Pengembangan Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah Menggunakan Multi Layer Perceptron

Abstract

Penelitian ini bertujuan : (1) untuk mengimplementasikan sistem klasifikasi stadium malaria Plasmodium falciparum pada citra mikroskopis sel darah menggunakan Multi Layer Perceptron (MLP), (2) untuk mengetahui tingkat akurasi dari pengembangan sistem klasifikasi stadium malaria P. falciparum pada citra mikroskopis sel darah menggunakan Multi Layer Perceptron (MLP). Model penelitian yang digunakan adalah penelitian dan pengembangan dengan model waterfall. Model tersebut meliputi beberapa tahap yakni analisis kebutuhan sistem, design (perancangan), implementasi, dan pengujian perangkat lunak. Implementasi dan pengujian pada penelitian ini adalah suatu Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah menggunakan bahasa pemrograman Matlab R2015a. Dalam implementasi, metode pengolahan citra digital yang digunakan yaitu preprocessing, segmentasi, morfologi, dan ekstraksi fitur. Metode JST untuk klasifikasi menggunakan Multi Layer Perceptron berdasarkan algoritma pembelajaran backpropagation dengan aristektur jaringan 11 neuron input layer, 7 neuron hidden layer, dan 3 neuron output layer. Input perangkat lunak ini adalah citra berekstensi bitmap (*.bmp) dan keluarannya adalah klasifikasi berupa stadium malaria P.falciparum serta tingkat kemiripan (level of similarity) citra uji terhadap masing-masing stadium. Hasil pengujian klasifikasi, diperoleh rata-rata tingkat akurasi sebesar 91,11% dengan total sampel 105 citra data training dan 15 citra uji yang terdiri dari 5 citra stadium trofozoit, 5 citra stadium skizon, dan 5 citra stadium gametosit. Pengujian klasifikasi berdasarkan k-fold cv menghasilkan rata-rata akurasi sebesar 94.99%. Dari hasil tersebut, sistem ini mampu mengklasifikasi stadium malaria Plasmodium falciparum dengan baik dan dapat digunakan sebagai support system bagi dokter parasitologi.
Kata Kunci : Citra Mikroskopis, Plasmodium falciparum, Klasifikasi, Multi Layer Perceptron

This research aims to : (1) to implement the classifications system of the Plasmodium falciparum malaria stadium in microscopic image by using Multi Layer Perceptron (MLP), (2) to know the accuration level of classification system of Plasmodium falciparum malaria stadium in microscopic image by using Multi Layer Perceptron (MLP). Research method that is used in this study is Research and Development (R & D ) with waterfall model which contain with some different part such as system needs analysis, design, implementation and software testing. The implementation and testing in this research is a classification system of Plasmodium falciparum malaria stadium in microscopic image of corpuscle by using Matlab R2015a as the programming language. The method of digital image processing that used in the implementation are preprocessing, segmentation, morphology, and feature extraction. ANN method that used for classification is Multi Layer Perceptron based on backpropagation learning algorithm with 11 of neuron output layer, 7 neuron hidden layer, and 3 neuron output layer as the network architecture. The input of this software is an image with bitmap extension (*.bmp) and the output is the classification of the malaria P.falciparum phase along with level of similarity of testing image compare to each stadium. The result of classification testing describe that the average of accuration level is 91,11% with 105 as the total of image training data sample and 15 as the testing image which contain with 5 images of trofozoit, 5 images of skizon and 5 images of gametocyte. Classification testing based on k-fold cv described that the average of accuration is 94,99%. Based of that result, this system is able to classify the Plasmodium falciparum malaria stadium well and can be used as the support system by parasitologist.
keyword : microscopic image, Plasmodium falciparum, classification, Multi Layer Perceptron