APLIKASI PENDETEKSIAN MALARIA DARI GAMBAR MIKROSKOPIS SEL DARAH DENGAN MENGGUNAKAN OPENCV

Rahadi Wibowo Bisono Binus University, Jakarta, DKI Jakarta, Indonesia

Josephta Inri Meliala Binus University, Jakarta, DKI Jakarta, Indonesia

dan

Antonius Herusutopo Binus University, Jakarta, DKI Jakarta, Indonesia

ABSTRAK

Tujuan penelitian, ialah membuat sebuah aplikasi yang dapat membantu pihak kedokteran dalam mendeteksi malaria pada pasien melalui citra digital mikroskopis sampel sel darah. Metode penelitian kami dimulai dari pengumpulan data, analisis, perancangan, uji coba dan evaluasi. Metode aplikasi yang kami gunakan berupa image pre-processing, morphology, dan image segmentation menggunakan OpenCV. Hasil yang dicapai adalah terciptanya aplikasi yang dapat membantu dokter mendeteksi malaria pada citra digital mikroskopis sampel darah seorang pasien. Simpulan yang didapat dari skripsi ini adalah aplikasi ini dapat melakukan pendeteksian malaria dilihat dari adanya stadium trofozoit muda dan gametosit pada gambar dengan baik, sehingga dapat dinyatakan bahwa aplikasi ini layak digunakan untuk membantu dokter dalam mendiagnosis malaria.

Kata kunci: Deteksi, Malaria, Computer Vision, OpenCV

PENDAHULUAN Saat ini kemajuan teknologi sangat dirasakan dalam kehidupan kita sehari-hari. Teknologi yang

diciptakan pun menjadi semakin optimal seiring dengan kebutuhan dan persaingan global. Dengan ketatnya persaiangan global, kita didorong untuk melakukan pekerjaan dengan benar, cepat, dan teliti untuk mecapai hasil yang optimal tanpa mengurangi kualitas. Salah satu teknologi yang masuk ke dalam kehidupan manusia sebagai alat bantu untuk mempermudah pekerjaan adalah penggunaan komputer. Komputer memiliki keunggulan dalam kecepatan, keakuratan, dan kestabilitasan dalam pemrosesan data. Karena itulah komputer digunakan sebagai salah satu alat bantu yang dapat diandalkan manusia untuk menyelesaikan tugas-tugasnya.

Saat ini sistem berbasis komputer sudah digunakan dalam berbagai bidang, salah satunya adalah bidang kedokteran. Dalam bidang ini sistem berbasis komputer sudah diterapkan untuk menyelesaikan beberapa masalah, contohnya: mendeteksi penyakit spesifik serta gejalanya, menganalisa kandungan sebuah sampel, memonitor kondisi sebuah organ, dan lain-lain. Meskipun begitu, bidang kedokteran pun sangat luas, sehingga untuk masalah mendeteksi penyakit, belum banyak penyakit yang pendeteksiannya dapat dilakukan dengan sistem berbasis komputer.

Salah satu contoh masalah tersebut di atas adalah pendeteksian penyakit yang terkenal adalah malaria, yang tergolong penyakit yang serius karena dapat menyebabkan kematian jika tidak ditangani dengan benar. Malaria memiliki berbagai jenis dan dapat menyerang siapa saja, dimana saja. Gejala dari penyakit malaria termasuk lazim karena dapat muncul dalam kehidupan sehari-hari, namun tidak selalu dapat mengindikasikan bahwa seseorang terjangkit penyakit malaria. Indikasi yang dapat menunjukkan bahwa seseorang terjangkit malaria adalah dengan pemeriksaan klinis dan tes darah.

Malaria adalah sebuah penyakit yang disebabkan oleh parasit yang siklus hidupnya sebagian hidup di manusia dan sebagian lagi nyamuk (White dan Breman, 2008). Malaria disebabkan oleh parasit bersel satu dari genus Plasmodium. Terdapat lebih dari 100 spesies Plasmodium yang menyebabkan malaria pada berbagai mamalia dan burung. Terdapat empat spesies Plasmodium yang menyebabkan malaria pada manusia. Setiap spesies memiliki penampakan yang khas dalam mikroskop, dan setiap spesies menyebabkan pola gejala yang berbeda. Dua spesies atau lebih dapat menyerang seorang individu dalam waktu yang bersamaan. Malaria dapat diklasikasikan menjadi: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae dan Plasmodium ovale (White dan Breman, 2008).

