You are on page 1of 41

KLASIFIKASI STADIUM TROPHOZOITE, SCHIZONTS, GAMETOCYTER ..

Ruliah

KLASIFIKASI STADIUM TROPHOZOITE, SCHIZONTS, GAMETOCYTER PADA SEDIAAN DARAH PLASMODIUM FALCIPARUM DENGAN PENDEKATAN SUPPORT VECTOR MACHINE

Ruliah

ABSTRAK

Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup. Faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morphology parasit dan faktor kelelahan mata dalam melihat morphology, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan. Morphology Plasmodium Falciparum dibagi menjadi tiga stadium besar; Trophozoites, Schizonts dan Gametocyter. Dari hasil penelitian dibidang kesehatan menunjukkan, ditemukannya Schizonts dalam darah tepi menunjukkan keadaan infeksi berat sehingga merupakan indikasi untuk tindakan pengobatan cepat. Penelitian ini bertujuan untuk mengidentifikasi tiga bentuk stadium parasit malaria Plasmodium Falciparum pada citra digital preparat darah yang terindikasi mengandung parasit tersebut. Sebelum melakukan proses identifikasi, langkah pertama dari prosedur analisis yang dilakukan pada penelitian ini adalah melakukan pemisahan objek dengan menggunakan metode segmentasi kmean clustering. Langkah kedua, melakukan ekstraksi ciri terhadap citra data yang akan diuji. Ekstraksi ciri yang digunakan sebagai masukkan pada sistem yang akan dibangun pada penelitian ini menggunakan ciri warna. Langkah terakhir adalah melakukan uji identifikasi mengidentifikasi tiga bentuk stadium parasit malaria plasmodium falciparum menggunakan Support Vector Machine (SVM) multiclass metode ones against ones. Hasil dari penelitian ini menggunakan ciri warna sebagai ciri masukannya dan identifikasi menggunakan SVM dapat memberikan tingkat keberhasilan sebesar 93,33 % data citra dengan benar. Kata Kunci : Malaria, Morphology Plasmodium Falciparum, k-mean clustering, SVM multiclass metode ones against ones

1. Pendahuluan Malaria merupakan penyakit yang diakibatkan oleh parasit yang tergolong dalam filum Apicomplexa, kelas Sporozoa, ordo Haemosporida, suku Plasmodidae, dan genus Plasmodium. Dari 20 spesies Plasmodium, hanya empat spesies diantaranya yang dapat menginfeksi manusia, yaitu Plasmodium Falciparum, Plasmodium Vivax, Plasmodium Ovale, dan Plasmodium Malariae [1]. Namun kasus malaria yang banyak ditemukan di Indonesia hanya spesies Plasmodium Falciparum, Plasmodium Vivax dan Mix (Plasmodium Falciparum dan Plasmodium Vivax berada dalam satu sample darah). Plasmodium Falciparum rentan menimbulkan kematian [2]. Pola identifikasi yang selama ini dilakukan secara konvensional yaitu dengan menemukan parasit secara mikroskopis pada sediaan darah. Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup, karena faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morphology parasit dan faktor kelelahan mata dalam melihat morphology, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan [3]. Diperlukan human computer interaction untuk membantu pekerjaan analisis tersebut. Penelitian yang berkaitan dengan parasit malaria dan melibatkan perkembangan teknologi dalam bidang komputer adalah tentang pengenalan Parasit Plasmodium Falciparum dalam darah dengan judul A Neural Network Architecture for Automated Recognition of Intracellular Malaria Parasites in Stained Blood Films [4]. Sebagai data pelatihan digunakan 50 segmen citra yang terinfeksi parasit malaria Plasmodium Falciparum pada cyclus ring dan 50 segmen citra darah yang tidak terinfeksi. Metode Back Propagation jaringan syaraf tiruan digunakan untuk mengenali keberadaan ada atau tidaknya Plasmodium Falciparum pada sediaan darah hasil capture dari mikroskop. Tujuan dari penelitian ini adalah mengidentifikasi sediaan darah terinfeksi parasit malaria atau tidak. Performance yang dihasilkan cukup signifikan, namun masih mempunyai biaya komputasi yang tinggi. Dari hasil penelitian tersebut, belum dilakukan secara spesifik klasifikasi atau identifikasi terhadap Morphology Plasmodium Falciparum. Morphology Plasmodium Falciparum dibagi menjadi tiga stadium besar; Trophozoite, Schizonts dan Gametocyter. Dari hasil penelitian dibidang kesehatan menunjukkan, ditemukannya Schizonts dalam darah tepi menunjukkan keadaan infeksi berat sehingga merupakan indikasi untuk tindakan pengobatan cepat [2] . Dimana stadium Trophozoite yaitu parasit dalam proses pertumbuhan, Stadium Shizont yaitu parasit dalam proses pembiakan dan Gametocyter yaitu parasit dalam proses pembentukan kelamin.[2]. Pola yang dilihat pada identifikasi secara mikroskopis, tidak hanya pada perubahan teksture, namun juga dipengaruhi oleh unsur warna dari masing-masing plasmodium. [1] , melakukan identifikasi parasit malaria pada Plasmodium Falciparum menggunakan Learning Vector Quantization (LVQ) dengan empat hidden neuron. Hasil yang dicapai pada penelitiannya menunjukkan bahwa ciri warna dapat memberikan tingkat keberhasilan yang lebih tinggi dibanding ciri histogram. JST LVQ dengan input ciri warna berhasil mengidentifikasi 91,67% data citra dengan benar dan 81,25% berhasil diidentifikasi dengan benar dengan ciri statistik histogram sebagai ciri masukannya. Pada kasus identifikasi Plasmodium Falciparum dilapangan, sebaran data pada citra yang dihasilkan dari Sedian Darah dominan mempunyai sebaran data yang tidak linear. Sehingga memerlukan sebuah metode yang proporsional bekerja pada problem non linier.

2. Disain Sistem

Gambar 1. Diagram blok penelitian

2. Preprocessing Proses preprocessing sebelum proses klasifikasi melalui 2 tahapan, yaitu segmentasi warna dan ekstraksi cirri. Segmentasi dilakukan untuk memisahkan unsur warna berdasarkan intensitas warna. Hal ini didasarkan bahwa dalam tiap obyek plasmodium mempunyai perbedaan warna, sehingga ciri warna yang akan diambil pada saat ekstraksi ciri pada proses berikutnya.

Gambar 2. Flowchart proses k-means clustering Berikut ini adalah hasil segmentasi warna plasmodium menggunakan jumlah cluster 3, dan sudah diambil hasil cluster terbaik dari 2 hasil cluster lainnya.

(a) (b) a. Citra plasmodium sebelum cluster b. (b) citra plasmodium hasil cluster

Gambar 3. Hasil proses Kmeans clustering Hasil cluster terbaik selanjutnya diekstraksi untuk mendapatkan rata-rata nilai maksimum dari komponen warna R, G dan B. Hasil cluster menggunakan kmeans berada dalam ruang warna RGB. Proses ekstraksi cirri dapat digambarkan dengan proses berikut :

Gambar 4. Proses ekstraksi ciri

Tiap citra hasil ekstraksi ciri mempunyai ukuran data vector matrik 1 x 50. Proses berikutnya melakukan proses pelatihan menggunakan SVM multiclass metode ones against ones

2. Identifikasi Mengggunakan SVM


Data pelatihan yang sudah diekstraksi ciri, selanjutnya menjadi data pelatihan SVM. SVM mempunyai dasar klasifikasi 2 kelas (biner). Karena klasifikasi yang dilakukan pada penelitian ini menggunakan 3 kelas, yaitu Throphozoite, Schizonts dan Gametocyter sehingga jumlah SVM biner dihitung menggunakan rumus k (k+1) / 2 ; (k adalah jumlah kelas) dan menghasilkan 3 buah SVM biner. SVM biner yang pertama terdiri dari, Trophozoite sebagai kelas 1 dan Schizonts sebagai kelas -1, dan seterusnya seperti yang ditunjukkan pada tabel 1. Tabel 1. Tiga buah SVM biner dengan metode ones against ones

Untuk setiap SVM biner, dimulai dari SVM biner yang pertama sampai dengan SVM biner yang ketiga, akan melalui proses pemetaan ke feature space menggunakan kernel RBF, mencari sejumlah data pelatihan apakah memiliki nilai alpha > 0 hal ini untuk mendapatkan data pelatihan tersebut sebagai support vector atau tidak. Dan yang proses yang terakhir untuk mendapatkan nilai bias. Sehingga solusi bidang pemisah terbaik dapat ditemukan. Proses tersebut dapat dijabarkan sebagai berikut : Salah satu metode yang digunakan SVM untuk mengklasifikasikan data yang mempunyai sebaran data non linier adalah dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space), sehingga dapat dipisahkan secara linier pada feature space. Karena feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Hal ini mengakibatkan komputasi pada feature space sangat besar, karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga. Maka pada SVM digunakan kernel trick. Fungsi kernel yang digunakan pada penelitian ini adalah Radial Basis Function (RBF) [14]

