P. 1
Klasifikasi Stadium Trophozoite

Klasifikasi Stadium Trophozoite

|Views: 236|Likes:
Published by Endi Alfarezell

More info:

Published by: Endi Alfarezell on Oct 13, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

04/29/2015

pdf

text

original

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)

Setelah keseluruhan k (k − 1) / 2 model klasifikasi selesai dibangun.(2) Subject to : Data yang berkorelasi dengan αi > 0 inilah yang disebut sebagai support vector. Setelah proses pelatihan selesai dilakukan. Persoalan solusi bidang pemisah terbaik dapat dirumuskan : …….(3) (xi = support vector. Solusi bidang pemisah didapatkan dengan rumus w =Σαiyixi ..wTxk untuk setiap xk . Dengan demikian. dan jika f(xd)  -1 maka kelas untuk xd adalah -1. maka dilanjutkan dengan proses pengujian.Sejumlah support vector pada setiap data pelatihan harus dicari untuk mendapatkan solusi bidang pemisah terbaik. Proses pengujian atau klasifikasi dilakukan juga pada setiap SVM biner menggunakan nilai alpha dan bias yang dihasilkan pada proses pelatihan di setiap SVM biner. b = yk.xd) + b . Fungsi yang dihasilkan untuk proses pengujian adalah : f(xd)= iyi K(xi. Salah satunya adalah metode vooting (14). . dapat diperoleh nilai yang nantinya digunakan untuk menemukan w. dengan αk 0[13]. Proses tersebut berulang untuk setiap SVM biner. xd = data pengujian) Jika f(xd) ≥ +1 maka kelas untuk xd adalah +1. terdapat beberapa metode untuk melakukan pengujian.

(4) dan hasilnya menyatakan x adalah kelas i. Distribusi data pelatihan dan data pengujian .. Schizont atau Gametocyter . Jika terdapat dua buah kelas yang jumlah suaranya sama. Tabel 2. maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data..Gambar 5. 2.. 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. Kelas dari data x akan ditentukan dari jumlah suara terbanyak. 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). 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 …………. maka suara untuk kelas i ditambah satu. Hasil dan Pembahasan Data yang digunakan pada penelitian ini data sample darah yang terdeteksi mengandung parasit malaria Plasmodium Falciparum yang mengandung morphology stadium Trophozoite .

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

menunjukkan hasil pengujian sebuah data uji yang diproses pada SVM biner 1.Jika kelas +1 adalah lebel untuk Trophozoite dan kelas -1 adalah lebel untuk Schizonts. Jika pada SVM biner 1. 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. Dan hasil identifikasi akhir/hasil voting dari data uji tersebut dinyatakan sebagai Trophozoite. maka nilai voting untuk data uji tersebut yang terbanyak adalah Trophozoite. suatu data uji dinyatakan sebagai Trophozoite. maka hasil pengujian akhir mengikuti metode ones against ones SVM multiclass. Tabel 4. Hasil pengujian Trophozoites pada tiap SVM Biner Tabel 4. Penentuan suatu data uji masuk dalam kelas Trophozoite atau Schizonts atau Gametocyter. Hasil pengujian seluruh data uji pada tiap SVM biner . sedangkan hasil dari SVM biner tersebut bernilai positive. yaitu dengan melakukan voting dari hasil seluruh SVM biner. Hasil keseluruhan pengujian dapat dilihat pada tabel berikut : Tabel 5. SVM biner 2 dan SVM biner3. di SVM biner 2 dinyatakan sebagai Trophozoite dan di SVM biner 3 dinyatakan sebagai Gametocyte.

33% yang diambil dari proses mathlab ditunjukkan pada gambar berikut ini : Gambar 6.33% pada pelatihan ke 20 Hasil akurasi pengujian dapat ditunjukkan pada tabel dan gambar diagram batang berikut: Tabel 6.Hasil akurasi identifikasi 93. Gambar proses pelatihan dan pengujian dengan nilai akurasi 93. Tingkat akurasi hasil identifikasi Plasmodium Falciparum . Gambar plot proses pelatihan untuk mendapatkan akurasi 93.33% didapatkan setelah melalui beberapa tahap proses pelatihan untuk mendapatkan hyperplane terbaik.