Dengan tes darah, maka penanganan dari malaria dapat dilaksanakan dengan benar dan tepat. Untuk hal tersebut, dibutuhkan teknologi yang dapat mendeteksi malaria dengan benar dan tepat. Salah satu solusi dari masalah di atas adalah dengan membuat sistem yang dapat mendeteksi penyakit malaria pada manusia dengan dilihat dari gambar penampakan sel darahnya. Sistem aplikasi yang kami rancang adalah sebuah aplikasi yang dapat mendeteksi malaria dengan menggunakan metode-metode computer vision yang ada pada library OpenCV 2.3. Inti pendeteksian malaria pada aplikasi ini adalah dengan mendeteksi adanya stadium trofozoit muda (ring-form) dan gametosit pada gambar mikroskopis sediaan darah tipis. Dengan adanya sistem ini, maka diharapkan dapat membantu kerja pihak kedokteran dalam penanganan malaria secara dini.

Computer vision sendiri merupakan suatu bidang yang bertujuan untuk membuat keputusan yang berguna mengenai objek fisik nyata dan keadaan berdasarkan atas sebuah citra. Computer vision merupakan kombinasi antara pengolahan citra dan pengenalan pola, yang bertujuan agar komputer dapat mengenali objek yang diamati. Hasil keluaran dari proses computer vision adalah pengertian tentang citra (Saphiro dan Stockman, 2001). Semua transformasi yang dilakukan dalam computer vision bertujuan untuk mencapai sebuah goal, yaitu membuat keputusan yang berguna tentang suatu objek berdasarkan image yang didapat atau ditangkap oleh hardware (Bradski dan Kaehler, 2008). Selain itu, OpenCV (Open Computer Vision) adalah sebuah library open source yang dikhususkan untuk melakukan pengolahan citra yang berbasiskan C/C++ yang saat ini banyak digunakan dalam program computer vision. OpenCV bisa didapatkan dari http://opencv.org/. Library ini dibuat dengan bahasa C dan C++, serta dapat dijalankan dalam sistem operasi Windows, Linux, dan Mac OS X (Bradski dan Kaehler, 2008)..

Dalam penulisan skripsi ini ruang lingkup permasalahan difokuskan ke dalam hal-hal berikut:

Perancangan aplikasi ditekankan pada perancangan prototype aplikasi untuk mendeteksi malaria dengan dilihat dari gambar mikroskopis sampel darahnya menggunakan komputer.

Gambar sampel darah akan diambil menggunakan mikroskop dijital (digital microscope) dan kamera ponsel yang digunakan untuk memfoto gambar yang terlihat langsung pada mikroskop biasa.

Sampel data berasal dari Lembaga Biologi Molekuler Eijkman, Universitas Katolik Indonesia Atma Jaya, dan internet, dengan dimensi dan resolusi gambar yang bervariasi.

Pendeteksian malaria menggunakan metode-metode computer vision pada library OpenCV 2.3.

Inti pendeteksian malaria adalah dengan mendeteksi adanya stadium trofozoit muda (ring-form) dan gametosit pada gambar mikroskopis sediaan darah tipis.

Pendeteksian difokuskan pada malaria jenis Plasmodium falciparum. Pendeteksian terhadap jumlah sel darah yang terinfeksi malaria dan sel darah yang normal

(tidak terinfeksi) pada setiap gambar mikroskopis sampel darah.

Tujuan dari penulisan skripsi ini adalah untuk merancang sebuah prototype aplikasi yang dapat mendeteksi penyakit malaria dari data gambar mikroskopis sel darah pasiennya yang diambil menggunakan mikroskop dijital.

Manfaat yang diharapkan dari penulisan skripsi ini adalah sebagai berikut:

Membantu pihak kedokteran dalam mendiagnosis malaria pada pasien dengan aplikasi ini. Mahasiswa jurusan Ilmu Komputer dapat menggunakan skripsi ini sebagai referensi dalam

pembelajaran aplikasi bidang kedokteran. Memberikan alternatif bagi mahasiswa Ilmu Kedokteran sebagai referensi belajar

penggunaan teknologi komputer dalam bidang kedokteran khususnya bidang malaria

METODE PENELITIAN 1. Metode Penelitian

Metodologi penelitian yang digunakan yaitu:

1) Metode Pengumpulan Data

Pengumpulan data awal dan mencari referensi pustaka terkait dengan penyakit malaria dan perancangan aplikasi dengan menggunakan computer vision. Pengumpulan data lainnya berupa mencari gambar mikroskopis sampel darah dari pihak kedokteran yang akan dijadikan sebagai data uji coba pendeteksian aplikasi ini.

