Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

Transkripsi

1 ANALISIS PERKEMBANGBIAKAN PLASMODIUM PENYEBAB PENYAKIT MALARIA DALAM SEL DARAH MERAH MANUSIA DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DIKOTA JAYAPURA Nur Ain Banyal 1, Abd. Rachman Dayat 2 1,2 Program Studi Manajemen Informatika, AMIK Umel Mandiri Jln. Raya Abepura Kotaraja99351 ¹nur.ain@amikumelmandiri.ac.id, 2 abd.rachman.dayat@amikumelmandiri.ac.id Abstrak Malaria adalah penyakit kronis dan akut yang disebabkan oleh protozoa dari jenis Plasmodium. Ada 4 spesies yang utama dari jenis plasmodium yang menyebabkan penyakit malaria pada manusia, yaitu: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae dan Plasmodium ovale. Yang paling penting dari spesies ini adalah Plasmodium falciparum karena akibatnya bisa fatal dan spesies ini juga yang paling banyak menyebabkan kematian. Angka kesakitan penyakit ini relatif masih cukup tinggi terutama di kawasan Indonesia bagian timur khususnya di Papua. Malaria masih mengancam status kesehatan masyarakat terutama bagi masyarakat miskin yang hidup di daerah terpencil. Oleh karena itu upaya pengendalian malaria perlu kita tingkatkan terus menerus antara lain meningkatkan kemampuan dan ketrampilan para pelaksananya/tenaga mikroskopis terutama di Dati II dan tenaga lapangan (Puskesmas/Rumah Sakit/Unit Pelayanan Kesehatan).Penelitian ini dilakukan di Rumah Sakit- Rumah Sakit yang ada di Kota Jayapura Propinsi Papua selama 6 bulan. Tujuan dari penelitian ini adalah untuk menganalisa perkembangbiakan plasmodium penyebab penyakit malaria dalam sel darah merah dapat dilakukan dengan metode Support Vector Machine(SVM)sehingga diharapkan dapat mendiagnosa sejak dini plasmodium falciparu secara cepat dan perancangan sistem tentang klasifikasi Plasmodium Falciparum dalam bentuk aplikasi yang diharapkan akan dapat membantu rumah sakit rumah sakit dikota Jayapura. Kata Kunci: Plasmodium Falciparum,Support Vector Machine(SVM). 1. Pendahuluan Malaria adalah penyakit kronis dan akut yang disebabkan oleh protozoa dari jenis Plasmodium. Ada 4 spesies dari jenis plasmodium yang menyebabkan penyakit malaria pada manusia, yaitu: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae dan Plasmodium ovale. Yang paling penting dari spesies ini adalah Plasmodium falciparum karena akibatnya bisa fatal dan spesies ini juga yang paling banyak menyebabkan kematian. Angka kesakitan penyakit ini relatif masih cukup tinggi terutama di kawasan Indonesia bagian timur khususnya di Papua. Malaria masih mengancam status kesehatan masyarakat terutama bagi masyarakat miskin yang hidup di daerah terpencil. Oleh karena itu upaya pengendalian malaria perlu kita tingkatkan terus menerus antara lain meningkatkan kemampuan dan ketrampilan para pelaksananya/tenaga mikroskopis terutama di Dati II dan tenaga lapangan (Puskesmas/Rumah Sakit/Unit Pelayanan Kesehatan). Pengolahan citra dapat digunakan untuk membantu proses pendiagnosaan penyakit malaria dalam sel darah merah manusia [2], sekarang ini yang dilakukan dokter untuk mendiagnosa malaria dalam sel darah merah yaitu menggunakan dua (2) teknik pencitraan yaitu makroskopik dan dermatoskopik. Makroskopik merupakan teknik pencitraan menggunakan alat bantu kaca pembesar atau loop, dan teknik ini memiliki tingkat keakurasi sebesar 65% hingga 80%, sedangkan teknik dermatoskopik adalah sebuah teknik pencitraan non-invasive menggunakan minyak immersion. Untuk dapat melihat adanya parasit di dalam darah penderita, perlu dibuat sediaan darah malaria (SD). Selanjutnya diwarnai dengan pewarnaan giemsa. SD ditetesi minyak imersi dan diperiksa di bawah mikroskop menggunakan lensa objektif 100x. Jika ditemukan parasit pada pemeriksaan, penderita 221

