Klasifikasi Malaria Menggunakan Metode Image Processing Dari Sel Darah Merah Dengan Algoritma Convolutional Neural Network
DOI:
https://doi.org/10.33633/joins.v7i2.7068Abstract
Penyakit malaria merupakan infeksi penyakit yang ditularkan oleh nyamuk baik dari manusia ataupun hewan lain melalui protozoa parasit yang biasa disebut plasmodium. Malaria bisa berakibat fatal jika terlambat dideteksi dikarenakan dapat mengakibatkan anemia akut, gagal ginjal, hingga berujung kematian. Infeksi malaria sebenarnya bisa dideteksi dini menggunakan sampel sel darah merah, dikarenakan sel darah merah yang terinfeksi parasit akan tampak pola atau bercak. Dalam penelitian ini menggunakan data set publik berupa gambar sel darah merah yang terinfeksi protozoa parasit dan tidak terinfeksi. Beberapa peneliti sudah melakukan penelitian untuk mengklasifikasikan penyakit malaria dari sampel sel darah merah. Pada umumnya peneliti sebelumnya menggunakan metode image processing dengan mengubah gambar menjadi negatif untuk kemudian di klasifikasikan menggunakan metode klasifikasi tertentu. Di dalam penelitian ini penulis mencoba mengembangkan metode lain yaitu dengan melakukan pre-prosessing terlebih dahulu terhadap data set yang ada yaitu dengan mengubah ukuran gambar menjadi ukuran PIXEL 100x100, untuk kemudian dilakukan image augmentation untuk memperbanyak data set sehingga kemungkinan akurasi naik menjadi lebih tinggi. Proses selanjutnya yaitu mengubah dimensi gambar yang semula berdimensi tiga menjadi 1 dimensi dengan proses fitur reduksi menggunakan PCA (Principle Component Analysis) hasil dari fitur reduksi tersebut selanjutnya diklasifikasikan menggunakan metode Convolutional Neural Network (CNN). Hasil dari penelitian menunjukkan peningkatan akurasi yang lebih baik menjadi 98,30% dengan menggunakan metode tersebut.Kata kunci: image processing, CNN Classifier, Malaria, image augmentation, PCAReferences
H. A. Nugroho, S. A. Akbar, and E. E. H. Murhandarwati, “Feature extraction and classification for detection malaria parasites in thin blood smear,” ICITACEE 2015 - 2nd Int. Conf. Inf. Technol. Comput. Electr. Eng. Green Technol. Strength. Inf. Technol. Electr. Comput. Eng. Implementation, Proc., vol. 1, no. c, pp. 197–201, 2016.
A. S. Abdul Kadir, “Teori dan aplikasi pengolahan citra,” p. 2013, 2013.
K. E. D. Penas, P. T. Rivera, and P. C. Naval, “Malaria Parasite Detection and Species Identification on Thin Blood Smears Using a Convolutional Neural Network,” Proc. - 2017 IEEE 2nd Int. Conf. Connect. Heal. Appl. Syst. Eng. Technol. CHASE 2017, pp. 1–6, 2017.
S. Rajaraman et al., “Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images,” PeerJ, vol. 6, p. e4568, 2018.
Y. M. Kassim et al., “Clustering-Based Dual Deep Learning Architecture for Detecting Red Blood Cells in Malaria Diagnostic Smears,” IEEE J. Biomed. Heal. Informatics, vol. 25, no. 5, pp. 1735–1746, 2021.
W. Kudisthalert, K. Pasupa, and S. Tongsima, “Counting and classification of malarial parasite from giemsa-stained thin film images,” IEEE Access, vol. 8, pp. 78663–78682, 2020.
Y. N. FUADAH, I. D. UBAIDULLAH, N. IBRAHIM, F. F. TALININGSING, N. K. SY, and M. A. PRAMUDITHO, “Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 3, p. 728, 2022.
M. Azeem, S. Javaid, H. Fahim, and N. Saeed, “Neural Networks for Infectious Diseases Detection: Prospects and Challenges,” arXiv Prepr. arXiv2112.03571, pp. 0–16, 2021.
H. K. Ragb, I. T. Dover, and R. Ali, “Deep convolutional neural network ensemble for improved malaria parasite detection,” Proc. - Appl. Imag. Pattern Recognit. Work., vol. 2020–Octob, 2020.
B. S. Gandhi, S. A. U. Rahman, A. Butar, and A. Victor, “Brain tumor segmentation and detection in magnetic resonance imaging (MRI) using convolutional neural network,” Brain Tumor MRI Image Segmentation Using Deep Learn. Tech., pp. 37–57, Jan. 2021
Downloads
Published
How to Cite
Issue
Section
License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
This work is licensed under a Creative Commons Attribution 4.0 International License.