dapat disimpulkan sebagai berikut: 1. terdiri dari 15 citra Trophozoites. 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. Propinsi Kalimantan Selatan.33% menggunakan pendekatan Support Vector Machine. 5. Pada proses ekstraksi ciri. Tahapan penelitian yang dilakukan meliputi pengolahan citra digital untuk mengkonversi ruang warna citra dari RGB ke CIE Lab.dpd. pada penelitian ini mempunyai hasil segmentasi yang lebih baik untuk meningkatkan akurasi identifikasi.33%. Tingkat akurasi hasil identifikasi setiap jenis plasmodium falciparum menggunakan Support Vector Machine yaitu Throphozoites (100 %). 4.cdc. Segmentasi menggunakan k-means clustering dilakukan dengan nilai k = 3 (k adalah jumlah cluster). Gametocyter (80%). 15 citra Schizonts¸ 15 citra Gametocyter pada percobaan pertama dan 90 citra parasit. 3. 30 citra Schizonts¸ 30 citra Gametocyter pada percobaan kedua. Pada eksperimen yang telah dilakukan dengan menambah nilai k pada kelompok sampel ini. Hasil identifikasi plasmodium falciparum pada penelitian sebelumnya yang mencapai 91. objek akan ikut tereduksi dengan warna objek lainnya sehingga objek akan rusak / hilang bila diberi nilai k yang lebih besar dari 3. Rata-rata akurasi hasil identifikasi keseluruhan sebesar 93. Dilanjutkan dengan proses segmentasi citra menggunakan k-mean clustering. 2. Proses terakhir adalah pelatihan dan identifikasi menggunakan support vector machine. Hal ini dikarenakan data yang digunakan disesuaikan dengan data penelitian sebelumnya yang diunduh dari http://www. Data citra yang digunakan cukup terbatas yaitu 45 citra parasit.76% dapat ditingkatkan menjadi 93. Kesimpulan Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Identifikasi Plasmodium falciparum Dalam Sample Darah Menggunakan Support Vector Machine. terdiri dari 30 citra Trophozoites. Schizonts (100%). Sehingga jumlah cluster dengan nilai k=3.33 %. Grafik Batang Tingkat Akurasi Hasil Identifikasi Plasmodium Falciparum 2.gov dan Data pada penelitian ini berdasarkan data validasi yang sudah didapat pada Balai Laboratorium Kesehatan. .Gambar 7.

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

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

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

.

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

2003. 2008). Myanmar dan Thailand (Whosea.2 milyar penduduk atau sekitar 85 % dari total populasi di Asia Tenggara beresiko terkena penyakit malaria. Dari 20 spesies plasmodium. Malaria merupakan penyakit yang diakibatkan oleh parasit yang tergolong dalam filum Apicomplexa. 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. yaitu Plasmodium falciparum. Iis H. dan Plasmodium malariae. Plasmodium ovale. k-mean clustering. Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup. suku Plasmodidae. 2004. Indonesia. Hasil dari penelitian ini menunjukkan bahwa menggunakan ciri warna sebagai ciri masukannya dan identifikasi menggunakan SVM dapat memberikan tingkat keberhasilan 93. plasmodium vivax. kelas Sporozoa. Schizonts dan Gametocyte masuk dalam SVM Biner ketiga. Trophozoite dan Schizonts masuk dalam SVM Biner pertama. SVM multiclass metode ones against ones. hanya empat spesies diantaranya yang dapat menginfeksi manusia. Data pelatihan disusun menjadi 3 buah SVM biner. Pendahuluan Malaria sebagai salah satu penyakit tropis yang menyebabkan sekitar 273 juta kasus klinik dan 1. Sekitar 1. Sebagian besar penduduk yang hidup di daerah endemik malaria berada di India. Trophozoite dan Gametocyte masuk dalam SVM Biner kedua. Ditambah lagi dengan tingkat obyektifitas diantara masing-masing analis kesehatan. ordo Haemosporida. 2008). 2008).33 % data citra dengan benar. (Iis H.12 juta kematian setiap tahun. Sehingga diperlukan metode pendekatan sebagai alternatif untuk memudahkan para mikroskopist malaria dalam mengidentifikasi morfologi parasit tersebut. dan saat ini sistem . I.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. Lebih dari 40 % populasi dunia (>2. karena faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morfologi parasit dan faktor kelelahan mata dalam melihat morfologi.1 milyar penduduk) diperkirakan beresiko terjangkit penyakit ini (WHO. Plasmodium vivax. Iis H. Namun kasus malaria yang banyak ditemukan di indonesia hanya spesies Plasmodium falciparum. Kata Kunci : malaria. Sekitar 30 % penduduk yang beresiko tersebut hidup di daerah endemik sedang sampai endemik tinggi malaria. hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan. dan genus Plasmodium. Langkah terakhir adalah melakukan uji identifikasi dan mengklasifikasi parasit plasmodium vivax kedalam tiga kelas menggunakan Support Vector Machine (SVM) multiclass metode ones against ones.