2) Metode Analisis

Analisa dimulai dari bagaimana suatu sistem menjalankan proses pendeteksian malaria dan prosedur-prosedur yang dilakukan dalam mendiagnosis malaria. Pembelajaran lebih dalam terhadap teori-teori umum dan khusus mengenai malaria dan computer vision dilakukan dengan cara membaca referensi pustaka serta media informasi mengenai pengaplikasian computer vision dengan OpenCV dan malaria.

3) Metode Perancangan

Langkah-langkah pendeteksian malaria akan diterapkan dalam program aplikasi sesuai dengan urutan proses diagnosis yang dilakukan oleh pihak kedokteran. Tampilan program akan dirancang secara sederhana untuk memudahkan pemakaian. Pembuatan program dilakukan setelah perancangan proses pendeteksian selesai.

4) Implementasi dan Evaluasi

Setelah itu program akan diuji. Hasil implementasi akan dievaluasi dari segi kinerja aplikasi dan hasil pendeteksian. Hasil pendeteksian aplikasi akan dibandingkan dengan informasi dari data yang sudah diberikan untuk memastikan kesesuaian antara hasil deteksi aplikasi dengan informasi diagnosis dari pihak kedokteran.

2. Metode Aplikasi

Sistem aplikasi yang kami rancang adalah sebuah aplikasi yang dapat mendeteksi malaria dari data gambar sampel darah dengan menggunakan metode-metode dalam computer vision. Inti pendeteksian malaria pada aplikasi ini adalah dengan mendeteksi adanya stadium trofozoit muda (ring-form) dan gametosit pada gambar mikroskopis sediaan darah tipis.

Dalam perancangan aplikasi ini proses yang pertama kali dilakukan adalah image enhancement. Kemudian terdapat dua proses yang berjalan secara paralel, yaitu parasite detection dan red blood cell detection. Pertama, dalam proses parasite detection, akan dilakukan thresholding untuk mengidentifikasi adanya parasit dalam gambar sediaan darah. Kedua, dalam proses red blood cell detection, akan dilakukan thresholding untuk mengidentifikasi sel darah merah normal dan terinfeksi. Masing-masing nilai threshold dari kedua proses tersebut adalah berbeda. Nilai threshold akan diperoleh secara otomatis berdasarkan nilai histogram masing-masing data gambar. Dalam proses red blood cell detection, setelah melakukan thresholding akan dilakukan beberapa metode morphology untuk menutupi lubang yang muncul pada sel darah merah sebelum melakukan segmentasi. Kemudian dilanjutkan dengan metode watershed segmentation yang nantinya digunakan untuk segmentasi sel darah merah dan objek lainnya dengan background gambar. Keseluruhan proses pendeteksian malaria dapat digambarkan seperti diagram berikut.

Gambar 1 Diagram Proses Pendeteksian Malaria Gambar Sampel Darah

1) Image Enhancement

Pada proses image enhancement yang dilakukan adalah melakukan smoothing / blurring dengan metode median filter. Tujuan dilakukan blurring adalah untuk menghilangkan noise yang dapat menggangu proses selanjutnya. Setelah menghilangkan noise tersebut, gambar dirubah menjadi pewarnaan grayscale. Tujuan perubahan sistem perwarnaan tersebut adalah agar gambar dapat dirubah menjadi binary image ketika memasuki proses thresholding.

Load Image

Image Enhancement

Erythrocytes

Segmentation

Filling Holes on

Erythrocytes

Malaria, Parasites,

Normal Erythrocytes

Detection

Thresholding for

Identify Parasite

Thresholding for

Identify Erythrocytes

Gambar 2 Proses Blurring dengan Metode Median Filter

Gambar 3 Proses Konversi Menjadi Grayscale 2) Thresholding for Identify Parasites

Thresholding merupakan metode yang cukup mudah dalam menentukan objek pada gambar. Untuk dapat mengetahui nilai threshold dalam mengidentifikasi parasit, kita dapat mengambil nilai tersebut dari histogram gambar yang akan diproses, dimana nilai threshold diambil dari nilai terendah yang selisih jumlah antara nilai pixel dengan nilai pixel sebelumnya lebih besar dari 65.

