Klasifikasi Jenis Golongan Darah Menggunakan Fuzzy C-Means Clustering (FCM) dan Learning Vector Quantization (LVQ)

Abstract

Abstract — Blood is an important part of the body. Blood is divided into several groups A, B, O, and AB. Conventionally, detect blood group by dripping anti-A serum and anti-B serum into the blood to be recognized and direct measurement of the serum droplet reaction. This study will compare the processes that use segmentation and  without using segmentation to know the various segmentation information in introduction of human blood type image. From the test results that segmentation increase accuracy of recognition between 10% -24% of each test. By using JST Learning Vector Quantization (LVQ) as a classifier and Fuzzy C-Mean as segmentation, the optimal result on the system averages 92% to 98%.. Index Terms —Blood, Segmentation, Classification Abstrak –- Darah merupakan salah satu bagian penting dalam tubuh. Darah dibedakan menjadi beberapa golongan yaitu A, B, O, dan AB. Secara konvensional, mendeteksi golongan darah dengan cara meneteskan serum anti-A dan serum anti-B ke darah yang akan dikenali kemudian melakukan pengamatan langsung terhadap reaksi tetesan serum tersebut.  Penelitian ini akan membandingkan antara proses pengenalan yang menggunakan segmentasi dengan proses pengenalan tanpa menggunakan segmentasi untuk mengetahui seberapa besar pengaruh metode segmentasi dalam pengenalan citra golongan darah manusia. Dari hasil pengujian didapatkan bahwa dengan adanya metode segmentasi akurasi system pengenalan bertambah antara 10%-24% setiap uji coba. Dengan menggunakan JST Learning Vector Quantization (LVQ) sebagai pengklasifikasi dan Fuzzy C-Mean sebagai segmentasi citra darah dapat diperoleh hasil yang optimal pada sistem pengenala golongan darah manusia dengan prosentase keberhasilan rata rata 92% hingga 98%. Kata Kunci —Darah, Segmentasi, Klasifikasi Klasifikasi Jenis Golongan Darah Menggunakan Fuzzy C-Means Clustering (FCM) dan Learning Vector Quantization (LVQ)