K(xi,x) = exp ( - |xi x|2), > 0 .(1)

Sejumlah support vector pada setiap data pelatihan harus dicari untuk mendapatkan solusi bidang pemisah terbaik. Persoalan solusi bidang pemisah terbaik dapat dirumuskan :

.(2)

Subject to :

Data yang berkorelasi dengan i > 0 inilah yang disebut sebagai support vector. Dengan demikian, dapat diperoleh nilai yang nantinya digunakan untuk menemukan w. Solusi bidang pemisah didapatkan dengan rumus w =iyixi ; b = yk- wTxk untuk setiap xk , dengan k 0[13]. Proses tersebut berulang untuk setiap SVM biner. Setelah proses pelatihan selesai dilakukan, maka dilanjutkan dengan proses pengujian. Proses pengujian atau klasifikasi dilakukan juga pada setiap SVM biner menggunakan nilai alpha dan bias yang dihasilkan pada proses pelatihan di setiap SVM biner. Fungsi yang dihasilkan untuk proses pengujian adalah :

f(xd)= iyi K(xi,xd) + b ..(3) (xi = support vector; xd = data pengujian)

Jika f(xd) +1 maka kelas untuk xd adalah +1, dan jika f(xd) -1 maka kelas untuk xd adalah -1. Setelah keseluruhan k (k 1) / 2 model klasifikasi selesai dibangun, terdapat beberapa metode untuk melakukan pengujian. Salah satunya adalah metode vooting (14).

Gambar 5. Proses vooting menggunakan diagram klasifikasi SVM metode ones againts ones

Pada gambar 5 jika data x dimasukkan ke dalam fungsi hasil pelatihan pada persamaan berikut :

f(x)=(wij)T(x)+b ....(4)

dan hasilnya menyatakan x adalah kelas i, maka suara untuk kelas i ditambah satu. Kelas dari data x akan ditentukan dari jumlah suara terbanyak. Jika terdapat dua buah kelas yang jumlah suaranya sama, maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data. Jadi pada pendekatan ini terdapat k (k 1) / 2 buah permasalahan quadratic programming yang masing-masing memiliki 2n / k variabel (n adalah jumlah data pelatihan). 2. Hasil dan Pembahasan

Data yang digunakan pada penelitian ini data sample darah yang terdeteksi mengandung parasit malaria Plasmodium Falciparum yang mengandung morphology stadium Trophozoite , Schizont atau Gametocyter , masing masing kelas 15 sample untuk dilakukan identifikasi dengan pembagian 10 sample sebagai data pelatihan dan 5 sample sebagai data pengujian yang disimpan pada folder tertentu.

Tabel 2. Distribusi data pelatihan dan data pengujian

Tiap data citra mempunyai dimensi 50 x 50 pixel. Data pelatihan dan pengujian melalui tahapan proses seperti pada blok diagram penelitian gambar 1. Setelah melalui tahapan segmentasi dan dipilih hasil cluster terbaik, Tiap data citra hasil cluster kemudian diekstraksi ciri untuk diambil rata-rata nilai maksimum dari komponen warna RGB. Hasil ekstraksi ciri tiap data citra hasil cluster mempunyai ukuran dimensi 1x50. Seluruh data pelatihan selanjutnya disusun berdasarkan komposisi data pelatihan untuk 3 SVM biner. SVM biner pertama mempunyai dimensi data vector matriks 20 x 50 untuk 10 data tropozoite dan 10 data shcizont, SVM biner kedua mempunyai dimensi data vector matriks 20 x 50 untuk 10 data tropozoite dan 10 data gametocyte, dan yang terakhir SVM biner ketiga mempunyai dimensi data vector matriks 20 x 50 untuk 10 data Shcizont dan 10 data gametocyte, Setiap Sampel baik data uji maupun data pelatihan yang diproses menggunakan SVM Biner dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. Target dari hasil pelatihan ini adalah mencari Hyperplane terbaik pada masing-masing SVM biner, yang akan digunakan untuk mengidentifikasi setiap data uji, apakah berada dikelas -1 atau +1. Setiap data pelatihan mempunyai nilai alpha yang dicari menggunakan quadratic programming. Nilai alpha tersebut menentukan apakah setiap data pelatihan sebagai support vector atau bukan. Nilai alpha yang melebihi threshold yang telah ditentukan itulah yang dapat dikatakan sebagai support vector. Pada peneltian ini digunakan threshold alpha > 1e-5. Seperti halnya data pelatihan yang disusun menjadi 3 buah SVM biner. maka untuk mengklasifikasi data uji, setiap data uji tersebut diproses dalam setiap SVM biner. Setiap sampel data uji dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. dan selanjutnya dipetakan ke fiture space menggunakan kernel RBF. Proses pengujian mengikuti rumus 3. untuk menentukan apakah hasil dari rumus tersebut bernilai negative atau positive. Jika hasilnya adalah negative maka data uji tersebut berada pada kelas -1 dan jika hasilnya positive maka data uji tersebut berada pada kelas +1. Pembagian label +1 dan -1 untuk data pada setiap SVM biner dapat ditunjukkan pada tabel 3.

Tabel 3. Pembagian label untuk data pelatihan

Jika kelas +1 adalah lebel untuk Trophozoite dan kelas -1 adalah lebel untuk Schizonts, sedangkan hasil dari SVM biner tersebut bernilai positive, maka hasil klasifikasi untuk kelas SVM biner tersebut adalah Trophozoite atau nilai voting Trophozoite bertambah 1. Setelah data uji tersebut diproses pada masing-masing SVM biner, maka hasil pengujian akhir mengikuti metode ones against ones SVM multiclass. Penentuan suatu data uji masuk dalam kelas Trophozoite atau Schizonts atau Gametocyter, yaitu dengan melakukan voting dari hasil seluruh SVM biner.

Tabel 4. Hasil pengujian Trophozoites pada tiap SVM Biner

Tabel 4. menunjukkan hasil pengujian sebuah data uji yang diproses pada SVM biner 1, SVM biner 2 dan SVM biner3. Jika pada SVM biner 1, suatu data uji dinyatakan sebagai Trophozoite, di SVM biner 2 dinyatakan sebagai Trophozoite dan di SVM biner 3 dinyatakan sebagai Gametocyte, maka nilai voting untuk data uji tersebut yang terbanyak adalah Trophozoite. Dan hasil identifikasi akhir/hasil voting dari data uji tersebut dinyatakan sebagai Trophozoite. Hasil keseluruhan pengujian dapat dilihat pada tabel berikut :

Tabel 5. Hasil pengujian seluruh data uji pada tiap SVM biner

Hasil akurasi identifikasi 93.33% didapatkan setelah melalui beberapa tahap proses pelatihan untuk mendapatkan hyperplane terbaik. Gambar plot proses pelatihan untuk mendapatkan akurasi 93.33% yang diambil dari proses mathlab ditunjukkan pada gambar berikut ini :

Gambar 6. Gambar proses pelatihan dan pengujian dengan nilai akurasi 93,33% pada pelatihan ke 20

Hasil akurasi pengujian dapat ditunjukkan pada tabel dan gambar diagram batang berikut:

Tabel 6. Tingkat akurasi hasil identifikasi Plasmodium Falciparum

Gambar 7. Grafik Batang Tingkat Akurasi Hasil Identifikasi Plasmodium Falciparum

2. Kesimpulan

Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Identifikasi Plasmodium falciparum Dalam Sample Darah Menggunakan Support Vector Machine, dapat disimpulkan sebagai berikut: 1. Tahapan penelitian yang dilakukan meliputi pengolahan citra digital untuk mengkonversi ruang warna citra dari RGB ke CIE Lab. Dilanjutkan dengan proses segmentasi citra menggunakan k-mean clustering. Proses terakhir adalah pelatihan dan identifikasi menggunakan support vector machine. 2. Data citra yang digunakan cukup terbatas yaitu 45 citra parasit, terdiri dari 15 citra Trophozoites, 15 citra Schizonts 15 citra Gametocyter pada percobaan pertama dan 90 citra parasit, terdiri dari 30 citra Trophozoites, 30 citra Schizonts 30 citra Gametocyter pada percobaan kedua. Hal ini dikarenakan data yang digunakan disesuaikan dengan data penelitian sebelumnya yang diunduh dari http://www.dpd.cdc.gov dan Data pada penelitian ini berdasarkan data validasi yang sudah didapat pada Balai Laboratorium Kesehatan, Propinsi Kalimantan Selatan. 3. Segmentasi menggunakan k-means clustering dilakukan dengan nilai k = 3 (k adalah jumlah cluster). Pada eksperimen yang telah dilakukan dengan menambah nilai k pada kelompok sampel ini, objek akan ikut tereduksi dengan warna objek lainnya sehingga objek akan rusak / hilang bila diberi nilai k yang lebih besar dari 3. Sehingga jumlah cluster dengan nilai k=3, pada penelitian ini mempunyai hasil segmentasi yang lebih baik untuk meningkatkan akurasi identifikasi. 4. Pada proses ekstraksi ciri, ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB dan dapat mengenali pola pada citra parasit plasmodium falciparum dengan rata-rata tingkat akurasi keberhasilan sebesar 93.33%, 5. Tingkat akurasi hasil identifikasi setiap jenis plasmodium falciparum menggunakan Support Vector Machine yaitu Throphozoites (100 %), Schizonts (100%), Gametocyter (80%). Rata-rata akurasi hasil identifikasi keseluruhan sebesar 93.33 %. Hasil identifikasi plasmodium falciparum pada penelitian sebelumnya yang mencapai 91.76% dapat ditingkatkan menjadi 93.33% menggunakan pendekatan Support Vector Machine.