Gambar 4 Thresholding untuk Identifikasi Parasit

3) Thresholding for Identify Erythrocytes Sama seperti proses thresholding dalam pendeteksian parasit, thresholding juga

digunakan untuk mengidentifikasi sel darah merah. Nilai threshold untuk mengindentifikasikan sel darah merah juga dilihat dari histogram gamabr yang akan diproses. Tetapi nilai threshold untuk mengidentifikasi sel darah merah adalah berbeda dengan nilai threshold untuk mengidentifikasi parasit.

Gambar 5 Thresholding untuk Identifikasi Sel Darah Merah

4) Filling Holes on Erythrocytes

Pada saat melakukan thresholding untuk mengidentifikasikan sel darah merah, tidak jarang muncul lubang di tengah sel darah merah. Hal tersebut diakibatkan karena sel darah merah memang memiliki bentuk yang lebih pipih pada pusat sel. Untuk menutupi lubang tersebut, kami menggunakan metode findContours yang terdapat pada OpenCV.

Gambar 6 Mengisi Lubang dalam Sel Darah Merah

5) Erythrocytes Segmentation

Setelah mengisi lubang yang muncul pada sel darah merah, selanjutnya yang dilakukan adalah segmentasi sel darah merah yang saling menyambung. Metode yang digunakan untuk proses segmentasi ini adalah watershed segmentation.

Gambar 7 Hasil Watershed Segmentation

6) Malaria, Parasites, and Normal Erythrocytes Detection

Setelah men-segmentasi sel darah merah, selanjutnya kita kembali menyatukan hasil tersebut dengan gambar aslinya, beserta hasil dari identifikasi parasit. Dari hasil penyatuan kembali, masing-masing objek memiliki label tersendiri, dimana sel darah merah

yang terinfeksi malaria akan dilingkari garis merah, dan sel darah merah yang normal dilingkari garis hitam.

Gambar 8 Penandaan Parasit dan Sel Darah Merah Normal

Tahap akhir dari proses pendeteksian malaria ini adalah menampilkan hasil pendeteksian. Hasil pendeteksian malaria terdiri dari: apakah terdapat infeksi malaria dari data gambar sampel darah, berapa jumlah parasit yang terdapat pada data gambar sampel darah, dan berapa jumlah sel darah yang normal.

Jika dalam proses pendeteksian parasit ditemukan satu saja parasit, maka dalam gambar sampel darah tersebut terdapat infeksi malaria. Dapat dituliskan seperti berikut, jika jumlah parasit tidak sama dengan nol maka terdapat infeksi malaria pada data gambar sampel darah tersebut. Jika jumlah parasit sama dengan nol maka tidak terdapat infeksi malaria pada data gambar tersebut.

Selain itu, pada tahap akhir pendeteksian malaria akan ditampilkan jumlah parasit dan sel darah merah normal yang terdeteksi pada gambar sampel darah yang diuji. Jumlah parasit dapat diketahui langsung ketika dalam proses pendeteksian parasit. Sementara untuk jumlah sel darah merah normal akan dihitung dari pengurangan total contour (objek) yang terdeteksi dengan jumlah sel darah merah yang terinfeksi oleh parasit.

HASIL DAN BAHASAN

1. Prosedur Operasional

Aplikasi ini kami rancang pada Windows 7 Ultimate 32-bit Service Pack 1 dengan menggunakan Microsoft Visual C++ 2010 Express Edition (Version 10.0.40219.1 SP1 Rel), Microsoft .NET Framework Version 4.0.30319, serta library OpenCV 2.3 untuk melakukan fungsi-fungsi computer vision.

Aplikasi yang kami rancang hanya memiliki GUI dengan satu layar saja. Pada layar tersebut terdapat 4 menu yang memiliki fungsi masing-masing. Kemudian layar console akan menampilkan status dari hasil pendeteksian malaria. Selain itu, di samping layar tersebut akan ditampilkan layar yang berisi gambar yang belum maupun yang sudah melewati hasil pemrosesan deteksi malaria.

