IDENTIFIKASI PARASIT MALARIA DALAM DARAHMENGGUNAKAN METODE SEGMENTASI CITRA DIGITAL

DAN JARINGAN SYARAF TIRUAN

Naskah Publikasi

Program Studi Teknik ElektroJurusan Ilmu-ilmu Teknik

diajukan oleh:

Iis Hamsir Ayub Wahab23944/I-1/2481/06

kepadaPROGRAM PASCASARJANA

FAKULTAS TEKNIKUNIVERSITAS GADJAH MADA

YOGYAKARTA2008

Naskah Publikasi

IDENTIFIKASI PARASIT MALARIA DALAM DARAHMENGGUNAKAN METODE SEGMENTASI CITRA DIGITAL

DAN JARINGAN SYARAF TIRUAN

oleh

lis Hamsir Ayub Wahab23944/1-1/2481/06

Pembimbing Utam~

efJ1~Prof.Adhl Susanto,-MSc. PhD. Tanggal .!.If..- 0 dI -- ()~...

Pembimbing Pendamping,

~1yIr.ii':ari M.Sc Tanggal ... /!;. :::.. t!.!. .~ .//?.

PROGRAM PASCASARJANA FAKULTAS TEKNIKUNIVERSITAS GAPJAHMADA

YOGYAKARTA2008

IDENTIFIKASI PARASIT MALARIA DALAM DARAHMENGGUNAKAN METODE SEGMENTASI CITRA DIGITAL DAN

JARINGAN SYARAF TIRUAN

MALARIA PARASITE IDENTIFICATION IN BLOOD USING IMAGESEGMENTATION METHOD AND ARTIFICIAL NEURAL NETWORK

Iis Hamsir Ayub Wahab, Adhi Susanto, Litasari

Program Studi Teknik ElektroProgram Pascasarjana Fakultas Teknik

Universitas Gadjah Mada

ABSTRACT

Malaria is a serious disease caused by the single-celled protozoanparasites of the genus Plasmodium which infect humans by entering thebloodstream. The inspection standard for diagnosis of active malaria forparasites in blood slides through a microscope. Although microscopy has goodsensitivity and allows species identification and parasite counts it requiresmicroscopy expertise and involves a labour intensive repetitive task which is timeconsuming.

The main aim of this research is to identify and classify whether theperipheral blood indication contains the parasite plasmodium falciparum basedon a digital image scheme. Prior to the identification, the first step in the wholeanalysis procedure is the restoration of the image quality by applying bilateralfilter to reduce the interfering illumination and noise effects. Second step is tosegment the objects using k-mean clustering method. Third, to extract featuresfrom the image data. There are two choices of features types which will be takenas the inputs to the final step, namely the histogram features and color features.The final step is to identify and classify the plasmodium falciparum into fourclasses using learning vector quantization (LVQ) neural network (NN).

The results of this research show the color features can give higheraccuracies based on the architecture of LVQ network with four hidden neurons ascompared to the histogram features. LVQ network with color features inputsuccessfully identified 91.67% of the parasite plasmodium falciprum while theLVQ network with histogram features input did only 81.25%.

Keyword : malaria, Plasmodium falciparum, k-mean clustering, LVQ

MALARIA PARASITE IDENTIFICATION IN BLOOD USING IMAGESEGMENTATION METHOD AND ARTIFICIAL NEURAL NETWORK

Iis Hamsir Ayub Wahab, Adhi Susanto, Litasari

Program Studi Teknik ElektroProgram Pascasarjana Fakultas Teknik

Universitas Gadjah Mada

Abstract

Malaria is a serious disease caused by the single-celled protozoan parasites of the genus Plasmodiumwhich infect humans by entering the bloodstream. The inspection standard for diagnosis of active malaria forparasites in blood slides through a microscope. Although microscopy has good sensitivity and allows speciesidentification and parasite counts it requires microscopy expertise and involves a labour intensive repetitivetask which is time consuming.

The main aim of this research is to identify and classify whether the peripheral blood indicationcontains the parasite plasmodium falciparum based on a digital image scheme. Prior to the identification, thefirst step in the whole analysis procedure is the restoration of the image quality by applying bilateral filter toreduce the interfering illumination and noise effects. Second step is to segment the objects using k-meanclustering method. Third, to extract features from the image data. There are two choices of features types whichwill be taken as the inputs to the final step, namely the histogram features and color features. The final step is toidentify and classify the plasmodium falciparum into four classes using learning vector quantization (LVQ)neural network (NN).