6. Daftar Pustaka

[1]. Iis Hamsir Ayub, Adhi Susanto, and Litasari, 2008. Classfication of Plasmodium Falciparum using Learning Vector Quantization Neural Network. BME Day 2008, Surabaya : 17 [2]. Departemen Kesehatan RI, 1991, Pemeriksaan Parasit Malaria Secara Mikroskopik, hal : 45 : 49, Jakarta [3]. Muslim, 2009, Parasitogi untuk Keperawatan, EGC, Jakarta [4]. Premaratne, SP., Nadira Dharshani Karunaweera., Shyam Fernando, W. Supun R. Parera., and R.P. Asanga S Rajapahaksa, 2006. A Neural Network Architecture For Automated Recognition of Intracelluler Malaria Parasites in Staned Blood Film. HYPERLINK "http://www.lanka.com.Ik" http://www.lanka.com.Ik . [5]. Qussay A. Salih., Abdul Rahman Ramli., Rozi Mahmud, dan Rahmita Wirza, 2004. 3D Visualization For Blood Cells Analysis Versus Edge Detection, The internet Journal of Medical Technologi. [6]. Nursuprianah, Indah., 2005. Suatu Model Matematika Dinamika Parasit Malaria Dalam Tubuh Manusia, Bandung , ITB Central Libarary [7]. Stivala, David, Alexander,2008, Computational Gene Finding in the Human MalariaParasite Plasmodium vivax, University Libarary Digital Repository , Melbourne. [8]. Bastian, Olivier, 2006. Developpments Theoriques et Methods Numeriques Pour Les Analysys Comparatives de Genomes Et Proteomes Biaises Application A La Comparaison des Genmes et Proteomes de Plasmodium Falciparum et Darabidopsis Thaliana, Tehes Doctuer De LUniversite Joseph Fouir. [9]. Widiastuti, Sri., 2006, Penggunaan Jaringan Syaraf Tiruan untuk Prediksi Pengambilan Tindakan Medis Pasien Berdasarkan Diagnosis Klinis. Tesis. Teknik Elektro. Universitas Gajah Mada.

[10]. Hendriyono, 2009 , Malaria , Banjarmasin, Fakultas Kedokteran [11]. Nalwan, A. 1997. Pengolahan Gambar Secara Digital, Elek Media Komputindo, Jakarta. [12]. Nugroho, Anto Satriyo, 2008, Support Vector Machine, PTI & Komunikasi BPP Teknologi, Bandung [13]. Nugroho, Anto Satriyo., Witarto, Budi Arief, Handoko, Dwi., 2003, Support Vector Machine Teori dan Aplikasinya Dalam Bioinformatika, BPP, Technologi. [14]. Sembiring, Krisantus., 2007, Tutorial SVM Bahasa Indonesia, Bandung, Teknik Informatika ITB. [15]. Hsu, Chih-Wei, Chih-Jen Lin, 2002. A Comparison of Methods for Multiclass Support Vector Machine, IEEE Transactions on Neural Networks. [16]. Angulo, Jesus and Georges Flandrin, 2005 , Microscopic image analysis using mathematical morphology: Application to haematological cytology, Science, Technology and Education of Microscopy [17]. Mixer, F.Mark , 2004 . Blood and Tisuue Protozoa, Departement of Tropical Medicine School of Public Health [18]. Hsu, Chih-Wei et al. 2004, A Practical Guide to Support Vector Classfication, Department of Computer Science and Information Engineering, National Taiwan University, Taiwan. [19]. Michael, Biehl ,. Anarto, Ghosh, Barabara, Hammer, .2007, Dynamic and Generalization Ability of LVQ Algorithms, MIT.Press [20]. Xiang, Sean, Zhou,. Thomas, S, Huang, 2001, Comparing Discrimating Transformations and SVM for Learning During Multimedia Retrievel, ACM [21]. Sergio, Herrero et , . 2007, Parallel Multiclass Classfication Using on GPUs, USA, Massachusetts Institute of Technology. [22]. Lin , Pei-Yi, Hao, . and Yen-Hsiu, 2006, A New Multi-Class Support Vector Machine with Multi-Sphere in the Feature Space, Taiwan, National Cheng King University Tainan. [23]. Nugroho, Antro, Satriyo,. 2000, Support Vector Machine, Bandung, Pusat Teknologi Informasi & Komunikasi, BPP Teknologi [24]. Outtara, Y., S. Sanon. Y. Traore, V. Mahiou, N. Azas and L. Sawadogo, 2006. Antimalarial Activity of Swartzia Madagascariensis Desv. (Leguminosae), Combretum glitinosum Guill. & Perr.(Combretaceae) and Tinospora bakis Miers.(Menisspermae), Burkina Faso Medicinal Plants, Fr, J. Tras. 3(1): 75-81.

[25]. Prasetyorini Nurul, 2008, Aktivitas Ekstrak Herba Sambiloto, Daun Pepaya, dan Buah Pare-pare Terhadap Plasmodium Falciparum, Bandung , ITB Central Libarary [26]. Santoso, Budi., 2007, Data Mining, Teknik Pemanfaatan Data untuk Keperluan Bisnis, Surabaya, Graha Ilmu. [27]. Santoso, Budi, 2007, Data Mining Terapan dengan MatLab , Surabaya, Graha Ilmu. [28]. T.Sutoyo, Edy Mulyanto, et al. , 2009, Teori Pengolahan Citra Digital, Semarang, Andi Offset [29]. Siang, Jong Jek,. Jaringan Syaraf Tiruan, 2004, Yogyakarta, Andi Offset. [30]. Mauridhi, Hery, Purnomo,. Agus, Kurniawan., 2006, Supervised Neural Network dan Aplikasinya, Surabaya, Graha Ilmu. [31]. Sugiharto, Aris., Pemrograman GUI dengan MalLab, 2006, Semarang, Andi Offset [32]. Projono, Marvin, Sh. Wijaya & Agus, 2007, Pengolahan Citra Digital Menggunakan MatLab, Bandung, Informatika [33]. Markos ,Papadonikolakis, Christos-Savvas Bouganis,. 2010, A Heterogeneous FPGA Architecture for Support Vector Machine Training, IEEE Annual International Symposium on Field Programmable Custom. [34]. Changlin ,Wang, Yimei ,Song,.2010, Support Vector Machine for Mechanical Faults Diagnosis, International Conference on Measuring Technologgy and Mechatronies Automation. [35]. Chaobin ,Liu1, Yuexiang ,Yang1, Chuan, Tang2,. 2010, An Improved Method for Multiclass Support Vector Machines, International Conference on Measuring Technologgy and Mechatronies Automation [36]. Victor, Osamor, & Ezekiel, Adebiyi,. 2009, Comparative Functional Classification of Plasmodium falciparum Genes Using kmeansClustering, International Association of Computer Science and Information Technology- Spring Conference.

Penulis: Dra. Hj. Ruliah S., M.Kom. Dosen Tetap Yayasan Mandiri pada STMIK BANJARBARU

10

Identifikasi Plasmodium Vivax Pada Sample Darah Menggunakan SVM Fitriyadi

Identifikasi Plasmodium Vivax Pada Sample Darah Menggunakan Support Vector Machine

Fitriyadi

ABSTRAK

Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup. Faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morfologi parasit dan faktor kelelahan mata dalam melihat morfologi, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan. Ditambah lagi dengan tingkat obyektifitas diantara masing-masing analis kesehatan. Sehingga diperlukan metode pendekatan yang menggunakan human computer interaction sebagai alternatif dan alat bantu untuk memudahkan para mikroskopis malaria dalam mengidentifikasi morfologi parasit tersebut. Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasi parasit plasmodium vivax pada citra digital preparat darah yang terindikasi mengandung parasit tersebut. Sebelum melakukan proses identifikasi, langkah pertama dari prosedur analisis yang dilakukan pada penelitian ini adalah melakukan pemisahan objek dengan menggunakan metode segmentasi k-mean clustering. Pada metode ini, dicari intensitas maksimum dan minimum yang ada dalam citra. Dari intensitas minimum ke maksimum kemudian dilakukan pembagian. Bagian-bagian inilah yang menentukan jumlah objek yang diharapkan ada pada citra. Setelah dilakukan pembagian, histogram dari citra akan terbagi menjadi bagian-bagian yang disebut kelompok (cluster). Berikutnya, pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan dikelompokkan ke kelompok terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada citra menjadi kelompok-kelompok warna dan mencari hasil rerata (mean) atas seluruh titik pada setiap kelompok, yang akhirnya mengganti warna seluruh titik di dalam kelompok-kelompok tersebut dengan rata-rata kelompok masingmasing. Langkah kedua, melakukan ekstraksi ciri terhadap citra data yang akan diuji.