Gambar 9 Tampilan aplikasi sebelum image di-load

Gambar di atas adalah tampilan awal ketika aplikasi dijalankan. Pada gambar di atas layar aplikasi masih belum menunjukan layar gambar (kosong) serta informasi masih belum disediakan, dikarenakan gambar yang akan diproses masih belum di-load. Selanjutnya untuk me-load gambar yang akan diproses, tombol Load Image akan ditekan. Kemudian pilih gambar yang akan diproses. Setelah gambar dipilih, gambar tersebut akan muncul pada layar tersendiri (layar gambar).

Gambar 10 Tampilan aplikasi setelah image di-load

Gambar di atas merupakan layar gambar yang terpisah dengan layar utama setelah me-load image yang akan diproses. Sedangkan pada layar utama, tidak ada yang berubah dan informasi masih belum ada dikarenakan gambar belum diproses.

Untuk melakukan proses pendeteksian malaria, tombol Malaria Detection akan ditekan. Setelah ditekan maka seluruh proses pendeteksian dari image enhancement sampai dengan malaria, parasites, normal erythrocytes detection dijalankan. Hasil akhirnya adalah penandaan kontur dengan warna yang berbeda pada tiap objek di gambar yang di-load.

Gambar 11 Tampilan setelah menekan tombol Malaria Detection

Gambar di atas adalah hasil setelah menekan tombol Malaria Detection. Pada gambar tersebut dapat dilihat bahwa gambar sudah diberi tanda. Objek yang diberi tanda garis warna hitam adalah sel darah merah. Sedangkan yang diberi tanda warna hijau adalah parasit. Kemudian dapat dilihat juga pada layar console, informasi hasil pendeteksian sudah ditampilkan. Untuk melihat gambar awal sebelum dilakukan pendeteksian, maka tekan tombol Show Original Image. Layar gambar akan menampilkan gambar awal sebelum diproses, namun informasi pada layar console tidak akan hilang. Untuk melihat kembali gambar hasil pemrosesan, maka tekan tombol Show Processed Image. Layar gambar akan menampilkan kembali gambar hasil pemrosesan. Untuk me-load gambar baru, maka tekan tombol Load Image dan pilih gambar selanjutnya untuk dilakukan proses dideteksi.

2. Hasil Implementasi dan Evaluasi Data

Berikut adalah hasil implementasi dari data Lembaga Biologi Molekuler Eijkman.

Gambar 12 Implementasi 1 Data Lembaga Biologi Molekuler Eijkman Dari data-data hasil implementasi di atas, pendeteksian terhadap malaria sudah berfungsi dengan

baik. Aplikasi dapat mendeteksi adanya parasit dari gambar sediaan darah tipis, baik dalam stadium trofozoit muda (ring-form) atau gametosit. Meskipun begitu, dari beberapa gambar masih terdapat parasit (khususnya stadium trofozoit muda) yang tidak terdeteksi. Selain itu, jika terdapat sel darah putih dalam gambar maka sel darah putih tersebut dideteksi sebagai parasit.

Gambar 13 Implementasi 2 Data Lembaga Biologi Molekuler Eijkman Berdasarkan data-data hasil implementasi di atas juga, aplikasi dapat membedakan sel darah

merah dengan parasit. Aplikasi ini pun dapat menghitung jumlah parasit dan jumlah sel darah merah normal yang terdeteksi. Namun berdasarkan data-data di atas, perhitungan sel darah merah normal masih belum sempurna dikarenakan beberapa hasil implementasi menunjukkan angka yang tidak sesuai dalam perhitungan sel darah merah normal. Angka perhitungan menjadi tidak sesuai dikarenakan bentuk sel darah merah yang tidak sempurna (tidak bulat seutuhnya) dan sel darah merah yang menyatu dengan sel darah merah lainnya.

Berikut adalah hasil implementasi dari data Universitas Katolik Indonesia Atma Jaya.

Gambar 14 Implementasi 1 Data Universitas Katolik Indonesia Atma Jaya

Dari data-data hasil implementasi di atas, pendeteksian terhadap malaria juga sudah berfungsi dengan baik. Aplikasi dapat mendeteksi adanya parasit dari gambar sediaan darah tipis, baik dalam stadium trofozoit muda (ring-form) atau gametosit. Seperti halnya hasil implementasi dari data Lembaga Biologi Molekuler Eijkman, dari beberapa gambar masih terdapat parasit (khususnya stadium trofozoit muda) yang tidak terdeteksi dan sel darah putih dideteksi sebagai parasit.

