Академический Документы
Профессиональный Документы
Культура Документы
2 / September 2011
ABSTRACT
89
Dentifikasi Parasit Malaria Plasmodium ... - M. Arief S; Ruliah
90
JURNAL VISIKES - Vol. 10 / No. 2 / September 2011
91
Dentifikasi Parasit Malaria Plasmodium ... - M. Arief S; Ruliah
92
JURNAL VISIKES - Vol. 10 / No. 2 / September 2011
(a) Citra plasmodium sebelum cluster (b) citra plasmodium hasil cluster
Gambar 5 : Hasil proses Kmeans clustering
93
Dentifikasi Parasit Malaria Plasmodium ... - M. Arief S; Ruliah
Tabel 1. Tiga buah SVM biner dengan metode ones against ones
94
JURNAL VISIKES - Vol. 10 / No. 2 / September 2011
Tabel 5. Hasil pengujian seluruh data uji pada tiap SVM biner
95
Dentifikasi Parasit Malaria Plasmodium ... - M. Arief S; Ruliah
Gambar 7 : Gambar proses pelatihan dan pengujian dengan nilai akurasi 93,33%
pada pelatihan ke 20
mengandung parasit malaria Plasmodium 50 pixel. Data pelatihan dan pengujian melalui
Falciparum yang mengandung morphology tahapan proses seperti pada blok diagram
stadium Trophozoite, Schizont atau penelitian gambar 1. Setelah melalui tahapan
Gametocyter, masing masing kelas 15 segmentasi dan dipilih hasil cluster terbaik,
sampel untuk dilakukan identifikasi dengan Tiap data citra hasil cluster kemudian
pembagian 10 sampel sebagai data pelatihan diekstraksi ciri untuk diambil rata-rata nilai
dan 5 sampel sebagai data pengujian yang maksimum dari komponen warna RGB. Hasil
disimpan pada folder tertentu. ekstraksi ciri tiap data citra hasil cluster
Tiap data citra mempunyai dimensi 50 x mempunyai ukuran dimensi 1x50. Seluruh data
96
JURNAL VISIKES - Vol. 10 / No. 2 / September 2011
pelatihan selanjutnya disusun berdasarkan zoite dan kelas -1 adalah lebel untuk Sch-
komposisi data pelatihan untuk 3 SVM biner. izonts, sedangkan hasil dari SVM biner
SVM biner pertama mempunyai dimensi data tersebut bernilai positive, maka hasil
vector matriks 20 x 50 untuk 10 data tropozoite klasifikasi untuk kelas SVM biner tersebut
dan 10 data shcizont, SVM biner kedua adalah Trophozoite atau nilai voting Tropho-
mempunyai dimensi data vector matriks 20 x zoite bertambah 1. Setelah data uji tersebut
50 untuk 10 data tropozoite dan 10 data ga- diproses pada masing-masing SVM biner,
metocyte, dan yang terakhir SVM biner ketiga maka hasil pengujian akhir mengikuti metode
mempunyai dimensi data vector matriks 20 x ones against ones SVM multiclass.
50 untuk 10 data Shcizont dan 10 data game- Penentuan suatu data uji masuk dalam kelas
tocyte. Setiap Sampel baik data uji maupun Trophozoite atau Schizonts atau
data pelatihan yang diproses menggunakan Gametocyter, yaitu dengan melakukan vot-
SVM Biner dinormalisasi terlebih dahulu ing dari hasil seluruh SVM biner.
sehingga seluruh nilai pixel diantara -1 dan 1. Tabel 4. menunjukkan hasil pengujian
Target dari hasil pelatihan ini adalah mencari sebuah data uji yang diproses pada SVM biner
Hyperplane terbaik pada masing-masing SVM 1, SVM biner 2 dan SVM biner3. Jika pada
biner, yang akan digunakan untuk SVM biner 1, suatu data uji dinyatakan sebagai
mengidentifikasi setiap data uji, apakah berada Trophozoite, di SVM biner 2 dinyatakan
dikelas -1 atau +1. Setiap data pelatihan sebagai Trophozoite dan di SVM biner 3
mempunyai nilai alpha yang dicari dinyatakan sebagai Gametocyte, maka nilai
menggunakan quadratic programming. Nilai voting untuk data uji tersebut yang terbanyak
alpha tersebut menentukan apakah setiap data adalah Trophozoite. Dan hasil identifikasi
pelatihan sebagai support vector atau bukan. akhir/hasil voting dari data uji tersebut
Nilai alpha yang melebihi threshold yang telah dinyatakan sebagai Trophozoite.
ditentukan itulah yang dapat dikatakan sebagai Hasil akurasi identifikasi 93.33%
support vector. Pada peneltian ini digunakan didapatkan setelah melalui beberapa tahap
threshold alpha > 1e-5. proses pelatihan untuk mendapatkan hyper-
Seperti halnya data pelatihan yang plane terbaik. Gambar plot proses pelatihan
disusun menjadi 3 buah SVM biner. maka untuk mendapatkan akurasi 93.33% yang
untuk mengklasifikasi data uji, setiap data uji diambil dari proses mathlab ditunjukkan pada
tersebut diproses dalam setiap SVM biner. gambar 6 dan 8.
Setiap sampel data uji dinormalisasi terlebih
dahulu sehingga seluruh nilai pixel diantara - SIMPULAN DAN SARAN
1 dan 1. dan selanjutnya dipetakan ke fiture Simpulan
space menggunakan kernel RBF. Berdasarkan uji coba dan analisis hasil
Proses pengujian mengikuti rumus 3. pengujian terhadap sistem Identifikasi Plas-
untuk menentukan apakah hasil dari rumus modium falciparum dalam sampel darah
tersebut bernilai negative atau positive. Jika Menggunakan Support Vector Machine,
hasilnya adalah negative maka data uji dapat disimpulkan sebagai berikut :
tersebut berada pada kelas -1 dan jika a. Pada proses ekstraksi ciri, ciri warna yang
hasilnya positive maka data uji tersebut dipakai adalah rata-rata nilai maksimum
berada pada kelas +1. Pembagian label +1 dari komponen warna RGB dan dapat
dan -1 untuk data pada setiap SVM biner mengenali pola pada citra parasit plasmo-
dapat ditunjukkan pada tabel 3. dium falciparum dengan rata-rata tingkat
Jika kelas +1 adalah lebel untuk Tropho- akurasi keberhasilan sebesar 93.33%,
97
Dentifikasi Parasit Malaria Plasmodium ... - M. Arief S; Ruliah
98
JURNAL VISIKES - Vol. 10 / No. 2 / September 2011
99