plasmodium ovale. II. Khusus Plasmodium Vivax dan Plasmodium Ovale pada siklus parasitnya di jaringan hati (sizon jaringan). dan plasmodium malariae sedang yang terbanyak di Indonesia adalah Plasmodium falciparum dan plasmodium vivax atau campuran keduanya. Apabila identifikasi morfologi parasit malaria dapat dilakukan oleh komputer maka diagnosa terhadap penyakit malaria akan lebih efektif dan efisien. 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). mulai bentuk tropozoit muda sampai sison tua / matang sehingga eritrosit pecah dan keluar merosoit. Parasit Malaria Malaria adalah penyakit yang dapat bersifat cepat maupun lama prosesnya. menggigit manusia sampai pecahnya sizon darah atau timbulnya gejala demam. sebagian parasit yang berada dalam sel hati tidak melanjutkan siklusnya ke sel eritrosit tetapi tertanam di jaringan hati disebut Hipnosoit (gambar 1).komputer banyak memberikan kontribusi kepada ilmu kedokteran dalam analisa yang cukup obyektif. Tinjauan Pustaka 1. membentuk stadium sizon jaringan dalam sel hati (eksoeritrositer). Penyebaran Parasit Malaria dan Siklusnya . Gambar 1. 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. Parasit malaria pada siklus hidupnya. plasmodium vivax. terutama dalam kegiatan survey malariometrik yang pada umumnya mengidentifikasi sediaan darah dalam jumlah yang banyak dan pada akhirnya memudahkan upaya pemberantasan penyakit malaria. Seperti telah disinggung di depan parasit pada manusia yang menyebabkan Malaria adalah Plasmodium falciparum. muka nampak pucat dan pembesaran organ tubuh manusia. bentuk hipnosoit inilah yang menyebabkan malaria relapse. Siklus parasit malaria adalah setelah nyamuk Anopheles yang mengandung parasit malaria menggigit manusia. Proses penyebaran ini akan berbeda dari setiap jenis parasit malaria yaitu antara 9 40 hari (WHO 1997). maka keluar sporozoit dari kelenjar ludah nyamuk masuk kedalam darah dan jaringan hati. Proses penyebarannya adalah dimulai dengan nyamuk malaria yang mengandung parasit malaria. sedangkan plasmodium ovale dan malariae pernah ditemukan di Sulawesi. Setelah sel hati pecah akan keluar merozoit / kriptozoit yang masuk ke eritrosit membentuk stadium sizon dalam eritrosit (stadium eritrositer). Irian Jaya dan negara Timor Leste.

didalamnya terdapat vakuola. 2. plasma tampak biru. sitoplasma biru. mengisi hampir separuh eritrosit. inti tampak kecil kompak (padat). plasma tampak pucat kelabu sampai merah muda. 3. pigmen malaria tersebar. Gambar 2. pigmen malaria tersebar. Plasmodium falciparum adalah yang paling besar diantara gametosit-gametosit yang ada dan berbentuk seperti pisang. antara inti ada titik-titik cokelat yang disebut dengan butirbutir hematin (pigmen malaria). plasma padat tidak bervakuala. lebih kecil dari makrogametosit. ditengah-tengah terdapat pigmen malaria dan tetap ada titik-titik Schuffner. Bentuk Gametosit Mikrogametosit bentuknya bulat besar. inti membelah. tidak kompak (menyebar) dan terletak sentral. Secara seksual. yaitu 7-14 ìm. meski ada juga yang berbentuk seperti ameboid dan band seperti yang ditunjukkan pada Gambar 2. Bentuk Skizon Skizon muda berbentuk bulat. inti besar pucat. sedangkan yang lainnya bersifat lebih kecil dan berbentuk lingkaran.Trofozoit-trofozoit parasit malaria secara umum berbentuk seperti cincin dengan ukuran 1-2 ìm. mengisi hampir seluruh eritrosit. . Bentuk Trofozoit Trofozoit muda berbentuk cincin. letak eksentris. tiap-tiap pembelahan inti diikuti pembelahan sitoplasma (12-24 buah merozoid) dan mengisi penuh eritrosit. plasma yang berhadapan dengan inti menebal. inti merah. khasnya tampak titik-titik Schuffner. lebih besar dari mikrogametosit. sitoplasma tampak tidak teratur. letak plasmodium sentral di dalam eritrosit. Trofozoit tua berbentuk ameboid. Makrogametosit berbentuk lonjong atau bulat. Citra Bentuk dan Jenis Parasit Malaria Dalam Darah Manusia Morfologi Plasmodium Vivax dapat diuraikan sebagai berikut: 1. parasit (gametosit-gametosit) mempunyai ukuran yang jauh lebih besar. biasanya hanya satu dalam satu eritrosit. Plasmodium vivax menyebabkan stippling butir-butir darah merah yang terkena infeksi. Inti skizon tua membelah menjadi 12-24. dan terdapat juga titik-titik Shuffner.