Gambar 15 Implementasi 2 Data Universitas Katolik Indonesia Atma Jaya

Berdasarkan data-data hasil implementasi di atas juga, aplikasi dapat membedakan sel darah merah dengan parasit. Aplikasi ini pun dapat menghitung jumlah parasit dan jumlah sel darah merah normal yang terdeteksi. Namun berbeda dengan hasil implementasi dari data Lembaga Biologi Molekuler Eijkman, banyak terdapat error pada perhitungan sel darah merah normal dimana menunjukkan angka yang jauh lebih tidak sesuai dalam perhitungan sel darah merah normal. Hal ini dikarenakan kualitas gambar dari data Universitas Katolik Indonesia Atma Jaya kurang bagus dimana data gambar mikroskopis sampel darah diambil menggunakan kamera ponsel.

SIMPULAN DAN SARAN Adapun kesimpulan yang dapat diambil dari hasil perancangan aplikasi yang sudah dibuat adalah:

Aplikasi ini dapat mendeteksi adanya penyakit malaria pada sampel darah dari gambar mikroskopis sediaan darahnya, dimana inti pendeteksian dilihat dari adanya stadium trofozoit muda (ring-form) dan gametosit pada gambar mikroskopis sediaan darah tipis.

Aplikasi ini dapat mendeteki adanya infeksi malaria pada sampel sediaan darah, dimana kondisi sel darah merahnya memiliki bentuk yang sepenuhnya terlihat dengan jelas.

Aplikasi ini dapat melakukan pendeteksian terhadap jumlah parasit malaria dan sel darah merah yang normal (tidak terinfeksi).

Walaupun demikian kelemahan yang diketahui dari aplikasi ini adalah:

Pendeteksian sulit dilakukan dan memiliki error jika dalam gambar sampel darah terdapat banyak noise (kotor) dan kualitas gambar tidak bagus (dimensi dan resolusi terlalu kecil).

Pendeteksian memiliki error jika pada gambar mikroskopis terdapat gumpalan sel darah putih yang memiliki bentuk tidak tetap atau memiliki bentuk seperti parasit malaria.

Error juga terjadi pada perhitungan jumlah sel darah merah jika bentuk sel darah merah tidak sempurna atau menyatu dengan sel darah merah lainnya, sehingga dianggap sebagai satu sel darah merah.

Adapun saran yang dapat kami sebutkan untuk pengembangan aplikasi ini adalah:

Pengembangan aplikasi agar dapat memiliki cakupan yang lebih luas dari aplikasi yang sudah kami buat. Cakupan yang dimaksudkan berupa klasifikasi terhadap jenis malaria.

Solusi terhadap masalah dalam pendeteksian adanya sel darah putih dan membedakannya dengan parasit malaria.

Penambahan pendeteksian terhadap kondisi stadia dari infeksi malaria. Perhitungan sel darah merah yang lebih baik, meskipun sel darah merah memiliki bentuk yang

tidak. Penambahan informasi pengobatan yang dapat diterapkan dari hasil diagnosis malaria.

REFERENSI Anggraini, D., Nugroho, A.S., Pratama, C., Rozi, I.E., Iskandar, A.A., Hartono, R.N. (2011). Automated

Status Identification of Microscopic Images Obtained from Malaria Thin Blood Smears. Bandung.

Anonymous. 2012. Malaria. Retrieved (01-04-2013) from http://www.dpd.cdc.gov/dpdx/HTML/Malaria.htm

Bradski, G. & Kaehler, A. (2008). Learning OpenCV: Computer Vision with the OpenCV Library. OReilly Media, Inc.

Burger, W. & Burger, M.J. (2009). Principles of Digital Image Processing. Springer, London.

Bijaksana, D., Stiawan, E., Aditya, J. (2011). Analisis dan Perancangan Aplikasi Pendeteksian Kondisi Mata Tertutup Menggunakan Pustaka OpenCV. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

Chandra, D., Prajnagaja, N., Nugroho, L.A. (2011). Studi Pendeteksian Wajah dengan Metode Viola Jones. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

Fenistein, D., Lensiegne, B., Christophe, T., Brodin, P., Genovesio, A. (2008). A Fast, Fully Automated Cell Segmentation Algorithm for High-Throughput and High-Content Screening. Retrieved (09-30-2012) from www.interscience.wiley.com

Kulkarni, A.D. (2001). Computer Vision and Fuzzy-neural Systems. Prentice Hall PTR.

Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Penerbit Graha Ilmu.

Lause, A., Darsa, E.W., Setiawan, R. (2006). Sistem Pakar Untuk Mendiagnosa Penyakit Demam Berdarah. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

Nixon, M. & Aguado, A. (2002). Feature Extraction and Image Processing. Reed Elsevier plc group, Oxford.

Purwar, Y., Shah, S.L., Clarke, G., Almugairi, A., Muehlenbachs, A. (2011). Automated and unsupervised detection of malaria parasites in microscopic images. Retrieved (10-30-2012) from http://www.malariajournal.com/content/10/1/364

Qing Chen, Xiaoli Yang, Emil, M.P. (2004). Watershed Segmentation for Binary Images with Different Distance Transforms. Retrieved (02-03-2013) from http://www.discover.uottawa.ca/~qchen/my_papers/have04_published_version.pdf

Rich, E. & Knight, K. (1991). Artificial Intelligence. (2nd edition). McGraw-Hill.

Ricky, Angelia, D., Ulfa, S.M. (2009). Alat Pengangkat dan Pengelompokan Bentuk Benda Menggunakan PLC dan Computer Vision. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

Russel, S.J. & Norvig, P. (2010). Artificial Intelligence : A Modern Approach. (3rd edition). Prentice Hall International, New Jersey.

Saphiro, L.G. & Stockman, G.C. (2001). Computer Vision. Prentice-Hall Inc, New Jersey.

Setiawan, B., Zulkarnain, I., Pohan, H.T. (2001). Diagnosis dan penatalaksanaan malaria. Dalam Idrus A, Siti S, Aru W.S. (Ed). PIT Ilmu Penyakit Dalam FK-UI. (31-42). Jakarta: Pusat Informasi dan Penerbitan Bagian IPD FK-UI.

Setiawan, K., Kosasi, H., Sudarsan. (2012). Sistem Diagnosis Mammogram Dijital Berbantukan Komputer dengan Menggunakan Teknik Ekstraksi Fitur dan Support Vector Machine. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

Szeliski, R. (2011). Computer Vision: Algorithms and Applications. Springer.

Tek, F.B., Dempster, A.G., Kale, I. (2009). Computer vision for microscopy diagnosis of malaria. Retrieved (10-25-2012) from http://www.malariajournal.com/content/8/1/153

Tjitra, E. (2000). Malaria Epidemiologi, Patogenesis, Manifestasi Klinis, & Penanganan. Jakarta: EGC. Turban, E. & Frenzel, L.E. (1992). Expert System and Applied Artificial Intelligent. McMillan.

U.S. DEPARTMENT OF HEALTH AND HUMAN SERVICES National Institutes of Health, National Institute of Allergy and Infectious Diseases. (2007). Understanding Malaria: Fighting an Ancient Scourge. Retrieved (01-20-2013) from http://www.niaid.nih.gov/topics/malaria/documents/malaria.pdf

White, N.J. and Breman, J.G. (2008). Harrisons Principles of Internal Medicine. (17th edition). McGraw-Hill.

William, W., Mulya, R., Maharani, A. (2009). Analisis dan Perancangan Sistem Pengenal Karakter Tulis Tangan Online dengan Pendekatan Support Vector Machine. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

World Health Organization. (2010). Basic Malaria Microscopy: Part I. Learner's Guide. (Second Edition). Retrieved (10-05-2012) from http://www.who.int/entity/malaria/publications/atoz/9241547820/en/index.html

Yanto, H., Wijaya, A., Vidyasthana, I.M. (2011). Perancangan Prototype Object Detection untuk Menghitung Jumlah Orang Berbasis Computer Vision. Skripsi tidak diterbitkan. Jakarta: Program Sarjana Universitas Bina Nusantara.

RIWAYAT PENULIS Rahadi Wibowo Bisono lahir di kota Manado pada 5 Januari 1990. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada 2013. Penulis aktif di Himpunan Mahasiswa Teknik Informatika BINUS University periode 2009-2012 sebagai Aktivis dan Pengurus dari Komisi 3.

Josephta Inri Meliala lahir di kota Medan pada 24 Desember 1989. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada 2013.