Ekstraksi ciri yang digunakan sebagai masukkan pada sistem yang akan dibangun pada penelitian ini menggunakan ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB. Langkah terakhir adalah melakukan uji identifikasi dan mengklasifikasi parasit plasmodium vivax kedalam tiga kelas menggunakan Support Vector Machine (SVM) multiclass metode ones against ones. Data pelatihan disusun menjadi 3 buah SVM biner. Trophozoite dan Schizonts masuk dalam SVM Biner pertama, Trophozoite dan Gametocyte masuk dalam SVM Biner kedua, Schizonts dan Gametocyte masuk dalam SVM Biner ketiga. Hasil dari penelitian ini menunjukkan bahwa menggunakan ciri warna sebagai ciri masukannya dan identifikasi menggunakan SVM dapat memberikan tingkat keberhasilan 93,33 % data citra dengan benar.

Kata Kunci : malaria, plasmodium vivax, k-mean clustering, SVM multiclass metode ones against ones.

I.

Pendahuluan

Malaria sebagai salah satu penyakit tropis yang menyebabkan sekitar 273 juta kasus klinik dan 1,12 juta kematian setiap tahun. Lebih dari 40 % populasi dunia (>2,1 milyar penduduk) diperkirakan beresiko terjangkit penyakit ini (WHO, 2003; Iis H, 2008). Sekitar 1,2 milyar penduduk atau sekitar 85 % dari total populasi di Asia Tenggara beresiko terkena penyakit malaria. Sekitar 30 % penduduk yang beresiko tersebut hidup di daerah endemik sedang sampai endemik tinggi malaria. Sebagian besar penduduk yang hidup di daerah endemik malaria berada di India, Indonesia, Myanmar dan Thailand (Whosea, 2004; Iis H, 2008). Malaria merupakan penyakit yang diakibatkan oleh parasit yang tergolong dalam filum Apicomplexa, kelas Sporozoa, ordo Haemosporida, suku Plasmodidae, dan genus Plasmodium. Dari 20 spesies plasmodium, hanya empat spesies diantaranya yang dapat menginfeksi manusia, yaitu Plasmodium falciparum, Plasmodium vivax, Plasmodium ovale, dan Plasmodium malariae. (Iis H, 2008). Namun kasus malaria yang banyak ditemukan di indonesia hanya spesies Plasmodium falciparum, Plasmodium vivax dan Mix (Plasmodium falciparum dan Plasmodium vivax berada dalam satu sample darah) Pola identifikasi yang selama ini dilakukan secara manual khususnya di wilayah kalimantan selatan yaitu dengan menemukan parasit secara mikroskopis pada sediaan darah. Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup, karena faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morfologi parasit dan faktor kelelahan mata dalam melihat morfologi, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan. Ditambah lagi dengan tingkat obyektifitas diantara masing-masing analis kesehatan. Sehingga diperlukan metode pendekatan sebagai alternatif untuk memudahkan para mikroskopist malaria dalam mengidentifikasi morfologi parasit tersebut, dan saat ini sistem

komputer banyak memberikan kontribusi kepada ilmu kedokteran dalam analisa yang cukup obyektif. Apabila identifikasi morfologi parasit malaria dapat dilakukan oleh komputer maka diagnosa terhadap penyakit malaria akan lebih efektif dan efisien, terutama dalam kegiatan survey malariometrik yang pada umumnya mengidentifikasi sediaan darah dalam jumlah yang banyak dan pada akhirnya memudahkan upaya pemberantasan penyakit malaria.

II.

Tinjauan Pustaka 1. Parasit Malaria

Malaria adalah penyakit yang dapat bersifat cepat maupun lama prosesnya, malaria disebabkan oleh parasit malaria / Protozoa genus Plasmodium bentuk aseksual yang masuk kedalam tubuh manusia ditularkan oleh nyamuk malaria (anopheles) betina (WHO 1981) ditandai dengan demam, muka nampak pucat dan pembesaran organ tubuh manusia. Seperti telah disinggung di depan parasit pada manusia yang menyebabkan Malaria adalah Plasmodium falciparum, plasmodium vivax, plasmodium ovale, dan plasmodium malariae sedang yang terbanyak di Indonesia adalah Plasmodium falciparum dan plasmodium vivax atau campuran keduanya, sedangkan plasmodium ovale dan malariae pernah ditemukan di Sulawesi, Irian Jaya dan negara Timor Leste. Proses penyebarannya adalah dimulai dengan nyamuk malaria yang mengandung parasit malaria, menggigit manusia sampai pecahnya sizon darah atau timbulnya gejala demam. Proses penyebaran ini akan berbeda dari setiap jenis parasit malaria yaitu antara 9 40 hari (WHO 1997). Siklus parasit malaria adalah setelah nyamuk Anopheles yang mengandung parasit malaria menggigit manusia, maka keluar sporozoit dari kelenjar ludah nyamuk masuk kedalam darah dan jaringan hati. Parasit malaria pada siklus hidupnya, membentuk stadium sizon jaringan dalam sel hati (eksoeritrositer). Setelah sel hati pecah akan keluar merozoit / kriptozoit yang masuk ke eritrosit membentuk stadium sizon dalam eritrosit (stadium eritrositer), mulai bentuk tropozoit muda sampai sison tua / matang sehingga eritrosit pecah dan keluar merosoit. Merosoit sebagian besar masuk kembali ke eritrosit dan sebagian kecil membentuk gametosit jantan dan betina yang siap untuk diisap oleh nyamuk malaria betina dan melanjutkan siklus hidup di tubuh nyamuk (stadium sporogoni). Khusus Plasmodium Vivax dan Plasmodium Ovale pada siklus parasitnya di jaringan hati (sizon jaringan), sebagian parasit yang berada dalam sel hati tidak melanjutkan siklusnya ke sel eritrosit tetapi tertanam di jaringan hati disebut Hipnosoit (gambar 1), bentuk hipnosoit inilah yang menyebabkan malaria relapse.

Gambar 1. Penyebaran Parasit Malaria dan Siklusnya

Trofozoit-trofozoit parasit malaria secara umum berbentuk seperti cincin dengan ukuran 1-2 m, meski ada juga yang berbentuk seperti ameboid dan band seperti yang ditunjukkan pada Gambar 2. Secara seksual, parasit (gametosit-gametosit) mempunyai ukuran yang jauh lebih besar, yaitu 7-14 m. Plasmodium falciparum adalah yang paling besar diantara gametosit-gametosit yang ada dan berbentuk seperti pisang, sedangkan yang lainnya bersifat lebih kecil dan berbentuk lingkaran. Plasmodium vivax menyebabkan stippling butir-butir darah merah yang terkena infeksi.

Gambar 2. Citra Bentuk dan Jenis Parasit Malaria Dalam Darah Manusia

Morfologi Plasmodium Vivax dapat diuraikan sebagai berikut: 1. Bentuk Trofozoit Trofozoit muda berbentuk cincin, inti merah, sitoplasma biru, didalamnya terdapat vakuola, plasma yang berhadapan dengan inti menebal, letak plasmodium sentral di dalam eritrosit, biasanya hanya satu dalam satu eritrosit. Trofozoit tua berbentuk ameboid, sitoplasma tampak tidak teratur, khasnya tampak titik-titik Schuffner. 2. Bentuk Skizon Skizon muda berbentuk bulat, mengisi hampir separuh eritrosit, plasma padat tidak bervakuala, inti membelah, antara inti ada titik-titik cokelat yang disebut dengan butirbutir hematin (pigmen malaria), dan terdapat juga titik-titik Shuffner. Inti skizon tua membelah menjadi 12-24, tiap-tiap pembelahan inti diikuti pembelahan sitoplasma (12-24 buah merozoid) dan mengisi penuh eritrosit, ditengah-tengah terdapat pigmen malaria dan tetap ada titik-titik Schuffner. 3. Bentuk Gametosit Mikrogametosit bentuknya bulat besar, lebih kecil dari makrogametosit, inti besar pucat, tidak kompak (menyebar) dan terletak sentral, plasma tampak pucat kelabu sampai merah muda, pigmen malaria tersebar. Makrogametosit berbentuk lonjong atau bulat, lebih besar dari mikrogametosit, mengisi hampir seluruh eritrosit, inti tampak kecil kompak (padat), letak eksentris, plasma tampak biru, pigmen malaria tersebar.