menjadi citra yang kualitasnya lebih tinggi sesuai yang diinginkan. khususnya dengan menggunakan komputer.2. bermacam-macam proses pengolahan citra dapat dilakukan terhadap citra tersebut. Jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu objek. Dalam definisi yang lebih luas.255. foto sinar-X. Citra digital merupakan suatu larik dua-dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan setiap elemen gambar. Pengolahan Citra Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optis berupa foto. sebuah pixel memiliki nilai dari 0 . Pengolahan citra adalah pemrosesan citra. Untuk citra abu-abu (gray scale). Image Plasmodium Vivax . Sebuah citra tersusun atas pixelpixel yang memiliki nilai. Kadang-kadang hasil rekaman data bersifat kontinyu seperti gambar pada monitor televisi analog. bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bitbit tertentu. Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. dan lain sebagainya. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Data image plasmodium vivax pelatihan maupun pengujian diambil hanya pada area image plasmodiumnya saja.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. 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. Dengan demikian untuk mendapatkan suatu citra digital dari citra analog diperlukan suatu proses konversi sehingga citra tersebut selanjutnya dapat diproses dengan komputer. Ketika suatu citra sudah diubah ke dalam bentuk digital (selanjutnya disebut citra digital). pengolahan citra digital juga mencakup semua data dua dimensi. Citra f(x. Citra plasmodium tersebut berada pada sebuah ruang yang disebut bidang gambar / ruang lingkup citra (image space). Gambar 3.

Jalan Penelitian Penelitian ini dilakukan setelah mengadakan studi pustaka dan penelusuran jaringan internet mengenai literatur yang berkaitan. 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. ukuran citra yang dimasukkan adalah lebar (width) 50 piksel dan tinggi (height) 50 piksel. Konversi dari ruang warna RGB ke CIE Lab Segmentasi citra menggunakan k-mean clustering. Identifikasi menggunakan Support Vector Machine. Agar dapat diolah oleh program aplikasi dengan tampilan yang wajar dan waktu pengolahan yang cukup cepat. 2. 4. 2. 3. Propinsi Kalimantan Selatan. Pengelompokan Bahan/materi Penelitian Plasmodium vivax Trophozoite Schizonts Gametocyte Jumlah Banyaknya sample 30 30 30 90 Data citra sampel dengan format penyimpanan . Tabel 1.jpg kemudian diolah dengan menggunakan program untuk mengatur tinggi dan lebar citra yang akan diolah dengan tujuan normalisasi data. Ekstraksi ciri warna citra. ekstraksi ciri dan klasifikasi. METODOLOGI PENELITIAN 1. Untuk lebih lengkap dan lebih jelas tentang jalan penelitian dapat dilihat pada gambar diagram blok penelitian berikut : . Ruang lingkup materi penelitian ini adalah operasi segmentasi clustering yang diterapkan pada analisis citra.III. Dengan demikian materi kajian terdiri : 1.

Pada penelitian ini metode segmentasi yang akan dipakai adalah k-mean clustering. Untuk mengekstrak ciri dari masing-masing citra digunakan ciri warna. selanjutnya menjadi data pelatihan SVM. SVM mempunyai dasar klasifikasi 2 kelas (biner). 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. Nilai k (sejumlah cluster dari warna) yang digunakan dalam simulasi adalah k = 3 2. 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). Diagram Blok Penelitian 2. pada citra dilakukan penelusuran untuk seluruh titik. Dari intensitas minimum ke maksimum kemudian dilakukan pembagian. Eksperimen yang dilakukan pada proses segmentasi pada penelitian ini adalah terlebih dahulu dilakukan konversi ruang warna citra dari ruang warna RGB ke warna CIELAB. 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. Karena klasifikasi yang dilakukan pada . Bagian-bagian inilah yang menentukan jumlah objek yang diharapkan ada pada citra. Setelah dilakukan pembagian. a*. yang akhirnya mengganti warna seluruh titik di dalam kelompok-kelompok tersebut dengan rata-rata kelompok masing-masing. 2.1 Segmentasi Citra Pada proses segmentasi.Gambar 4. citra hasil dari proses pemulihan ditampilkan dan dicari intensitas maksimum dan minimum yang ada dalam citra. dan b*. 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 metode ini. histogram dari citra akan terbagi menjadi bagian bagian yang disebut kelompok (cluster). citra akan dilakukan pemisahan objek berdasarkan intensitas warna. sehingga dengan demikian akan didapat nilai rata-rata warna sesuai jarak terdekat dari masing-masing warna. Berikutnya. Identifikasi Menggunakan Support Vector Machine Data pelatihan yang sudah diekstraksi ciri. Pengelompokan warna pada ruang warna CIELAB didapat dengan menggunakan formula jarak Euclidean dari unsur L*.