2 dinyatakan positif malaria. Citra yang dihasilkan dengan teknik dermatoskopik memberikan gambaran yang lebih detail dibandingkan dengan citra yang dihasilkan dari teknik makroskopik.[3] tingkat akurasi dari dermatoskopik lebih tinggi dari pada makroskopik yaitu 75% hingga 97%.[6] Klasifikasi citra merupakan salah satu tahap yang paling penting pada perkembangbiakan plasmodium penyebab penyakit malaria dalam sel darah merah manusia. Penelitian ini mengimplementasikan metode Support Vector Machine (SVM) untuk tahap klasifikasi pada sistem berdasarksn ciri warna. Model klasifikasi ini digunakan untuk mengklasifikasikan citra.[9],[10], [12]. Berdasarkan latar belakang tersebut maka peneliti merasa perlu untuk melakukan adanya suatu tindakan sebagai upaya pemecahan masalah di atas dengan memanfaatkan kecanggihan teknologi khususnya dalam bidang komputer untuk menyelesaikan masalah yang dihadapi khususnya dalam bidang kesehatan.sehingga peneliti mencoba untuk mengimplementasikannya dalam penyusunan penelitiandenganjudul: Analisis Perkembangbiakan Plasmodium Penyebab Penyakit Malaria Dalam Sel Darah Merah Manusia Dengan Menggunakan Support Vector Machine (SVM) di Kota Jayapura. Berdasarkan latar belakang tersebut, maka dapat dirumuskan permasalah yaitu menerapkan Metode Support Vector Machine(SVM)untuk menganalisis struktur lokal suatu citra dalam klasifikasi perkembangbiakan plasmodium penyebab penyakit malaria dalam sel darah merah manusia. Berdasarkan latar belakang masalah tersebut maka perlu adanya pembatasan masalah agar penelitian yang dilalukan dapat diidentifikasi secara efektif dan tidak terlalu luas serta berpusat pada masalah-masalah sebagai berikut: 1. Pembahasan terpusat pada plasmodium falciparu (malaria tropika) karena jenis malaria ini yang paling banyak menyebabkan kematian. 2. Metode yang digunakan dalam mengklasifikasikan plasmodium falciparu (malaria tropika) untuk menentukan stadium I,II,III dan IV dengan metode Support Vector Machine(SVM). merah dapat diukur dengan membandingkan sel darah merah dengan inti limfosit kecil dalam bidang yang sama atau berdekatan. Sel darah merah hanya terdiri dari membran dan sitoplasma tanpa inti sel. Sel darah merah yang berukuran lebih besar dari inti limfosit kecil pada apusan darah tepi disebut makrositik. Sel darah merah yang berukuran lebih kecil dari inti limfosit kecil disebut mikrositik. Gambar1. Sel Darah Merah Normal a. Ciri Ciri Malaria Plasmodium Falciparum Plasmodium falciparum mempunyai klasifikasi sebagai berikut : Kingdom : Haemosporodia Divisio : Nematoda Subdivisio : Laveran Kelas : Spotozoa Ordo : Haemosporidia Genus : Plasmodium Species : Falcifarum Siklus di dalam sel darah merah / eritrositer Adanya skizon muda dan matang plasmodium falciparum dalam sediaan darah tepi berarti keadaan infeksi yang berat sehingga merupakan indikasi untuk tindakanpengobatancepat.bentuk skizon muda plasmodium falciparum dapat dikenal dengan mudah oleh adanya satu atau dua butir pigmen yang menggumpal. Pada species parasit lain pada manusia terdapat 20 atau lebih butir pigmen pada stadium skizon yang lebih tua. Bentuk cincin dantofozoit tua menghilang dari darah tepi setelah 24 jam dan bertahan dikapiler alat-alat dalam, seperti otak, jantung, plasenta, usus atau sumsum tulang; di tempat tempat ini parasit berkembang lebih lanjut. Dalam waktu 24 jam parasit di dalam kapiler berkembang biak secara zkisogoni. Bila skizon sudah matang, akan mengisi kira-kira 2/3 eritrosit. Akhirnya membelah-belah dan membentuk 8 24 morozoit, jumlah rata-rata adalah 16. skizon matang plasmodium falciparum lebih kecil dari skizon matang parasit malaria yang lain. 2. Sel Darah Merah (Eritrosit) Definisi Sel Darah Merah Sel darah merah (Eritrosit) merupakan salah satu sel darah dengan jumlah paling banyak dibandingkan dengan sel darah lainnya. Sel darah merah matang berbentuk cakram bikonkaf dengan struktur sel yang tidak lengkap dengan tebal 1,5-2,5 mikron. Darah merah normal mempunyai volume femoliter (1fL = liter) dengan diameter kira-kira 7-8 mikron, sama dengan inti limfosit kecil. Diameter sel darah Gambar 2. Plasmodium falciparum b. Ciri - ciri Diagnostik Plasmodium Falciparum 1. Sel darah merah tidak membesar. 222

