IMPLEMENTASI AUGMENTASI DATA PADA INTEGRASI YOLOV8 DAN DETR UNTUK DETEKSI SEL DARAH PUTIH
DOI:
https://doi.org/10.32699/device.v16i1.11317Keywords:
yolov8, DETR, Sel Darah PutihAbstract
Identifikasi sel darah putih secara konvensional di laboratorium memiliki keterbatasan dalam hal efisiensi waktu dan konsistensi akurasi akibat kelelahan visual manusia. Penelitian ini bertujuan mengimplementasikan arsitektur Detection Transformer (DETR) yang diintegrasikan dengan kerangka kerja YOLOv8 untuk meningkatkan performa deteksi pada lima jenis sel darah putih (Basofil, Eosinofil, Limfosit, Monosit, dan Neutrofil). Fokus utama penelitian adalah mengatasi limitasi arsitektur Convolutional Neural Network (CNN) dalam mendeteksi objek yang saling tumpang tindih (overlapping) serta menyeimbangkan distribusi kelas pada dataset publik yang terbatas. Menggunakan metodologi CRISP-DM, tahap persiapan data menerapkan teknik augmentasi spasial dan oversampling untuk memperkaya 136 citra mentah menjadi 310 citra latih beresolusi 640x640 piksel. Eksperimen dilakukan menggunakan model RT-DETR-L yang memiliki kemampuan Global Context Mapping. Hasil evaluasi menunjukkan performa unggul dengan nilai Presisi 0,957, Recall 0,933, dan mAP50 sebesar 0,931. Model berhasil mencapai akurasi sempurna (1,00) pada klasifikasi Eosinofil, Limfosit, dan Monosit. Kesimpulannya, integrasi arsitektur Transformer dan strategi augmentasi data terbukti sangat efektif dalam meningkatkan akurasi deteksi dan meminimalkan misklasifikasi, menjadikannya solusi yang tangguh untuk diimplementasikan dalam sistem diagnostik medis otomatis berbasis web menggunakan Streamlit.
References
Adriyanto, T. et al. (2022) “Classification of dog and cat images using the CNN method,” ILKOM Jurnal Ilmiah, 14(3), pp. 203–208.
Ak, S.B. et al. (2018) “ANALISIS JUMLAH LEUKOSIT DAN JENIS LEUKOSIT PADA INDIVIDU YANG TIDUR DENGAN LAMPU MENYALA DAN YANG DIPADAMKAN,” Jurnal Media Analis Kesehatan, 1(1).
Andrianson, F., Lina, L. and Chris, A. (2021) “Pendeteksian Sel Darah Putih Dari Citra Preparat Dengan You Only Look Once,” Jurnal Ilmu Komputer dan Sistem Informasi, 9(1), pp. 75–78.
Indarto, I. and Murinto, M. (2017) “Klasifikasi Jenis Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk dengan Metode K-Nearest Neighbor,” Jurnal Informatika, 11(2), pp. 25–32. Available at: https://doi.org/10.26555/jurnal.v11i2.6417.
Indrawanti, A.S. and Mandyartha, E.P. (2018) “Deteksi Limfoblas pada Citra Sel Darah Menggunakan Fitur Geometri dan Local Binary Pattern,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 7(4), pp. 404–410.
Kurnia, R., Fatiyah, R. and Efendi, R.P. (2021) “Identifikasi Jenis Sel Darah Putih Menggunakan Metode Convolutional Neural Network,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(3), pp. 540–546. Available at: https://doi.org/10.29207/resti.v5i3.3135.
Nicolas, C. et al. (2020) “End-to-End Object Detection with Transformers,” in. Springer International Publishing. Available at: https://doi.org/10.1007/978-3-030-58452-8.
Nugraha, S.J.A. and Erfianto, B. (2023) “Deteksi Sel Darah Putih Menggunakan Integrasi Yolov8 dengan DETR untuk Meningkatkan Akurasi,” Sinkron: Jurnal dan Penelitian Teknik Informatika, 8(3), pp. 1908–1916. Available at: https://doi.org/10.33395/sinkron.v8i3.12811.
Park, Y.H. and Jun, T.H. (2022) “Klasifikasi Biji Kedelai [Glycine max (L.) Merr.] Berbasis Deep Learning Menggunakan Model YOLOV5,” Plant Breeding and Biotechnology, 10(1), pp. 75–80.
Prasetyo, E., Purbowati, N. and Adhi, K.S. (2022) “Deep Learning for White Blood Cell Segmentation and Classification: A Review,” International Journal of Advanced Computer Science and Applications, 13(5). Available at: https://doi.org/10.14569/IJACSA.2022.0130545.
Reynaldo, D. and Lina (2019) “Kajian tentang Deteksi Sel Darah Putih dengan Teknik Segmentasi Watershed.”
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Device
This work is licensed under a Creative Commons Attribution 4.0 International License.