(k adalah jumlah kelas) dan menghasilkan 3 buah SVM biner. Persoalan solusi bidang pemisah terbaik dapat dirumuskan : . karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga.x) = exp ( . SVM biner yang pertama terdiri dari.|xi – x|2). Fungsi kernel yang digunakan pada penelitian ini adalah Radial Basis Function (RBF) K(xi. sehingga dapat dipisahkan secara linier pada feature space. dan seterusnya seperti yang ditunjukkan pada table 2 Tabel 2.  > 0 Sejumlah support vector pada setiap data pelatihan harus dicari untuk mendapatkan solusi bidang pemisah terbaik.penelitian ini menggunakan 3 kelas. yaitu Trophozoite. Karena feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Trophozoite sebagai kelas 1 dan Schizonts sebagai kelas -1. Hal ini mengakibatkan komputasi pada feature space sangat besar. Maka pada SVM digunakan ”kernel trick”. 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). Schizonts dan Gametocyte sehingga jumlah SVM biner dihitung menggunakan rumus k (k-1) / 2 .

Proses pengujian atau klasifikasi dilakukan juga pada setiap SVM biner menggunakan nilai alpha dan bias yang dihasilkan pada proses pelatihan di setiap SVM biner. terdapat beberapa metode untuk melakukan pengujian. Fungsi yang dihasilkan untuk proses pengujian adalah : f(xd)= iyi K(xi. dengan αk 0. b = yk. .Subject to : Data yang berkorelasi dengan αi > 0 inilah yang disebut sebagai support vector. Salah satunya adalah metoda votin g (Hsu. xd = data pengujian) Jika f(xd) ≥ +1 maka kelas untuk xd adalah +1. dapat diperoleh nilai yang nantinya digunakan untuk menemukan w. Setelah keseluruhan k (k − 1) / 2 model klasifikasi selesai dibangun.wTxk untuk setiap xk . Solusi bidang pemisah didapatkan dengan rumus w =Σαiyixi . Dengan demikian.xd) + b (xi = support vector. dan jika f(xd)  -1 maka kelas untuk xd adalah -1. 2002).

Gambar 6 merupakan citra hasil digitalisasi untuk darah yang mengandung parasit malaria jenis Plasmodium Vivax Trophozoite . HASIL DAN PEMBAHASAN 4. 4.1.1. Propinsi Kalimantan Selatan. Semua proses pada penelitian ini menggunakan Program Matlab 7.1 Pengumpulan Sampel Citra Preparat Data pada penelitian ini menggunakan sampel data yang berasal berasal dari bank data sampel citra parasit Plasmodium Vivax. 7 dan 8. maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data. Jika terdapat dua buah kelas yang jumlah suaranya sama. segmentasi citra menggunakan K-Mean Clustering. Preparat darah sampel diakuisi dan disimpan dalam memori dengan format file citra *. IV.1. 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). maka suara untuk kelas i ditambah satu.1 Hasil Penelitian Penelitian yang telah dilakukan meliputi proses pengumpulan sampel preparat darah jenis Plasmodium Vivax. Ekstraksi ciri dan dilanjutkan dengan identifikasi menggunakan Support Vector Machine. Citra sampel dilihat pada Gambar 6. pada Balai Laboratorium Kesehatan. 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.Gambar 5.jpg. 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. Kelas dari data x akan ditentukan dari jumlah suara terbanyak.

untuk data pelatihan masing-masing Trophozoite 20 sampel. Contoh Citra Plasmodium Vivax Gametocyte Total data Plasmodium Vivax yang digunakan adalah 90 sampel. Schizonts 20 sampel dan Gametocyte 20 sampel.Gambar 6. Schizonts 10 sample dan Gametocyte 10 sampel. Sedangkan untuk data pengujian masing-masing Trophozoite 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 . Contoh Citra Plasmodium Vivax Trophozoite Gambar 7. Contoh Citra Plasmodium Vivax Schizonts Gambar 8.

dan b* sesuai persamaan (2. yang akhirnya mengganti warna seluruh titik di dalam kelompok-kelompok tersebut dengan rata-rata kelompok masing-masing. Pada penelitian ini.8). Setelah dilakukan pembagian. 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.2 Segmentasi Citra Dengan Metode K-mean Clustering Segmentasi adalah suatu proses untuk memisahkan sejumlah objek dalam suatu citra dari latar belakangnya. Nilai k yang digunakan dalam simulasi adalah k = 3. histogram dari citra akan terbagi menjadi bagian-bagian yang disebut kelompok (cluster). Berikutnya. Dan k adalah jumlah cluster yang digunakan. a*. sehingga dengan demikian akan didapat nilai rata-rata warna sesuai jarak terdekat dari masing-masing warna. segmentasi berhasil dilakukan dengan nilai k = 3. Dari intensitas minimum ke maksimum kemudian dilakukan pembagian. Bagian-bagian inilah yang menentukan jumlah objek yang diharapkan ada pada citra. proses segmentasi terlebih dahulu dilakukan konversi ruang warna citra dari ruang warna RGB ke warna CIELAB. Gambar 9. Gambar 9 menunjukkan hasil segmentasi sampel preparat untuk Plasmodium Vivax Trophozoite. dicari intensitas maksimum dan minimum yang ada dalam citra.1. K-Mean Clustering Plasmodium Vivax Trophozoite . Pada sampel ini. Pada metode ini. Distribusi Data Pelatihan dan Pengujian 4.Pengujian 21 s/d 30 10 21 s/d 30 10 30 21 s/d 30 10 Tabel 3. pada citra dilakukan penelusuran untuk seluruh titik. Pada penelitian ini proses pemisahan ini dilakukan dengan melakukan proses segmentasi menggunakan metode K-mean Clustering. Pengelompokan warna pada ruang warna CIELAB didapat dengan menggunakan formula jarak Euclidean dari unsur L*.