3 2. Ring terlihat jelas dan halus dan bisa ditemukan beberapa ring dalam satu sel. 3. Beberapa ring bisa mempunyai 2 bintikbintik kromatin. 4. Adanya bentuk marginal/applique. 5. Biasanya tidak terlihat adanya bentuk schizont dalam apus darah tepi, kecuali pada infeksi berat. 6. Gametosit mempunyai karakteristik berbentuk pisang. Meskipun begitu, gametosit biasanya tidak muncul dalam darah pada minggu pertama sampai minggu keempat masa infeksi. 7. Bintik-bintik Maurer ditemukan pada stadium ring tua. 3. Pengolahan Citra Digital Pengolahan Citra merupakan cara pemrosesan Citra dengan menggunakan perangkat komputer agar mudah diinterpretasi oleh manusia atau mesin. Pengolahan Citra umumnya diterapkan untuk melakukan pemodifikasian, pengubahan, penggabungan maupun perbaikan kualitas citra. a. Citra RGB (True Color) Sebuah warna didefinisikan dengan jumlah intensitas pokok yang terdiri dari warna pokok Red, Green and Blue(RGB) yang diperlukan untuk membuat suatu warna. Pada kondisi setiap warna piksel RGB (triplet dari warna merah, hijau dan biru), kedalaman warnanya adalah 24bit untuk 3 lapis citra dengan jumlah bit setiap lapisnya yang memiliki intensitas nilai maksimum 255 atau sama dengan 8 bit. b. Citra Grayscale Derajat keabuan citra merupakan representasi citra dengan hanya menggunakan warna abuabu (grey) yang berbeda intensitasnya. Citra grey dapat dihasilkan dari citra RGB. c. Citra Biner Citra biner (binary image) merupakan citra yang hanya mempunyai dua nilai derajat keabuan, yaitu hitam dan putih. Citra biner direpresentasikan dengan hanya dua intensitas warna pada tiap pikselnya yaitu 0 dan 1, dimana nilai 1 mewakili warna hitam dan nilai 0 mewakili warna putih. Pada Citra biner, piksel piksel objek bernilai 1 dan piksel-piksel latar belakang bernilai 0. d. Ekstraksi ciri Terdiri atas peta vektor pengamatan meliputi struktur berbasis metode untuk mendeteksi struktur gambar seperti tepi, garis, sudut, lingkaran, elips, dll. Tujuan utama dari ekstraksi ciri adalah untuk mereduksi dimensi data dengan tetap mempertahankan ciri khas atau informasi yang terkandung di dalam data tersebut. Gambar 3. Proses konversi menjadi grayscale 4. Support Vector Machine (SVM) Pattern Recognition merupakan salah satu bidang dalam komputer sains, yang memetakan suatu data ke dalam konsep tertentu yang telah didefinisikan sebelumnya. Konsep tertentu ini disebut class atau category. Aplikasi pattern recognition sangat luas, di antaranya mengenali suara dalam sistem sekuriti, membaca huruf dalam OCR, mengklasifikasikan penyakit secara otomatis berdasarkan hasil diagnosa kondisi medis pasien dan sebagainya. Discrimination analysis, hidden markov model hingga metode kecerdasan buatan seperti artificial neural network. Salah satu metode yang akhir-akhir ini banyak mendapat perhatian sebagai state of the art dalam pattern recognition adalah Support Vector Machine (SVM). Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane (Duda & Hart tahun 1973, Cover tahun 1965, Vapnik 1964, dsb.), kernel diperkenalkan oleh Aronszajn tahun 1950, dan demikian juga dengan konsep-konsep pendukung yang lain. Akan tetapi hingga tahun 1992, belum pernah ada upaya merangkaikan komponen-komponen tersebut. Berbeda dengan strategi neural network yang berusaha mencari hyperplane pemisah antar class, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah linear classifier, dan selanjutnya dikembangkan agar dapat bekerja pada problem non-linear. dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Perkembangan ini memberikan rangsangan minat penelitian di bidang pattern recognition untuk investigasi potensi kemampuan SVM. Secara teoritis maupun dari segi aplikasi. Dewasa ini SVM telah berhasil diaplikasikan dalam problema dunia nyata (real-world problems), dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional seperti misalnya artificial neural network. Tulisan ini memperkenalkan konsep dasar SVM, dan membahas aplikasinya di bioinformatika, yang akhir-akhir ini 223

