Deteksi Malaria Berbasis Segmentasi Warna Citra dan Pembelajaran Mesin

Abstract

<p class="Abstrak">Di beberapa daerah di Indonesia, malaria masih merupakan salah satu penyakit endemik dan termasuk ke dalam kategori penyakit menular dengan vektor nyamuk <em>Anopheles</em>. Penurunan jumlah mortalitas penderita malaria ini telah menjadi program Pemerintah Indonesia dan <em>World Health Organization</em>. Salah satu hal penting yang dapat dilakukan adalah menyediakan alat diagnosis malaria yang cepat dan akurat berbantukan komputer. Oleh karena itu, pada studi ini dikembangkan sebuah metode deteksi malaria berbasis segmentasi warna citra yang dikombinasikan dengan metode pencacahan objek citra dan pembelajaran mesin berbasis <em>Convolutional Neural Network</em>. Pada studi ini, segmentasi citra dilakukan dengan menetapkan suatu nilai ambas batas tertentu (<em>thresholding</em>) pada model warna HSV. Nilai ambang batas untuk masing-masing kanal warna ditetapkan sebagai berikut: H = 100-175, S = 100-250, dan V = 60-190. Terdapat tiga skema pembelajaran mesin yang digunakan, yaitu citra asli menggunakan <em>RMSProp</em> <em>optimizer</em>, citra tersegmentasi menggunakan <em>RMSProp</em> dan <em>Adam</em> <em>optimizer</em>. Akurasi pelatihan dan validasi CNN tertinggi diperoleh dengan skema citra tersegmentasi menggunakan <em>RMSProp</em> <em>optimizer</em>, yaitu sebesar 92,77% dan 94,38%. Sementara, deteksi malaria berbasis pencacahan objek memiliki akurasi sebesar 93,78%. Meskipun deteksi malaria berbasis pencacahan objek memiliki akurasi 93,78%, tetapi sumber daya komputasi dan waktu yang diperlukan jauh lebih rendah.</p><p class="Abstrak"><strong><em>Abstract</em></strong></p><p class="Abstrak"><em>Malaria is still one of the endemic diseases in several regions of Indonesia. Reducing the malaria mortality rate has become a notable programme, not only does the Government of the Republic of Indonesia project it, but also the World Health Organization has a similar plan to tackle this disease. One of the prominent concerns to properly promote this programme is providing a rapid and accurate malaria diagnosis tool by applying the computer-aided diagnostics to minimize human errors. The aim of this study is to develop a colour microscopic image-based malaria detection using object counting and CNN-based machine learning. In this research, the HSV colour model with threshold values of H: 100-175, S: 100-250, and V: 60-190 was used to remove the image background. There are three machine learning schemes implemented in this study, i.e. original image using RMSProp optimizer, segmented image using RMSProp and Adam optimizer. The highest training and validation accuracy of CNN were obtained using a segmented image scheme by the RMSProp optimizer, 0.9277 and 0.9438. On the contrary, object-based malaria detection has an accuracy of 93.78%. Furthermore, there are several considerations to determine the malaria detection method, i.e. accuracy, computational resources, and time. Even though malaria detection using object counting has an accuracy of 93.78%, lower than the accuracy of CNN validation, the computational resources and time required are much lower and faster. Therefore, this detection method is suitable for smartphone-based devices with low-middle end specifications.</em></p>

Numerical Analysis of Variations Distance Formulas on K Nearest Neighbors In Classifying Malaria Parasite Blood Cells

“…Pada penelitian sebelum sebelumnya tentang malaria yaitu pada penelitian Deteksi parasit plasmodium pada citra mikroskopis hapusan darah dengan metode deep learning (Pratiwi, Ibrahim, Fu'adah, & Rizal Syamsul, 2021) menyimpulkan bahwa model CNN sederhana yang terdiri dari tiga hidden layer, dimana setiap hidden layer terdiri dari convolutional layer, RelU aktivasi dan max-pooling dapat melakukan identifikasi adanya parasit malaria pada citra mikroskopis hapusan darah Hasil pengujian dengan menggunakan tujuh optimizer yang berbeda, diperoleh hasil bahwa algoritma optimasi RMSProp memberikan kinerja terbaik dengan nilai presisi dan recall tertinggi sebesar 0,98, f1-score rata-rata sebesar 0,96 dan akurasi validasi sebesar 95,83%. Pada penelitian deteksi malaria berbasis segmentasi warna citra dan pembelajaran mesin (Setiawan, et al, 2019) didapati bahwa akurasi dengan menggunakan optimizer RMSProp 92,77% dan pada penelitian deteksi parasit malaria otomatis berbasis deep learning dari noda darah dan berbasis smartphone (Fuhad, et al, 2020) dimana akurasi penelitian ini mencapai 99,23%.…”

Detection Malaria Base Microscope Digital Image with Convolutional Neural Network

“…The microscopic examination stage for the detection of malaria requires at least 100 fields of view to be checked, so the inspection activity takes a long time and is less efficient (Susanti et al, 2017). In addition, this microscopic examination requires skilled and experienced human resources and has a specificity rate of 99% and a sensitivity rate of 57% (Setiawan et al, 2021).…”

Pemeriksaan Citra Mikroskop Menggunakan Graphical User Interface dengan Python pada Raspberry Pi

“…Pengamatan mikroskop cahaya oleh tenaga kesehatan masih banyak dilakukan secara manual, misalnya untuk mendapatkan fokus pada lensa okuler dan objektif perlu menggeser meja preparat sejumlah 100 lapang pandang [3]. Kemudian pengamatan objek pada lensa okuler setiap lapang pandangnya tentu akan melelahkan dan memerlukan waktu yang lama [4,5].…”