Pada sampel ini.4976077 dengan titik pusat berada pada 145. Gambar 10. Dari hasil segmentasi menggunakan metode k-means clusterring juga diketahui ternyata pola sebaran warna untuk masing-masing parasit berbeda. K-Mean Clustering PlasmodiumVivax Gametocyte Untuk masing-masing hasil segmentasi untuk sampel Plasmodium Vivax Gametocyte. segmentasi berhasil dilakukan dengan nilai k = 3.628777. nilai rerata dan titik pusat pengelompokkan untuk hasil segmentasi dengan nilai k = 3 ada pada sampel ke-1 sebesar 132. Langkah selanjutnya adalah ekstraksi ciri untuk mendapatkan ciri yang akan dipakai sebagai masukan Support Vector Machine.6028708. Gambar 10.3923445 .2906475 .Untuk masing-masing hasil segmentasi pada sampel Plasmodium Vivax Trophozoite. Gambar 11. menunjukkan hasil segmentasi sampel preparat untuk Plasmodium Vivax Schizonts. 120. segmentasi hanya dilakukan dengan nilai k = 3.6252546. 122.4597122 dengan titik pusat berada pada 140. . Pada sampel ini. nilai rerata dan titik pusat pengelompokkan untuk hasil segmentasi dengan nilai k = 3 ada pada sampel ke-1 sebesar 130. K-Mean Clustering Plasmodium Vivax Schizonts Untuk masing-masing hasil segmentasi pada sampel Plasmodium Vivax Schizont.9653768 .2953157 dengan titik pusat berada pada 139. Gambar 11 menunjukkan hasil segmentasi untuk sampel preparat untuk 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. 119.

Warna citra terdiri dari lebih satu komponen seperti RGB terdiri dari komponen Red.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. 4. bentuk dan lain-lain.67 173.33 175 169. Pada penelitian ini.1. ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB. Tujuannya adalah untuk mengenali suatu objek baik itu dilakukan sebelum maupun sesudah proses prapengolahan citra dan segmentasi.4. deteksi tepi.1 Ciri Warna Sebuah objek citra bila diperhatikan mempunyai warna yang spesifik. Distribusi warna dapat diperoleh menggunakan histogram dari warna.33 . Hasil pencarian nilai maksimum dari komponen warna RGB dan rata-ratanya dapat dilihat pada Tabel 4. Pada penelitian ini ciri yang akan dicari adalah ciri warna.3 Ekstraksi Ciri Secara umum banyak ciri yang dapat digunakan sebagai pengenalan objek dalam citra. Green dan Blue.1. antara lain: ciri warna. Untuk menyatakan ciri warna pada objek citra maka yang perlu diperhatikan bagaimana perilaku dari distribusi warna itu sendiri. 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 0 146.3.67 172 172. tekstur. Nilai Maksimum RGB Plasmodium Vivax Tabel 4. Memang banyak objek citra mempunyai warna dasar sama tetapi distribusi warna di dalamnya ternyata berbeda.

67 151 148.33 132.67 0 0 0 0 0 0 0 137.33 169.67 171 172.67 172.67 156 149.33 171 171.33 0 .33 170 173.67 171 170 171 173.33 185 189 191 190 188 187 184 181 180 179 180 180 180 169 169 173 166 165 161 158 157 156 159 163 163 159 183 185 186 184 181 179 176 175 174 175 178 178 178 179 181 183.67 125.67 154 157 156.67 168.67 122 133 131.33 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 160.33 134 127 127 133.33 154.33 130 137 135 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 180 172 167.33 151.33 180 178 175.33 176 168.33 147 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 138.67 162 149.67 126.67 172.67 150 155.33 155 154 150 149.33 152.67 147.67 173.33 121.67 148 150 153 149.33 153.67 149.12 13 14 15 16 17 18 19 20 21 22 23 24 150 159 155 150 152 155 153 154 157 161 156 156 161 137 146 147 142 138 139 137 136 140 144 140 134 143 155 160 160 158 159 159 156 154 153 154 153 152 159 147.33 135.67 154.67 136.67 148 150.33 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.

