangkat keras membentuk suatu sistem dengan susunan blok
diagram seperti gambar 1.
Gambar 1. Blok Diagram Perangkat Keras
Blok diagram dari perangkat keras terdiri dari:
• Obyek gambar, sebagai obyek dari darah yang akan dideteksi.
• Kamera Video, sebagai sarana masukan untuk memberikan data ke komputer.
• Video Blaster, sebagai perubah dari sinyal analog menjadi sinyal digital komputer

5. Subsistem Pengolahan Citra.
Secara garis besar perangkat lunak membentuk blok diagram seperti
pada gambar 2.
Gambar 2. Blok Diagram Perangkat Lunak
Subsistem pengolahan citra terbagi menjadi beberapa bagian
fungsional. Citra yang diolah memiliki ciri sebagai berikut:
• Resolusi 512 x 256 pixel.
• Memiliki 256 derajat keabuan.
• Diperoleh dari akuisisi data dengan menggunakan sebuah kamera
handycam dan diubah menjadi data digital dengan sebuah card
video blaster.

6. Preprocessing.
Pada tahap ini yang dilakukan adalah menyederhanakan gambar seperti pada
gambar 3. Yang biasa dilakukan pada dunia pengolahan citra ialah dengan melakukan
pendeteksian tepian obyek yang berada dalam gambar. Teknik ini dinamakan deteksi tepi
(Edge Detection). Adapun dasar dari teknik ini ialah dengan melakukan penelusuran gambar
secara vertikal dan horisontal sambil melihat apakah terjadi perubahan warna mendadak
yang melebihi suatu harga (sensitifitas) antara dua titik yang berdempetan. Jika ya, maka di
tempat antara kedua titik tersebut dianggap pinggiran sebuah benda.
Gambar 3. Proses penyederhanaan Gambar
Dalam makalah ini penulis menggunakan metode Prewitt Operator yang merupakan salah
satu pengembangan dari teknik deteksi tepi. Pada Prewitt Perator Operator digunakan suatu
matrik berukuran 3 x 3 dengan matrik target di titik tengahnya. Untuk jelasnya dapat dilihat
ditabel :
Tabel 1 Matriks Prewitt Operator.

7. Ekstraksi Ciri.
Setelah obyek-obyek yang ada berhasil disederhanakan pada tahap
sebelumnya, tahap berikutnya adalah mengekstraksi ciri-ciri tertentu dari setiap obyek.
Pada tahap ini mencari posisi gambar paling kiri, paling kanan, paling atas dan paling
bawah.
Kemudian gambar dibagi-bagi menjadi baris M dan kolom N. Setiap kotak dilakukan
scanning piksel bila ditemukan piksel melebihi jumlah yang ditentukan maka kotak
tersebut diberi nilai 1, jika tidak diberi nilai 0. Lakukan penyimpanan dalam matrik MxN
sebagai data referensi. Proses ekstraksi ciri dapat dilihat pada gambar 4.
Gambar 4. Proses Ektraksi Ciri

8. Klasifikasi.
Seperti kita ketahui pada saat melakukan pendeteksian terhadap golongan darah, terlebih
dahulu 3 tetes contoh darah harus ditetesi dengan reagent yang diberi nama dengan anti A, anti B dan
anti AB. Dari ketiga macam reagent tersebut harus dapat dibedakan satu sama lain.
Setelah diperoleh masukkan berupa informasi data gambar dari tiap-tiap reagent maka
keluarannya harus dapat membedakan darah itu menggumpal (logika 1) atau tidak menggumpal
(logika 0). Dengan Jaringan Syaraf Tiruan kita dapat membedakan darah itu mengumpal atau tidak
menggumpal. Struktur dari jaringan backpropagasi yang digunakan dalam makalah ini menggunakan
3 lapisan yaitu lapisan input sebanyak 90, lapisan tersembunyi sebanyak 10 dan lapisan output
sebanyak 1.
Dari ketiga hasil pemberian reagent diperoleh golongan darah dari seseorang dengan menggunakan
tabel sebagai berikut:
Misalnya tetes dari pertama mengumpal (1), tetes darah kedua tidak mengumpal (0) dan tetes darah
ketiga mengumpal (1) maka keluarannya adalah golongan darah A.

9. Hasil Implementasi.
Setelah diujicoba dan diperbaiki unjuk kerjanya, sistem yang dirancang mampu untuk
mengenali golongan darah. Hasil-hasil implementasi terlihat seperti pada gambar 6 dan
7.
Dari hasil pengujian langsung dengan menggunakan kamera didapat hasil-hasil seperti
pada tabel 4. Bila dihitung terdapat jumlah benar ada 16 dan jumlah salah ada 4.
Maka prosentase kebenaran sampai saat ini sekitar 80%. Hal ini dikarenakan
tereduksinya sejumlah data pada waktu proses pengecilan data seperti pada tabel 3.