2. Pengolahan Citra Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optis berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik. Citra digital merupakan suatu larik dua-dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan setiap elemen gambar. Jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu objek. Kadang-kadang hasil rekaman data bersifat kontinyu seperti gambar pada monitor televisi analog, foto sinar-X, dan lain sebagainya. Dengan demikian untuk mendapatkan suatu citra digital dari citra analog diperlukan suatu proses konversi sehingga citra tersebut selanjutnya dapat diproses dengan komputer. Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bitbit tertentu. Citra digital dapat diperoleh secara otomatis dari sistem penangkap citra membentuk suatu matriks yang elemen-elemennya menyatakan nilai intensitas cahaya atau tingkat keabuan setiap piksel. Citra f(x,y) disimpan dalam memori komputer (bingkai penyimpan citra/frame grabber) dalam bentuk larikan N x M cuplikan (sample) diskret dengan jarak yang sama sebagai berikut :

Setiap citra diubah ke bentuk digital agar dapat disimpan dalam memori komputer atau media lain. Ketika suatu citra sudah diubah ke dalam bentuk digital (selanjutnya disebut citra digital), bermacam-macam proses pengolahan citra dapat dilakukan terhadap citra tersebut. Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih tinggi sesuai yang diinginkan. Data image plasmodium vivax pelatihan maupun pengujian diambil hanya pada area image plasmodiumnya saja. Citra plasmodium tersebut berada pada sebuah ruang yang disebut bidang gambar / ruang lingkup citra (image space). Sebuah citra tersusun atas pixelpixel yang memiliki nilai. Untuk citra abu-abu (gray scale), sebuah pixel memiliki nilai dari 0 - 255.

Gambar 3. Image Plasmodium Vivax

III.

METODOLOGI PENELITIAN 1. Bahan/materi Penelitian

Bahan/materi pada penelitian ini menggunakan sampel data yang berasal dari Bank data sampel citra parasit dan preparat diambil dari Balai Laboratorium Kesehatan, Propinsi Kalimantan Selatan.

Tabel 1. Pengelompokan Bahan/materi Penelitian Plasmodium vivax Trophozoite Schizonts Gametocyte Jumlah Banyaknya sample 30 30 30 90

Data citra sampel dengan format penyimpanan .jpg kemudian diolah dengan menggunakan program untuk mengatur tinggi dan lebar citra yang akan diolah dengan tujuan normalisasi data. Agar dapat diolah oleh program aplikasi dengan tampilan yang wajar dan waktu pengolahan yang cukup cepat, ukuran citra yang dimasukkan adalah lebar (width) 50 piksel dan tinggi (height) 50 piksel. Ruang lingkup materi penelitian ini adalah operasi segmentasi clustering yang diterapkan pada analisis citra, ekstraksi ciri dan klasifikasi. Dengan demikian materi kajian terdiri : 1. 2. 3. 4. Konversi dari ruang warna RGB ke CIE Lab Segmentasi citra menggunakan k-mean clustering, Ekstraksi ciri warna citra. Identifikasi menggunakan Support Vector Machine.

2. Jalan Penelitian Penelitian ini dilakukan setelah mengadakan studi pustaka dan penelusuran jaringan internet mengenai literatur yang berkaitan. Untuk lebih lengkap dan lebih jelas tentang jalan penelitian dapat dilihat pada gambar diagram blok penelitian berikut :

Gambar 4. Diagram Blok Penelitian

2.1 Segmentasi Citra Pada proses segmentasi, citra akan dilakukan pemisahan objek berdasarkan intensitas warna. Hal ini karena diasumsikan bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda dan masing-masing objek memiliki warna yang hampir seragam. Pada penelitian ini metode segmentasi yang akan dipakai adalah k-mean clustering. Pada metode ini, citra hasil dari proses pemulihan ditampilkan dan dicari intensitas maksimum dan minimum yang ada dalam citra. Dari intensitas minimum ke maksimum kemudian dilakukan pembagian. Bagian-bagian inilah yang menentukan jumlah objek yang diharapkan ada pada citra. Setelah dilakukan pembagian, histogram dari citra akan terbagi menjadi bagian bagian yang disebut kelompok (cluster). Berikutnya, pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan dikelompokkan ke kelompok terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada citra menjadi kelompok-kelompok warna dan mencari hasil rerata (mean) atas seluruh titik pada setiap kelompok, yang akhirnya mengganti warna seluruh titik di dalam kelompok-kelompok tersebut dengan rata-rata kelompok masing-masing. Eksperimen yang dilakukan pada proses segmentasi pada penelitian ini adalah terlebih dahulu dilakukan konversi ruang warna citra dari ruang warna RGB ke warna CIELAB. Pengelompokan warna pada ruang warna CIELAB didapat dengan menggunakan formula jarak Euclidean dari unsur L*, a*, dan b*, sehingga dengan demikian akan didapat nilai rata-rata warna sesuai jarak terdekat dari masing-masing warna. Nilai k (sejumlah cluster dari warna) yang digunakan dalam simulasi adalah k = 3

2. Ekstraksi Ciri Proses ekstraksi ciri dilakukan untuk memperoleh ciri-ciri khusus dari masing masing citra preparat parasit malaria vivax yang diperoleh dan memberikan pola pada masing-masing citra tersebut. Untuk mengekstrak ciri dari masing-masing citra digunakan ciri warna. Ciri warna yang digunakan adalah ciri nilai puncak dari warna yang kemudian dijadikan vektor masukkan pada proses pelatihan maupun pada saat proses pengujiannya dengan menggunakan Support Vector Machine (SVM).

2. Identifikasi Menggunakan Support Vector Machine Data pelatihan yang sudah diekstraksi ciri, selanjutnya menjadi data pelatihan SVM. SVM mempunyai dasar klasifikasi 2 kelas (biner). Karena klasifikasi yang dilakukan pada

penelitian ini menggunakan 3 kelas, yaitu Trophozoite, Schizonts dan Gametocyte sehingga jumlah SVM biner dihitung menggunakan rumus k (k-1) / 2 ; (k adalah jumlah kelas) dan menghasilkan 3 buah SVM biner. SVM biner yang pertama terdiri dari, Trophozoite sebagai kelas 1 dan Schizonts sebagai kelas -1, dan seterusnya seperti yang ditunjukkan pada table 2

Tabel 2. Tiga Buah SVM Biner dengan Metode Ones Against Ones
yI = 1 Trophozoite Trophozoite Schizonts yi =-1 Schizonts Gametocyte Gametocyte Hipotesis f12(x) =(w12)x + b12 f13(x)=(w13)x+b13 f23(x)=(w23)x+b23 Training Trophozoite dan Schizonts Trophozoite dan Gametocyte Schizonts dan Gametocyte SVM SVM biner Pertama SVM biner Kedua SVM biner Ketiga

Salah satu metoda yang digunakan SVM untuk mengklasifikasikan data yang mempunyai sebaran data non linier adalah dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space), sehingga dapat dipisahkan secara linier pada feature space. Karena feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Hal ini mengakibatkan komputasi pada feature space sangat besar, karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga. Maka pada SVM digunakan kernel trick. Fungsi kernel yang digunakan pada penelitian ini adalah Radial Basis Function (RBF)

K(xi,x) = exp ( - |xi x|2), > 0

Sejumlah support vector pada setiap data pelatihan harus dicari untuk mendapatkan solusi bidang pemisah terbaik. Persoalan solusi bidang pemisah terbaik dapat dirumuskan :

Subject to :

Data yang berkorelasi dengan i > 0 inilah yang disebut sebagai support vector. Dengan demikian, dapat diperoleh nilai yang nantinya digunakan untuk menemukan w. Solusi bidang pemisah didapatkan dengan rumus w =iyixi ; b = yk- wTxk untuk setiap xk , dengan k 0. Proses pengujian atau klasifikasi dilakukan juga pada setiap SVM biner menggunakan nilai alpha dan bias yang dihasilkan pada proses pelatihan di setiap SVM biner. Fungsi yang dihasilkan untuk proses pengujian adalah :

f(xd)= iyi K(xi,xd) + b


(xi = support vector; xd = data pengujian)

Jika f(xd) +1 maka kelas untuk xd adalah +1, dan jika f(xd) -1 maka kelas untuk xd adalah -1. Setelah keseluruhan k (k 1) / 2 model klasifikasi selesai dibangun, terdapat beberapa metode untuk melakukan pengujian. Salah satunya adalah metoda votin g (Hsu, 2002).

Gambar 5. Proses Vooting Menggunakan Diagram Klasifikasi SVM Metode Ones Against Ones

Pada gambar 5 jika data x dimasukkan ke dalam fungsi hasil pelatihan pada persamaan berikut :

f(x) = (w i j)T (x) + b

dan hasilnya menyatakan x adalah kelas i, maka suara untuk kelas i ditambah satu. Kelas dari data x akan ditentukan dari jumlah suara terbanyak. Jika terdapat dua buah kelas yang jumlah suaranya sama, maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data. Jadi pada pendekatan ini terdapat k (k 1)/2 buah permasalahan quadratic programming yang masing-masing memiliki 2n / k variabel (n adalah jumlah data pelatihan).

IV.

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian Penelitian yang telah dilakukan meliputi proses pengumpulan sampel preparat darah jenis Plasmodium Vivax, segmentasi citra menggunakan K-Mean Clustering, Ekstraksi ciri dan dilanjutkan dengan identifikasi menggunakan Support Vector Machine. Semua proses pada penelitian ini menggunakan Program Matlab 7.1.

