Identifikasi Infeksi Penyakit Malaria Berdasarkan Citra Darah Menggunakan Convolutional Neural Network

Adelia Fitriawati Zakiyyah, Murinto Kusno

Abstract


Malaria merupakan penyakit yang disebabkan oleh nyamuk anopheles yang terindetifikasi parasit plasmodium. Penyebaran kasus malaria yang semakin meningkat dapat dihentikan apabila terdapat sistem atau metode diagnosa secara akurat dan cepat. Tujuan penelitian ini adalah untuk mendeteksi sel darah merah yang terinfeksi malaria, untuk membantu tim kesehatan atau tim medis dalam mendiagnosa malaria dengan waktu yang lebih singkat serta menekan biaya peralatan medis serta mengurangi human error. Penelitian ini menggunakan convolutional neural network untuk mengklasifikasi citra sampel sel darah merah pasien positif malaria dan sampel sel darah normal. Tahapan penelitian dimulai dari identifikasi masalah, perumusan masalah, studi literatur, pengumpulan data di peroleh dari Kaggle.com dan NIH menggunakan kurang lebih 2000 data citra, spesifikasi kebutuhan, pengolahan data, perancangan model menggunakan arsitektur alexnet yang telah melalui proses reduksi dengan cara optimalisasi arsitektur CNN dan mencari kombinasi parameter yang menghasilkan nilai akurasi terbaik, implementasi menggunakan python, dan GUI flask serta pengujian performa sistem menggunakan akurasi dari confusion matrix. Hasil penelitian membuktikan pasien positif malaria dan pasien negatif malaria, menggunakan 80% data training serta 20% data testing dengan total dataset sebanyak 2000 data. Hasil akurasi sebesar 98% dan hasil uji validitas model menggukan data baru diluar data training dan testing didapatkan hasil akurasi sebesar 100%. 

 


Keywords


convolutional neural network, citra, preprocessing, malaria

Full Text:

PDF

References


Tangpukdee, N., Duangdee, C., Wilairatana, P., & Krudsood, S. (2009). Malaria Diagnosis: A Brief Review. The Korean Journal of Parasitology, 47(2), 93. doi:10.3347/kjp.2009.47.2.93

Rinawati, W., & Henrika, F. (2019). Diagnosis Laboratorium Malaria. J Indon Med Assoc, 69(10), 327–335.

World Health Organization (WHO). 2019. World Malaria Report 2019. Technical report. World Health Organization Available at https://www.who.int/ publications/ i/item/world-malaria-report-2019.

Kusuma, W., Lestari, A. A. W., Herawati, S., Putu, I. W., & Yasa, S. (2000). Pemeriksaan Mikroskop Dan Tes Diagnostik Cepat Dalam Menegakkan Diagnosis Malaria. Work, 4(021), 57946053. http://www.jstor.org/stable/2883974%5Cnhttp://www.jstor.org/stable/2883974

Putra, S. R. (2015). Implementasi Convolutional Neural Network Untuk Klasifikasi Obyek Pada Citra. http://repository.its.ac.id/71292/1/5111100076-Undergraduate Thesis.pdf

Sabir, M. I. (2019). Pengaruh Image Engagement pada Aplikasi Parasit Malaria. Jurnal Penelitian Enjiniring, 22(1), 34–37. https://doi.org/10.25042/jpe.052018.06

Liang, Z., Powell, A., Ersoy, I., Poostchi, M., Silamut, K., Palaniappan, K., … Thoma, G. (2016). CNN-based image analysis for malaria diagnosis. 2016 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). doi:10.1109/bibm.2016.7822567

Biantong, T. R., Furqon, M. T., & Soebroto, A. A. (2019). Implementasi Metode Support Vector Machine Untuk Klasifikasi Jenis Penyakit Malaria. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(2), 1215–1224.

Ciresan, D., Meier, U., & Schmidhuber, J. (2012). Multi-column deep neural networks for image classification. 2012 IEEE Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2012.6248110

Astini, N. K. S. (2018). Segmentasi Citra Parasit Malaria Plasmodium Vivax Dengan Menggunakan Metode Haar Cascade. Jl. Udayana Kampus Tengah, 0362, 27213. http://pti.undiksha.ac.id/senapati

Gopakumar, G. P., Swetha, M., Sai Siva, G., & Sai Subrahmanyam, G. R. K. (2018). Convolutional neural network-based malaria diagnosis from focus stack of blood smear images acquired using custom-built slide scanner. Journal of Biophotonics, 11(3). https://doi.org/10.1002/jbio.201700003

Sabilla, I. A. (2020). Arsitektur Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Dan Kesegaran Buah Pada Neraca Buah. Tesis, 201510370311144, 1–119. https://repository.its.ac.id/73567/1/05111850010020-Master_Thesis.pdf

Putri, O. N. (2020). Implementasi metode cnn dalam klasifikasi gambar jamur pada analisis image processing.

NURHIKMAT, T. (2018). Implementasi Deep Learning Untuk Image Classification Menggunakan Algoritma Convolutional Neural Network (Cnn) Pada Citra Wayang Golek. Universitas Islam Indonesia, 10(2), 1–15. https://doi.org/10.13140/RG.2.2.10880.53768

Andika, L. A., Pratiwi, H., & Handajani, S. S. (2019). Lingga Aji Andika 1 , Hasih Pratiwi 2 , and Sri Sulistijowati Handajani 3 1. Indonesian Journal of Statistics and Its Applications, 3(3), 331–340

Faiz, F. A. (2019). Klasifikasi jenis kulit hewan asli dengan kulit imitasi berdasarkan citra tekstur permukaan samak kulit menggunakan convolutional neural network.

Sutrimah. (2017). Validitas Diagnosis Suspek Malaria Pada Pasien Demam Di Puskesmas Kaligesing Kabupaten Purworejo. 9–26. https://repository.unimus.ac.id




DOI: http://dx.doi.org/10.12928/jstie.v10i2.22598

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 adelia fitriawati zakiyyah

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Jurnal Sarjana Teknik Informatika
Organized by Informatics Department
Published by Universitas Ahmad Dahlan
Website: http://journal.uad.ac.id/index.php/JSTIF
Office: Industrial Technology Faculty, Kampus Utama UAD Jalan Ahmad Yani (Ringroad Selatan), Tamanan, Banguntapan, Bantul, Yogyakarta 55166, Indonesia
Email: herman.yuliansyah@tif.uad.ac.id || jurnalsarjana@tif.uad.ac.id

 

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.