The results of this research show the color features can give higher accuracies based on thearchitecture of LVQ network with four hidden neurons as compared to the histogram features. LVQ networkwith color features input successfully identified 91.67% of the parasite plasmodium falciprum while the LVQnetwork with histogram features input did only 81.25%.

Keyword : malaria, Plasmodium falciparum, k-mean clustering, LVQ

1. PENDAHULUANMalaria adalah suatu penyakit yang disebabkan

parasit yang berupa Protozoa Genus Plasmodium. Ada4 spesies parasit yaitu : Plasmodium Falciparum,Plasmodium Vivax, Plasmodium Ovale, Plasmodiummalariae yang menginfeksi manusia.

Menurut laporan WHO pada bulan Oktober1998 dalam WHO fact sheet No. 94, Malariamerupakan salah satu masalah kesehatan masyarakat dilebih 90 negara, dengan populasi penderita 40% daripenduduk dunia. Pada tahun 2002 WHO jugamengeluarkan laporannya dalam World Health Report2002 yang isinya menyatakan bahwa beban kasusglobal tahunan dari malaria adalah 300-500 juta kasusdengan 11 juta kematian, dan 44 juta cacat seumurhidup. Demikian pula halnya dengan NegaraIndonesia, malaria merupakan salah satu penyakit yangmenjadi permasalahan, terutama untuk Indonesiabagian Timur.

Pemeriksaan standar untuk diagnosis malariaaktif adalah dengan menggunakan alat mikroskopis.

Meski mikroskop mempunyai kepekaan baik dandapat mengidentifikasi jenis parasit danpengaruhnya, akan tetapi memerlukan tenaga ahlimikroskopik dan memakan waktu yang relatifpanjang.

Usaha-usaha untuk dapat mempercepatdiagnosis malaria dengan membangun suatuperangkat lunak untuk mengidentifikasi jenisparasit telah banyak dilakukan. Premaratne,Karunaweera, Fernando, Perera, dan Rajaphaksa(2006) telah membangun suatu perangkat-lunakuntuk menganalisis parasit plasmodium falciparumdalam darah dengan menggunakan arsitekturjaringan syaraf dengan propagasi-balik. Selain itu,Sri Widiastuti (2006) juga membangun statu sistemsebagai alat bantu dalam memprediksipengambilan tindakan medis dengan menggunakanpendekatan diagnosis klinis yang didukungjeringan syaraf tiruan tipe propagasi balik.

Ada beberapa penelitian pendukung lainnyayang berkaitan dengan identifikasi parasit malaria

dengan melakukan suatu pemodelan matematis. Modelpendekatan matematika dinamika parasit malariadalam tubuh manusia yang dikembangkan oleh IndahNursuprianah (2005) bertujuan memberikan analisismatematis dalam memprediksi siklus terjadinyademam yang diakibat oleh parasit malaria dalam tubuhmanusia. Pemodelan matematis juga dapatmenganalisis jumlah parasit malaria dalam darahmanusia (Alexander David Stivala, 2006). SedangkanOlivier Bastien (2006) membangun suatu teori metodenumeris untuk menganalisis dan menbandingkansecara komparatif antara genome proteome dengangenome plasmodium falciparum.

Qussay A. Salih, Abdul Rahman Ramli, RoziMahmud, dan Rahmita Wirza (2004) juga meneliti danmembahas suatu pendekatan analisis untuk visualisasiinti sel darah dalam bidang 3 dimensi (D). Citra 3Ddiperoleh dari citra 2D dengan kombinasi ruang 2Ddengan nilai intensitas yang direpresentasikan sebagaiporos (aksis) yang ketiga. Pendekatan ini membantu kearah memperoleh suatu citra yang jelas untuk analisapenyakit.

Adapun penelitian ini mengembangkan teknikidentifikasi parasit malaria khususnya plasmodiumfaciparum dengan menggunakan metode segmentasipengklasteran k-mean dan jaringan syaraf tiruanLearning Vector Quantization (LVQ).