4.1.1 Pengumpulan Sampel Citra Preparat Data pada penelitian ini menggunakan sampel data yang berasal berasal dari bank data sampel citra parasit Plasmodium Vivax, pada Balai Laboratorium Kesehatan, Propinsi Kalimantan Selatan. Proses pengumpulan sampel preparat darah dan pemotretan dilakukan secara langsung oleh pegawai Balai Laboratorium Kesehatan. Dari proses pengelompokan jenis parasit oleh laboratorium diperoleh data seperti yang ditunjukkan pada Tabel 3.1. Preparat darah sampel diakuisi dan disimpan dalam memori dengan format file citra *.jpg. Citra sampel dilihat pada Gambar 6, 7 dan 8. Gambar 6 merupakan citra hasil digitalisasi untuk darah yang mengandung parasit malaria jenis Plasmodium Vivax Trophozoite

Gambar 6. Contoh Citra Plasmodium Vivax Trophozoite

Gambar 7. Contoh Citra Plasmodium Vivax Schizonts

Gambar 8. Contoh Citra Plasmodium Vivax Gametocyte

Total data Plasmodium Vivax yang digunakan adalah 90 sampel, untuk data pelatihan masing-masing Trophozoite 20 sampel, Schizonts 20 sampel dan Gametocyte 20 sampel. Sedangkan untuk data pengujian masing-masing Trophozoite 10 sampel, Schizonts 10 sample dan Gametocyte 10 sampel, seperti ditunjukkan pada tabel 3

Plasmodium Vivax Data Trophozoite Sampel Data Pelatihan 1 s/d 20 20 Schizonts Sampel 1 s/d 20 20 60 Data Sampel Sampel Sampel Gametocyte Sampel 1 s/d 20 20

Pengujian

21 s/d 30 10

21 s/d 30 10 30

21 s/d 30 10

Tabel 3. Distribusi Data Pelatihan dan Pengujian

4.1.2 Segmentasi Citra Dengan Metode K-mean Clustering


Segmentasi adalah suatu proses untuk memisahkan sejumlah objek dalam suatu citra dari latar belakangnya. Pada penelitian ini proses pemisahan ini dilakukan dengan melakukan proses segmentasi menggunakan metode K-mean Clustering. Pada metode ini, dicari intensitas maksimum dan minimum yang ada dalam citra. Dari intensitas minimum ke maksimum kemudian dilakukan pembagian. Bagian-bagian inilah yang menentukan jumlah objek yang diharapkan ada pada citra. Setelah dilakukan pembagian, histogram dari citra akan terbagi menjadi bagian-bagian yang disebut kelompok (cluster). Berikutnya, pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan dikelompokkan ke kelompok terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada citra menjadi kelompok-kelompok warna dan mencari hasil rerata (mean) atas seluruh titik pada setiap kelompok, yang akhirnya mengganti warna seluruh titik di dalam kelompok-kelompok tersebut dengan rata-rata kelompok masing-masing. Pada penelitian ini, proses segmentasi terlebih dahulu dilakukan konversi ruang warna citra dari ruang warna RGB ke warna CIELAB. Pengelompokan warna pada ruang warna CIELAB didapat dengan menggunakan formula jarak Euclidean dari unsur L*, a*, dan b* sesuai persamaan (2.8), sehingga dengan demikian akan didapat nilai rata-rata warna sesuai jarak terdekat dari masing-masing warna. Nilai k yang digunakan dalam simulasi adalah k = 3. Dan k adalah jumlah cluster yang digunakan. Gambar 9 menunjukkan hasil segmentasi sampel preparat untuk Plasmodium Vivax Trophozoite. Pada sampel ini, segmentasi berhasil dilakukan dengan nilai k = 3.

Gambar 9. K-Mean Clustering Plasmodium Vivax Trophozoite

Untuk masing-masing hasil segmentasi pada sampel Plasmodium Vivax Trophozoite, nilai rerata dan titik pusat pengelompokkan untuk hasil segmentasi dengan nilai k = 3 ada pada sampel ke-1 sebesar 130.2953157 dengan titik pusat berada pada 139.9653768 ; 120.6252546. Gambar 10. menunjukkan hasil segmentasi sampel preparat untuk Plasmodium Vivax Schizonts. Pada sampel ini, segmentasi hanya dilakukan dengan nilai k = 3.

Gambar 10. K-Mean Clustering Plasmodium Vivax Schizonts

Untuk masing-masing hasil segmentasi pada sampel Plasmodium Vivax Schizont, nilai rerata dan titik pusat pengelompokkan untuk hasil segmentasi dengan nilai k = 3 ada pada sampel ke-1 sebesar 132.4976077 dengan titik pusat berada pada 145.3923445 ; 119.6028708. Gambar 11 menunjukkan hasil segmentasi untuk sampel preparat untuk Plasmodium Vivax Gametocyte. Pada sampel ini, segmentasi berhasil dilakukan dengan nilai k = 3.

Gambar 11. K-Mean Clustering PlasmodiumVivax Gametocyte

Untuk masing-masing hasil segmentasi untuk sampel Plasmodium Vivax Gametocyte, nilai rerata dan titik pusat pengelompokkan untuk hasil segmentasi dengan nilai k = 3 untuk sampel Plasmodium Vivax Gametocyte ada pada sampel ke-1 sebesar 131.4597122 dengan titik pusat berada pada 140.2906475 ; 122.628777. Dari hasil segmentasi menggunakan metode k-means clusterring juga diketahui ternyata pola sebaran warna untuk masing-masing parasit berbeda. Langkah selanjutnya adalah ekstraksi ciri untuk mendapatkan ciri yang akan dipakai sebagai masukan Support Vector Machine.

4.1.3 Ekstraksi Ciri


Secara umum banyak ciri yang dapat digunakan sebagai pengenalan objek dalam citra, antara lain: ciri warna, tekstur, deteksi tepi, bentuk dan lain-lain. Tujuannya adalah untuk mengenali suatu objek baik itu dilakukan sebelum maupun sesudah proses prapengolahan citra dan segmentasi. Pada penelitian ini ciri yang akan dicari adalah ciri warna.

4.1.3.1 Ciri Warna


Sebuah objek citra bila diperhatikan mempunyai warna yang spesifik. Untuk menyatakan ciri warna pada objek citra maka yang perlu diperhatikan bagaimana perilaku dari distribusi warna itu sendiri. Memang banyak objek citra mempunyai warna dasar sama tetapi distribusi warna di dalamnya ternyata berbeda. Distribusi warna dapat diperoleh menggunakan histogram dari warna. Warna citra terdiri dari lebih satu komponen seperti RGB terdiri dari komponen Red, Green dan Blue. Pada penelitian ini, ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB. Hasil pencarian nilai maksimum dari komponen warna RGB dan rata-ratanya dapat dilihat pada Tabel 4. Nilai Maksimum RGB Plasmodium Vivax

Tabel 4. Nilai Maksimum RGB Plasmodium Vivax


Tropozoite 1 Kolom ke R 1 2 3 4 5 6 7 8 9 10 11 0 0 0 0 0 0 0 0 0 148 147 Nilai Maksimum G 0 0 0 0 0 0 0 0 0 140 136 B 0 0 0 0 0 0 0 0 0 151 152 Mean 0 0 0 0 0 0 0 0 0 146.33 145 R 0 0 0 0 0 0 0 0 0 0 0 Shcizont 1 Nilai Maksimum G 0 0 0 0 0 0 0 0 0 0 0 B 0 0 0 0 0 0 0 0 0 0 0 Mean 0 0 0 0 0 0 0 0 0 0 0 R 0 0 0 0 0 170 180 177 178 180 178 Gametocyte 1 Nilai Maksimum G 0 0 0 0 0 159 166 159 161 162 164 B 0 0 0 0 0 176 179 173 177 176 178 Mean 0 0 0 0 0 168.33 175 169.67 172 172.67 173.33

12 13 14 15 16 17 18 19 20 21 22 23 24

150 159 155 150 152 155 153 154 157 161 156 156 161

137 146 147 142 138 139 137 136 140 144 140 134 143

155 160 160 158 159 159 156 154 153 154 153 152 159

147.33 155 154 150 149.67 151 148.67 148 150 153 149.67 147.33 154.33

0 0 133 143 140 0 0 0 0 0 0 0 146

0 0 109 112 107 0 0 0 0 0 0 0 123

0 0 127 127 118 0 0 0 0 0 0 0 143

0 0 123 127.33 121.67 0 0 0 0 0 0 0 137.33

185 189 191 190 188 187 184 181 180 179 180 180 180

169 169 173 166 165 161 158 157 156 159 163 163 159

183 185 186 184 181 179 176 175 174 175 178 178 178

179 181 183.33 180 178 175.67 172.67 171 170 171 173.67 173.67 172.33

Tropozoite 1 Kolom ke R 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 166 164 161 161 165 169 172 173 164 161 162 161 169 165 161 159 Nilai Maksimum G 153 146 137 133 133 135 140 145 149 145 135 138 146 143 144 136 B 163 158 151 150 153 151 150 153 156 155 152 151 152 155 152 146 Mean 160.67 156 149.67 148 150.33 151.67 154 157 156.33 153.67 149.67 150 155.67 154.33 152.33 147 R 148 141 128 132 139 146 143 148 140 137 146 148 145 143 149 152