. Proses yang dilakukan menggunakan SVM adalah proses Pelatihan dan proses Identifikasi. Trophozoite dan Gametocyte masuk dalam SVM Biner kedua. Sebelum melalui tahap pelatihan dan identifikasi.1.1.4. data disusun dan disesuaikan dengan pola ones against ones pada SVM multiclass.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. Trophozoite dan Schizonts masuk dalam SVM Biner pertama.4 Identifikasi Dengan Support Vector Machine Setelah proses ekstraksi ciri dari citra sampel. Untuk sample Trophozoite 1 dan Schizonts 1. selanjutnya adalah menggunakan ratarata dari ciri komponen warna maksimum RGB yang akan dipakai sebagai masukan klasifikasi pola parasit dengan menggunakan Support Vector Machine (SVM). Seperti yang terlihat pada Tabel 5. 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. 4.1 Pelatihan Dengan Support Vector Machine Data pelatihan disusun menjadi 3 buah SVM biner.

754941 0.6667 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1 -1 -1 0.3333 155 154 150 149.778218 Schizonts 1 Hasil Ekstraksi Ciri 0 0 0 0 0 0 0 0 0 0 0 0 0 123 127.3333 145 147.Tabel 5.817822 0.74902 0.768173 0.709234 0.3333 121.6667 151 148.818898 0.434185 -1 -1 -1 -1 -1 -1 . 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 0 146.749035 0.764244 0.452756 0.773737 0.792829 0.500982 0.856287 0.764471 0.6667 0 0 0 0 0 0 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0.6667 148 150 153 149.

449016 Trophozoite 1 Hasil Ekstraksi Ciri 0 0 0 0 0 0 0 Hasil Normalisasi -1 -1 -1 -1 -1 -1 -1 Hasil Normalisasi 0.577818 0 137.00578 -0.3333 130 137 135 Schizonts 1 Hasil Ekstraksi Ciri 135 0 0 0 0 0 0 -1 -0.688442 0.6667 148 150.390374 0.840637 0.325175 0.465241 0.42012 -0.6667 136.720307 0.3333 160.6667 125.812749 0.23618 0.452381 0.6667 126.3333 134 127 127 133.325444 0.624549 0.23 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 47 147.6667 156 149.632867 0.6667 150 155.829365 0.3333 138.780347 0.3333 135.329341 0.6667 154.585657 0.583012 -0.06358 -0.818533 0.650624 0.3333 151.3333 153.3333 147 0.6667 122 133 131.3333 154.528736 0.3333 152.629234 0.11656 0.7751 0.456835 -1 -1 -1 -1 -1 -1 .509202 0.653179 0.425993 0.6667 154 157 156.01639 -0.6667 149.3333 132.50898 0.497268 0.593625 0.

Jika seluruh data pelatihan menjadi support vector. maka contoh penampilan secara grafisnya dapat dilihat sebagai berikut: Gambar 12. Target dari hasil pelatihan ini adalah mencari Hyperplane terbaik pada masing-masing SVM biner.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.:))'/(2*p1^2)). Setiap data pelatihan mempunyai nilai alpha yang dicari menggunakan quadratic programming. seperti terlihat pada gambar 2. Nilai alpha tersebut menentukan apakah setiap data pelatihan sebagai support vector atau bukan. Pada peneltian ini digunakan threshold alpha > 1e-5. Nilai alpha yang melebihi threshold yang telah ditentukan itulah yang dapat dikatakan sebagai support vector.:))*( X(i. Grafik Hyperplan Terbaik Dengan Seluruh Data Pelatihan Yang Menjadi .X(j. yang akan digunakan untuk mengidentifikasi setiap data uji.X(j. apakah berada dikelas -1 atau +1.:).19 dan dapat menggunakan rumus: k = exp(-(X(i.:).

Proses pengujian untuk menentukan apakah hasil dari rumus tersebut bernilai negative atau positive. Setelah data uji tersebut diproses pada masing-masing SVM biner. maka untuk mengklasifikasi data uji. Pembagian label +1 dan -1 untuk data pada setiap SVM biner dapat ditunjukkan pada tabel 6. yaitu dengan melakukan voting dari hasil seluruh SVM biner. 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 . 4. Tabel 7. Jika hasilnya adalah negative maka data uji tersebut berada pada kelas -1 dan jika hasilnya positive maka data uji tersebut berada pada kelas +1.1. setiap data uji tersebut diproses dalam setiap SVM biner. Tabel 6. Setiap sampel data uji dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. sedangkan hasil dari SVM biner tersebut bernilai positive. SVM biner 2 dan SVM biner 3. maka hasil klasifikasi untuk kelas SVM biner tersebut adalah Trophozoite atau nilai voting Trophozoite bertambah 1.2 Klasifikasi Dengan Support Vector Machine Seperti halnya data pelatihan yang disusun menjadi 3 buah SVM biner. 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. maka hasil pengujian akhir mengikuti metode ones against ones SVM multiclass.Support Vector Pada penelitian ini dengan menggunakan threshold untuk nilai alpha 1e-5. ternyata seluruh data training sebagai support vector. menunjukkan hasil pengujian sebuah data uji yang diproses pada SVM biner 1.4. Penentuan suatu data uji masuk dalam kelas Trophozoite atau Schizonts atau Gametocyte. Tabel 7. dan selanjutnya dipetakan ke fiture space menggunakan kernel RBF.