II METODE PENELITIAN2.1. Bahan Penelitian

Bahan pada penelitian ini menggunakan duasampel data, yaitu sampel yang berasal dari bank datasampel citra parasit yang diunduh darihttp://www.dpd.cdc.gov dan preparat yang diambildari Puskesmas Siko Kota Ternate Propinsi MalukuUtara dan Puskesmas Mpunda Kota Bima PropinsiNusa Tenggara Barat seperti yang ditunjukkan dalamTabel 1.

Tabel 1 Pengelompokan bahan/materi penelitianPlasmodiumfalciparum

Banyaknyasampel

Gametosit 5Ring 5

Schizonts 5Trophozoite 5

Jumlah 20

2.2. Alat PenelitianPeralatan yang digunakan dalam penelitian ini

adalah satu unit komputer dengan spesifikasi yangcukup untuk menjalankan perangkat lunak Matlab 7.1

service pack 3 R14 berbasis sistem operasiWindows, Mikroskop monokular, dan Kameradengan sensor CMOS berwarna resolusi 640 x 480/ 800 x 600.2.3. Jalan Penelitian

Secara umum jalannya penelitian dapatdilihat pada Gambar 1.

Gambar 1. Bagan Alir Penelitian

Penjelasan dari masing-masing bagan alirdiatas adalah sebagai berikut: pertama, yaituakuisisi isyarat citra preparat dari hasilpengumpulan data sampel darah pasien yangdibubuhkan pada kaca slide mikroskop yangmerupakan data citra analog. Kemudian citrapreparat analog diubah menjadi citra preparatdigital menggunakan mikroskop monokular dansensor CMOS citra berwarna dan hasilnyadisimpan dalam bentuk format .jpg 24 bit tingkatwarna dengan ukuran 256256 piksel. Selain itujuga, sampel citra parasit plasmodium falcipafumdiperoleh dari bank data sampel citra parasit yangdiunduh dari http://www.dpd.cdc.gov. Kedua,melakukan proses para-pengolahan citra preparatbaik itu hasil unduh maupun akuisisi. Proses para-pengolahan citra dilakukan untuk meningkatkankualitas citra yang didapat karena adanyaperubahan optik ke elektrik kemungkinan terjadipenurunan kualitas yang diakibatkan adanya derausensor, kabur karena kamera yang kurang fokusataupun karena pergerakan objek kamera yang

relatif. Perbaikan citra yang dilakukan pada penelitianini adalah dengan menggunakan tapis bilateral. Citrayang telah diperbaiki kualitasnya akan dilakukanpemisahan objek berdasarkan intensitas warna. Hal inikarena objek-objek yang akan dipisahkan cenderungmemiliki intensitas warna yang berbeda-beda danmasing-masing objek memiliki warna yang hampirseragam. Pada penelitian ini metode segmentasi yangakan dipakai adalah k-mean clustering. Ketiga, Prosesekstraksi ciri dilakukan untuk memperoleh ciri-cirikhusus dari masing–masing citra preparat parasitmalaria yang diperoleh dan memberikan pola padamasing-masing citra tersebut. Untuk mengekstrak ciridari masing-masing citra dapat digunakan cirihistogram dan ciri warna. Keempat, melakukanprosedur pelatihan jaringan syaraf tiruan.

Proses pelatihan jaringan diawali denganmendefinisikan masukan dan target jaringan yang akandigunakan juga merancang struktur jaringan yang akandigunakan berdasarkan keluaran dari proses ekstraksiciri. Kemudian ditentukan nilai-nilai bobot dan biasawal awal yang merupakan nilai rerata dari masing-masing ciri dan akan disimpan selama melakukanpelatihan jaringan syaraf tiruan.

Pelatihan jaringan dilakukan untuk prosespembelajaran agar jaringan dapat mengenali suatu polamasukan dan mengklasifikasikan pola masukan yangada. Pelatihan akan berakhir jika untuk seluruheksemplar dalam satu epoch pelatihan telah sesuai atausama dengan target yang diinginkan atau cacah epochmaksimum telah terlampaui. Sesudah proses pelatihandilakukan proses pengujian, hal ini dilakukan untukmengetahui tingkat keberhasilan suatu jaringan untukmengenali pola masukan baru dan mengklasifikasikanpola masukan baru tersebut.