Shcizont 1 Nilai Maksimum G 124 119 120 110 108 118 115 120 111 107 119 117 105 110 120 120 B 143 146 144 139 134 136 140 142 126 122 134 130 129 137 142 133 Mean 138.33 135.33 134 127 127 133.33 132.67 136.67 125.67 122 133 131.67 126.33 130 137 135 R 188 180 177 178 180 182 182 184 181 181 181 184 179 170 165 0

Gametocyte 1 Nilai Maksimum G 171 163 157 159 159 156 162 167 158 160 160 164 159 153 140 0 B 181 173 168 176 176 175 173 177 166 167 169 173 168 163 143 0 Mean 180 172 167.33 171 171.67 171 172.33 176 168.33 169.33 170 173.67 168.67 162 149.33 0

41 42 43 44 45 46 47 48 49 50

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

148 0 0 0 0 0 0 0 0 0

121 0 0 0 0 0 0 0 0 0

136 0 0 0 0 0 0 0 0 0

135 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

4.1.4 Identifikasi Dengan Support Vector Machine


Setelah proses ekstraksi ciri dari citra sampel, selanjutnya adalah menggunakan ratarata dari ciri komponen warna maksimum RGB yang akan dipakai sebagai masukan klasifikasi pola parasit dengan menggunakan Support Vector Machine (SVM). Proses yang dilakukan menggunakan SVM adalah proses Pelatihan dan proses Identifikasi. Sebelum melalui tahap pelatihan dan identifikasi, data disusun dan disesuaikan dengan pola ones against ones pada SVM multiclass.

4.1.4.1 Pelatihan Dengan Support Vector Machine


Data pelatihan disusun menjadi 3 buah SVM biner, Trophozoite dan Schizonts masuk dalam SVM Biner pertama, Trophozoite dan Gametocyte masuk dalam SVM Biner kedua, Schizonts dan Gametocyte masuk dalam SVM Biner ketiga. Setiap Sampel baik data uji maupun data pelatihan yang diproses menggunakan SVM Biner dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. Seperti yang terlihat pada Tabel 5. Untuk sample Trophozoite 1 dan Schizonts 1.

Tabel 5. Hasil Normalisasi Untuk Trophozoite 1 dan Schizonts 1


Trophozoite 1 Kolom ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Hasil Ekstraksi Ciri 0 0 0 0 0 0 0 0 0 146.3333 145 147.3333 155 154 150 149.6667 151 148.6667 148 150 153 149.6667 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1 -1 -1 0.773737 0.709234 0.764471 0.856287 0.818898 0.768173 0.764244 0.749035 0.74902 0.754941 0.792829 0.817822 0.778218 Schizonts 1 Hasil Ekstraksi Ciri 0 0 0 0 0 0 0 0 0 0 0 0 0 123 127.3333 121.6667 0 0 0 0 0 0 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0.452756 0.500982 0.434185 -1 -1 -1 -1 -1 -1

23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Kolom ke 41 42 43 44 45 46 47

147.3333 154.3333 160.6667 156 149.6667 148 150.3333 151.6667 154 157 156.3333 153.6667 149.6667 150 155.6667 154.3333 152.3333 147

0.7751 0.509202 0.780347 0.653179 0.497268 0.325444 0.329341 0.812749 0.840637 0.818533 0.688442 0.829365 0.720307 0.624549 0.632867 0.650624 0.629234 0.577818

0 137.3333 138.3333 135.3333 134 127 127 133.3333 132.6667 136.6667 125.6667 122 133 131.6667 126.3333 130 137 135 Schizonts 1 Hasil Ekstraksi Ciri 135 0 0 0 0 0 0

-1 -0.11656 0.00578 -0.06358 -0.01639 -0.42012 -0.50898 0.593625 0.585657 0.583012 -0.23618 0.452381 0.528736 0.425993 0.325175 0.390374 0.465241 0.449016

Trophozoite 1 Hasil Ekstraksi Ciri 0 0 0 0 0 0 0 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1

Hasil Normalisasi 0.456835 -1 -1 -1 -1 -1 -1

48 49 50

0 0 0

-1 -1 -1

0 0 0

-1 -1 -1

Hasil normalisasi data pelatihan dipetakan ke feature space menggunakan kernel RBF (Radial basis function). Hal ini dikarenakan problem yang akan diselesaikan bersifat non linier, seperti terlihat pada gambar 2.19 dan dapat menggunakan rumus:

k = exp(-(X(i,:)- X(j,:))*( X(i,:)- X(j,:))'/(2*p1^2));

Target dari hasil pelatihan ini adalah mencari Hyperplane terbaik pada masing-masing SVM biner, yang akan digunakan untuk mengidentifikasi setiap data uji, apakah berada dikelas -1 atau +1. Setiap data pelatihan mempunyai nilai alpha yang dicari menggunakan quadratic programming. Nilai alpha tersebut menentukan apakah setiap data pelatihan sebagai support vector atau bukan. Nilai alpha yang melebihi threshold yang telah ditentukan itulah yang dapat dikatakan sebagai support vector. Pada peneltian ini digunakan threshold alpha > 1e-5. Jika seluruh data pelatihan menjadi support vector, maka contoh penampilan secara grafisnya dapat dilihat sebagai berikut:

Gambar 12. Grafik Hyperplan Terbaik Dengan Seluruh Data Pelatihan Yang Menjadi

Support Vector

Pada penelitian ini dengan menggunakan threshold untuk nilai alpha 1e-5, ternyata seluruh data training sebagai support vector.

4.1.4.2 Klasifikasi Dengan Support Vector Machine


Seperti halnya data pelatihan yang disusun menjadi 3 buah SVM biner. maka untuk mengklasifikasi data uji, setiap data uji tersebut diproses dalam setiap SVM biner. Setiap sampel data uji dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1, dan selanjutnya dipetakan ke fiture space menggunakan kernel RBF. Proses pengujian untuk menentukan apakah hasil dari rumus tersebut bernilai negative atau positive. Jika hasilnya adalah negative maka data uji tersebut berada pada kelas -1 dan jika hasilnya positive maka data uji tersebut berada pada kelas +1. Pembagian label +1 dan -1 untuk data pada setiap SVM biner dapat ditunjukkan pada tabel 6.

Tabel 6. Pembagian Label Untuk Data Pelatihan


SVM Biner 1 Nama Sample Label Trophozoite +1 Schizonts -1 SVM Biner 2 Trophozoite +1 Gametocyte -1 SVM Biner 3 Schizonts +1 Gametocyte -1

Jika kelas +1 adalah lebel untuk Trophozoite dan kelas -1 adalah lebel untuk Schizonts, sedangkan hasil dari SVM biner tersebut bernilai positive, maka hasil klasifikasi untuk kelas SVM biner tersebut adalah Trophozoite atau nilai voting Trophozoite bertambah 1. Setelah data uji tersebut diproses pada masing-masing SVM biner, maka hasil pengujian akhir mengikuti metode ones against ones SVM multiclass. Penentuan suatu data uji masuk dalam kelas Trophozoite atau Schizonts atau Gametocyte, yaitu dengan melakukan voting dari hasil seluruh SVM biner. Tabel 7. menunjukkan hasil pengujian sebuah data uji yang diproses pada SVM biner 1, SVM biner 2 dan SVM biner 3.

Tabel 7. Hasil Pengujian Trophozoite 1 Pada Tiap SVM Biner


Hasil Identifikasi Pada Setiap SVM Biner Data Uji SVM Biner 1 Label Trophozoite 1 Parasit Trophozoite Label 1 SVM Biner 2 Parasit Trophozoite Label -1 SVM Biner 3 Parasit
Gametocyte

Hasil Voting

Trophozoite

Jika pada SVM biner 1, suatu data uji dinyatakan sebagai Trophozoite, di SVM biner 2 dinyatakan sebagai Trophozoite dan di SVM biner 3 dinyatakan sebagai Gametocyte, maka nilai voting untuk data uji tersebut yang terbanyak adalah Trophozoite. Dan hasil identifikasi akhir / hasil voting dari data uji tersebut dinyatakan sebagai Trophozoite. Sedangkan hasil akhir keseluruhan identifikasi ditunjukkan pada Tabel 8

Tabel 8. Hasil Identifikasi Seluruh Data Uji Pada Tiap SVM Biner
Hasil Identifikasi Pada Setiap SVM Biner Hasil Voting No Data Uji SVM Biner 1 Label
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Gametocyte Gametocyte 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SVM Biner 2 Label


1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1

SVM Biner 3 Label


-1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1

Parasit
Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Tropozoite Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts

Parasit
Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Trophozoite Gametocyte Gametocyte Gametocyte Gametocyte

