<![CDATA[Abstract—Health practitioners use hemocytometer to manually counting the blood cells, and it is considered time-consuming, arduous, and expert-dependent. Automated methods are costly, require meticulous maintenance, can lead to misidentify abnormal cells. This research proposed an application that swiftly, precisely, and easily count red and white blood cells. YOLOv5 is used to detect red and white blood cells in digital images. The model is trained on BCCD dataset and BCCD+ALL-IDB1 using YOLOv5s configuration and 736x736 image input size, and achieve 89.9% mAP50 value for red blood cell, 99.4% for white blood cell, and 93.8% for all classes using BCCD dataset. About 17.7% mean absolute percentage error (MAPE) is obtained using YOLO5x configuration with 416x416 image input size tested on BCCD dataset. The YOLOv5s configuration setup with 736x736 image input size gives 10.9% error rate against ALL-IDB1 dataset. The system is developed using Laravel and Flask, and it proficiently detects and counts red and white blood cells. Keywords: YOLOv5, computer vision, blood count, red blood cell, white blood cell Abstrak—Metode perhitungan sel darah merah secara manual menggunakan hemositometer membutuhkan waktu yang lama serta melelahkan dan sangat bergantung kepada tenaga ahli di bidang medis, sedangkan perhitungan otomatis menggunakan alat membutuhkan biaya yang mahal dan perawatan ekstra untuk menjaga hasil yang akurat serta apabila dihadapkan dengan sel berukuran abnormal maka alat akan salah mengidentifikasi, maka dibutuhkan suatu sistem yang dapat menghitung jumlah sel darah merah dengan cepat, akurat, dan mudah untuk dioperasikan. YOLOv5 digunakan untuk mendeteksi sel darah merah melalui citra digital. Model dilatih menggunakan BCCD Dataset dan BCCD + ALL-IDB1. Berdasarkan nilai mAP50 didapatkan model terbaik dengan konfigurasi YOLOv5s dengan ukuran masukan 736x736 dengan data latih yaitu BCCD sebesar 89.9% untuk sel darah merah, 99,4% untuk sel darah putih dan 93,8% untuk semua kelas. Berdasarkan mean absolute percentage error (MAPE) didapatkan sebesar 17.7% untuk konfigurasi YOLOv5x dengan ukuran citra masukan 416x416 jika diuji menggunakan data BCCD, namun konfigurasi YOLOv5s dengan ukuran citra masukan 736x736 memiliki nilai lebih rendah yaitu 10.9% jika dihadapkan dengan data uji ALL-IDB1. Sistem dibuat dengan menggunakan Laravel dan Flask. Secara keseluruhan, sistem dapat dengan baik mendeteksi serta menghitung sel darah merah maupun sel darah putih. Kata kunci: YOLOv5, visi computer, hitung sel darah, sel darah merah, sel darah putih]]>
Copyrights © 2024