4 merupakan salah satu bidang yang berkembang cukup pesat. 5. Metode Penelitian a. Prosedur Penelitian Prosedur penelitian digambarkan dalam beberapa tahap seperti di berikut: adalah citra RGB. Setelah citra RGB dikonversi ke citra grayscale kemudian dilakukan resize. Pada Matlab digunakan perintah dst=imresize(x y) dimana x dan y adalah 150 x 150 ukuran resize. Untuk pempercepat proses trainning reshape(1 x 150 x 150) hal ini berarti matriks 150 x 150 diubah kedalam matriks 1 x Prosesnya RGBdapat dilihat pada gambar dibawah ini: Akusisi Citra - Gambar asli plasmodiumfalciparum Gambar 6. Proses konversi menjadi grayscale Pre-processing Ekstrasi Ciri - MenggunakanmetodeSVM Ekstrasi Ciri Menggunakan imagepreprocessing citra dengan median filter,ekstraksi fitur berdasarkan tekstur. Klasifikasi jenis plasmodium penyebab penyakit malaria dengan metode Support Vector Machine(SVM) agar dapat mendeteksi jenis plasmodium. Plasmodium Falciparum Terdeteksi sesuai tingkatstadiumnya Gambar 4. Tahapan Penelitian 6. Hasil Pengujian dan Pembahasan Analisis Akusisi Citra yaitu tahap awal dimana sampel darah diambil dari prepared melalui mikroskop dalam bentuk image (gambar) Plasmodium falciparum yang terinfeksi malaria. Gambar 7. Thresholding untuk identifikasi Parasit Plasmodium Falciparum Hasil yang diinginkan dari medote tersebut diatas dapat mendiagnosa plasmodium penyebab penyakit malaria dalam sel darah merah yang terinfeksi malaria dari jenis plasmodium falciparum dengan cepat dan akura serta dapat menentukan stadiumnya. Berikut ini adalah tampilan GUI yang akan digunakan untuk menentukan tingkat stadium dari Plasmodium Falciparum. Dapat dilihat pada gambar dibawah ini: Gambar 5. Proses Akusisi Citra dari prepared Pre-processing Proses preprocessing sebelum proses klasifikasi melalui 2 tahapan, yaitu segmentasi warna dan ekstraksi ciri. Segmentasi dilakukan untuk memisahkan unsur warna berdasarkan intensitas warna dan pada tahapan ini akan dilakukan konversi sampel citra RGB ke citra grayscale. Pada Matlab kita menggunakan perintah dst=rgb2gray(src), dst itu adalah variabel citra keluaran dari citra konversi ke gray dan src merupakan variable citra masukan dalam hal ini 224 Gambar 8. Tampilan GUI 7. Penutup a. Kesimpulan Dari hasil penelitian diatas belum dapatkan hasil yang maksimal atau belum mencapai 100% karena pada penelitian ini masih dalam tahapan

5 analisis. Sehingga masih ada penelitian lanjutan dengan menerapkan teknologi terapan. DAFTAR PUSTAKA [1]. Aniati Murni Arymurthy, Suryana Setiawan, 1992, Pengantar Pengolahan Citra.Edisi pertama, Elex Media Komputindo 2. [2]. Derektorat pengendalian penyakit bersumber bintang, direktorat jenderal PP dan PL Kementrian Kesehatan RI, 2011.Pedoman Teknis Pemeriksaan Parasit Malaria.Penerbit Bakti Husada. [3]. Departemen Parasitologi Medis US Namru-2 jakarta, Buku Panduan Pelatihan Diagnosis Mikroskopi Malaria. (4). Daugman,J.G Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters. Optical society of america,jounal,a: optics and image science. [5]. Erma Rachmawati,2008. Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA). [6]. Juni Prianto L.A., Tjahaya. P. U., Darwanto. Atlas Parasitologi Kedokteran.Penerbit PT Gramedia Pustaka utama. [7]. Novitasari,2012. Analisis Identifikasi Serviks Normal dan Abnormal Berdasarkan Filter Gabor dan Ekstraksi Ciri Tekstur Statistik. [8]. P.N. Harijanto, Agung Nugroho, Carta. A. Gunawan Malaria dari Molekuler ke Klinis,Edisi 2. Penerbit Buku Kedokteran. [9]. T. Suyoto, Edy Mulyanto, Vincent Suhartono, Oky Dwi Nurhayati, Wijanarto, 2009, Teori Pengolahan CitraDigital, Edisi pertama, Penerbit Andi Offset, Yogyakarta. [10]. T. Sutojo,S.Si., M.Kom., Edy mulyanto,s.si., M.Kom., Dr. Vincent Suhartono. Kecerdasan Buatan.Penerbi Andi Yogyakarta. [11].Widoyono,2010. PenyakitTropis Epidemiologi, Penularan, Pencegahan dan Pemberantasannya.Penerbit Erlangga. [12].Wahyudi Setiawan,2012. Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine. 225