Parasit
Gametocyte Gametocyte Gametocyte Schizonts Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Gametocyte Gametocyte Gametocyte Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Trophozoite Tropozoite Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Schizonts Gametocyte Gametocyte Gametocyte

23 24 25 26 27 28 29 30

Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte

-1 1 -1 -1 -1 -1 -1 1

Schizonts Trophozoite Schizonts Schizonts Schizonts Schizonts Schizonts Trophozoite

-1 -1 -1 -1 -1 -1 -1 -1

Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte

-1 -1 -1 -1 -1 -1 -1 -1

Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte

Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte Gametocyte

Dari data hasil pengujian terlihat bahwa untuk data uji no 11 dan 20 terjadi kesalahan identifikasi, hasil identifikasi dari SVM adalah Trophozoite dan Gametocyte semestinya adalah Schizonts. Sementara hasil identifikasi data uji lainnya adalah benar. Tingkat akurasi dari data pengujian keseluruhan dalam % dapat dilihat pada Tabel 9

Tabel 9. Tingkat Akurasi Hasil Identifikasi Plasmodium Vivax


Rata-Rata Tingkat Akurasi Hasil Trophozoite Schizonts Gametocyte Identifikasi 100% 80% 100% 93.33% Tingkat Akurasi

Dari tabel 9 terlihat bahwa tingkat akurasi data uji trophozoite adalah 100 % berhasil dideteksi benar sebagai trophozoite. Hal ini didapatkan dari ketiga SVM biner mulai data uji no 1 sampai 10 yang menunjukkan bahwa vooting hasil deteksi benar dari seluruh SVM biner untuk trophozoite mempunyai nilai >=2 sebanyak 10 buah dari 10 data uji. Demikian pula untuk tingkat akurasi data uji schizonst adalah 80% berhasil dideteksi benar sebagai schizoonts. Hal ini didapatkan dari ketiga SVM biner mulai data uji no 11 sampai 20 yang menunjukkan bahwa vooting hasil deteksi benar dari seluruh SVM biner untuk schizonts mempunyai nilai >=2 sebanyak 8 buah dari 10 data uji. Dan yang terakhir tingkat akurasi data uji gametocyte adalah 100 % berhasil dideteksi benar sebagai gametocyte. Hal ini didapatkan dari ketiga SVM biner mulai data uji no 21sampai 30 yang menunjukkan bahwa vooting hasil deteksi benar dari seluruh SVM biner untuk gametocyte mempunyai nilai >=2 sebanyak 10 buah dari 10 data uji.

Sedangkan rata-rata hasil akurasi dari keseluruhan data uji mulai no 1 sampai 30 untuk benar dideteksi benar dan salah dideteksi salah adalah 93,33%. Jika hasil tersebut digambarkan berupa grafik batang, maka dapat ditunjukkan seperti yang terlihat pada gambar 13

Gambar 13. Grafik Batang Tingkat Akurasi Hasil Identifikasi Plasmodium Vivax

Dari gambar tersebut terlihat jelas rata-rata tingkat akurasi dari hasil deteksi ketiga jenis Plasmodium Vivax. Metode yang sudah diuji pada seluruh data uji tersebut kemudian digunakan untuk membuat sebuah program GUI yang akan melakukan identifikasi Plasmodium Vivax secara acak satu persatu. Hal ini untuk mensimulasikan identifikasi pada preparat yang mengharuskan identifikasi pada sejumlah lapangan pandang. Gambar 14 menunjukkan hasil GUI dari metode yang diterapkan.

Gambar 14. Hasil GUI untuk Identifikasi Plasmodium Vivax

V.

PENUTUP

5.1 Kesimpulan Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Identifikasi Plasmodium Vivax Dalam Sample Darah Menggunakan Support Vector Machine, dapat disimpulkan sebagai berikut : 1. Segmentasi menggunakan k-means clustering hanya dilakukan dengan nilai k = 3 (k adalah jumlah cluster) dikarenakan kualitas sampel yang kurang begitu bagus. Pada eksperimen yang telah dilakukan dengan menambah nilai k pada kelompok sampel, objek akan ikut tereduksi dengan warna objek lainnya sehingga objek akan rusak / hilang bila diberi nilai k yang lebih besar dari 3. 2. Pada proses ekstraksi ciri, ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB dan dapat mengenali pola pada citra parasit plasmodium vivax dengan rata-rata tingkat akurasi keberhasilan sebesar 93,33%, 3. Tingkat akurasi hasil identifikasi setiap jenis plasmodium vivax menggunakan SVM yaitu Trophozoite (100%), Schizonts (80%), Gametocyte (100%). Rata-rata akurasi hasil identifikasi keseluruhan sebesar 93,33%.

5.2 Saran
1. Pada penelitian berikutnya disarankan dihitung mean square error dari hasil klasifikasi secara manual oleh beberapa orang analis sebagai bahan perbandingan dengan identifikasi yang dilakukan menggunakan sistem komputer. 2. Menambahkan dan memperbaiki metode preporcessing, sehingga tingkat akurasi dapat ditingkatkan pada sistem pencahayaan yang berbeda-beda. Khususnya jika hasil penelitian digunakan oleh petugas analis di lapangan. 3. Perlu adanya penelitian lanjutan yang bersifat real time untuk penelitian yang sama.

DAFTAr pustakA

Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu, Yogyakarta. Bastien, Olivier, 2006. Developpements Theoriques et Methods Numeriques Pour Les Analysis Comparatives de Genomes Et Proteomes Biaises Application A La Comparaison des Genomes et Proteomes de Plasmodium Falciparum et Darabidopsis Thaliana, Theses Docteur De LUniversite Joseph Fourier. Http://www.cea.fr. Departemen Kesehatan Republik Indonesia, 1991, Malaria, Pemeriksaan Parasit Malaria Secara Mikroskopik.

Gaffar, Abdul. 2004. Blood and Tissue Protozoa. PAMB 650/720 Medical Microbiology. Http://www.med.sc.edu. Hsu, Chih-Wei, Chih-Jen Lin, 2002, A Comparison of Methods for Multi-class Support Vector Machines. IEEE Transactions on Neural Networks. Hsu, Chih-Wei et al. 2004, A Practical Guide to Support Vector Classification, Department of Computer Science and Information Engineering, National Taiwan University, Taiwan. Iis Hamsir, 2008, Identifikasi Parasit Malaria Dalam Darah Menggunakan Metode Segmentasi Citra Digital dan Jaringan Saraf Tiruan, Tesis Universitas Gajah Mada. Muslim, 2009, Parasitologi Untuk Keperawatan Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Penerbit Informatika. Bandung. Indonesia. Nalwan, A. 1997. Pengolahan Gambar Secara Digital, Elek Media Komputindo, Jakarta. Nugroho, Anto Satriyo., 2008. Pengantar Support Vector Machine, Pusat Teknologi Informasi & Komunikasi BPP Teknologi, URL : http://asnugroho.wordpress.com. Nugroho, Anto Satriyo., Witarto, Budi Arief, Handoko, Dwi., 2003, Support Vector Machine Teori dan Aplikasinya Dalam Bioinformatika, Kuliah Umum Ilmu Komputer.com, http://ilmukomputer.com Nursuprianah, Indah. 2005. Suatu Model Matematika Dinamika Parasit Malaria Dalam Tubuh Manusia. Http://www.lib.itb.ac.id. Prasetyorini Nurul, 2008, Aktivitas Ekstrak Herba Sambiloto, Daun Pepaya, dan Buah Parepare Terhadap Plasmodium Falciparum 2300 Resisten Klorokuin, Http://www.lib.itb.ac.id. Premaratne, SP., Nadira Dharshani Karunaweera., Shyam Fernando, W. Supun R. Parera., and R.P. Asanga S Rajapahaksa, 2006. A Neural Network Architecture For Automated Recognition of Intracelluler Malaria Parasites in Staned Blood Films. Http://www.lanka.com.lk. Qussay A. Salih., Abdul Rahman Ramli., Rozi Mahmud. dan Rahmita Wirza, 2004. 3D Visualization For Blood Cells Analysis Versus Edge Detection. The Internet Journal of Medical Technologi. Santoso, B., 2007, Data mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Sembiring, Krisantus, 2007, Tutorial SVM Bahasa Indonesia, Teknik Informatika ITB, Bandung, http://kur2003.if.itb.ac.id/file/CN% 20IF5031% 20Learning .pdf Stivala, Alexander David. 2006. Computational Gane Finding in the Human Malaria Parasite Plasmodium Vivax. Honur Thesis.

Http://orthomel.ebil.upenn.edu Sugiharto, A., 2006, Pemrograman GUI dengan MATLAB. Widiastuti, Sri., 2006. Penggunaan Jaringan Syaraf Tiruan untuk Prediksi Pengambilan Tindakan Medis Pasien Berdasarkan Diognisis Klinis. Tesis. Teknik Elektro. Universitas Gajah Mada.

Penulis

Nama: H. Fitriyadi, S.Pi. Dosen Tetap Yayasan Mandiri

Pada STMIK BANJARBARU

You might also like