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

Dan yang terakhir tingkat akurasi data uji gametocyte adalah 100 % berhasil dideteksi benar sebagai gametocyte. Tingkat akurasi dari data pengujian keseluruhan dalam % dapat dilihat pada Tabel 9 Tabel 9.23 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. Sementara hasil identifikasi data uji lainnya adalah benar.33% Tingkat Akurasi Dari tabel 9 terlihat bahwa tingkat akurasi data uji trophozoite adalah 100 % berhasil dideteksi benar sebagai trophozoite. hasil identifikasi dari SVM adalah Trophozoite dan Gametocyte semestinya adalah Schizonts. 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. Tingkat Akurasi Hasil Identifikasi Plasmodium Vivax Rata-Rata Tingkat Akurasi Hasil Trophozoite Schizonts Gametocyte Identifikasi 100% 80% 100% 93. 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. 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. Demikian pula untuk tingkat akurasi data uji schizonst adalah 80% berhasil dideteksi benar sebagai schizoonts. .

Hasil GUI untuk Identifikasi Plasmodium Vivax V.33%.Sedangkan rata-rata hasil akurasi dari keseluruhan data uji mulai no 1 sampai 30 untuk benar dideteksi benar dan salah dideteksi salah adalah 93. Gambar 14. Jika hasil tersebut digambarkan berupa grafik batang. 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. maka dapat ditunjukkan seperti yang terlihat pada gambar 13 Gambar 13. Gambar 14 menunjukkan hasil GUI dari metode yang diterapkan. PENUTUP . Hal ini untuk mensimulasikan identifikasi pada preparat yang mengharuskan identifikasi pada sejumlah lapangan pandang. Grafik Batang Tingkat Akurasi Hasil Identifikasi Plasmodium Vivax Dari gambar tersebut terlihat jelas rata-rata tingkat akurasi dari hasil deteksi ketiga jenis Plasmodium Vivax.

Schizonts (80%).. Pemeriksaan Parasit Malaria Secara Mikroskopik. Theses Docteur De L’Universite Joseph Fourier. Tingkat akurasi hasil identifikasi setiap jenis plasmodium vivax menggunakan SVM yaitu Trophozoite (100%). 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. U. Pada eksperimen yang telah dilakukan dengan menambah nilai k pada kelompok sampel. Khususnya jika hasil penelitian digunakan oleh petugas analis di lapangan. dapat disimpulkan sebagai berikut : 1. Bastien. Departemen Kesehatan Republik Indonesia. Gametocyte (100%). Perlu adanya penelitian lanjutan yang bersifat real time untuk penelitian yang sama. sehingga tingkat akurasi dapat ditingkatkan pada sistem pencahayaan yang berbeda-beda. 1991. 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 D’arabidopsis Thaliana. Http://www. 5. Malaria. 2. DAFTAr pustakA Ahmad. 2006.cea.fr. 2005.1 Kesimpulan Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Identifikasi Plasmodium Vivax Dalam Sample Darah Menggunakan Support Vector Machine. Pengolahan Citra Digital dan Teknik Pemrogramannya.33%. . 2. Rata-rata akurasi hasil identifikasi keseluruhan sebesar 93. 3. Yogyakarta. objek akan ikut tereduksi dengan warna objek lainnya sehingga objek akan rusak / hilang bila diberi nilai k yang lebih besar dari 3. Pada proses ekstraksi ciri.2 Saran 1.33%.5. Olivier. Menambahkan dan memperbaiki metode preporcessing. 3. 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. Graha Ilmu. Segmentasi menggunakan k-means clustering hanya dilakukan dengan nilai k = 3 (k adalah jumlah cluster) dikarenakan kualitas sampel yang kurang begitu bagus.

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

Tesis. Teknik Elektro.ebil. Universitas Gajah Mada..Http://orthomel. Dosen Tetap Yayasan Mandiri Pada STMIK BANJARBARU .Pi. 2006. S. Widiastuti. Penggunaan Jaringan Syaraf Tiruan untuk Prediksi Pengambilan Tindakan Medis Pasien Berdasarkan Diognisis Klinis. Penulis Nama: H. A..edu Sugiharto. Pemrograman GUI dengan MATLAB. Fitriyadi. Sri. 2006.upenn.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->