Tingkat keberhasilan ditentukan oleh seberapabesar kecocokan keluaran jaringan dan target. Jugadari nilai MSE jaringan. Data yang akan diuji antaraproses pelatihan dan pengujian berbeda, tetapimengalami proses awal yang sama. Pada penelitian iniakan dibangun 2 buah jaringan LVQ. Arsitekturjaringan LVQ yang akan digunakan terlihat sepertipada Gambar 2. Arsitektur jaringan LVQ pertamamempunyai 2 unit pada lapisan masukan (rerata danvarians) dan 4 unit (neuron) pada lapisan keluaran(kelas 1, kelas 2, kelas 3, dan kelas 4), sedangkanuntuk jaringan LVQ kedua mempunyai 3 unit padalapisan masukkan (nilai maksimum warna R, G dan B)dan 4 unit (neuron) pada lapisan keluaran (kelas 1,kelas 2, kelas 3, dan kelas 4). Citra plasmodiumfalciparum gametocyte akan dikategorikan dalam kelas1, citra plasmodium falciparum ring akandikategorikan dalam kelas 2, citra plasmodiumfalciparum schizonts akan dikategorikan dalam kelas 3dan citra plasmodium falciparum trophozoite akan

dikategorikan dalam kelas 4. Jaringan akan dilatihdan diuji, hasil pengujian akan digunakan untukmenentukan deteksi jenis parasit.

(a)Gambar 2 Arsitektur jaringan LVQ untuk

eksperimen 4 hidden neuron, (a) masukan cirihistogram, dan (b) masukan ciri warna

III HASIL DAN PEMBAHASAN3.1. Hasil Proses Pra Pengolahan

Data pada penelitian ini menggunakan duasampel data, yaitu sampel yang berasal dari bankdata sampel citra parasit yang diunduh darihttp://www.dpd.cdc.gov dan pengambilan langsungsampel seperti yang telah dijelaskan diatas. Prosespengumpulan sampel preparat darah secaralangsung dibantu oleh tenaga medis, paramedis danlaboran dari Puskesmas Siko dan PuskesmasMpunda. Dari proses pengelompokan jenis parasitoleh laboran diperoleh data seperti yangditunjukkan pada Tabel 3.1. Preparat darah sampeldiakuisi dan disimpan dalam memori denganformat file citra *.jpg. Citra sampel dilihat padaGambar 3.

Gambar 3 (a), (b), (c) dan (d) merupakancitra hasil digitalisasi untuk darah yangmengandung parasit malaria jenis PlasmodiumFalciparum Gametosit, Plasmodium FalciparumRing, Plasmodium Falciparum Schizonts, danPlasmodium Falciparum Trophozoites.

(a) (b) (c) (d)Gambar 3. Contoh sampel citra parasit Plasmodium Falciparum

(a) Gametosit, (b) Ring,(c), Schizonts dan (d) Trophozoites.

Citra digital yang dihasilkan masih mempunyaiefek pencahayaan, fokus pada lensa optis dan kamera,dan efek derau yang terjadi pada sensor kamera yangdipakai sehingga harus dilakukan pemulihan denganmenggunakan tapis bilateral.

Pada proses penapisan, ruang warna terlebihdahulu diubah ke ruang warna CIELAB. Hal inidilakukan karena hasil penapisan citra pada ruangwarna CIELAB dengan menggunakan tapis bilateralakan menghasilkan warna yang alami untuk citraberwarna (Tomasi dan Manduci,1998). Perbandinganvisualisasi citra preparat sampel sebelum ditapis dansesudah melalui proses penapisan berikuthistogramnya ditunjukkan pada Tabel 2.

Pada Tabel 2 terlihat perubahan histogram daricitra yang telah ditapis. Histogram untuk komponenmerah, biru dan hijau untuk semua citra mengalamiperubahan yang sangat signifikan dikarenakan deraupada citra sudah dikurangi dan akibat karena adanyapenambahan nilai bobot parameter tapis domain d dantapis range r dari tapis bilateral. Parameter tapis d

dan r keduanya berturut-turut mengendalikan lebardari fungsi Gaussian. d mengendalikan tingkat tapislolos rendah dari ruang normal, sehingga d yang besarmenyebabkan efek peghalusan yang sangat besar.Sedangkan r mengendalikan kehandalan pembedaantara fitur yang benar dan derau; dengan asumsibahwa variasi-variasi nilai intensitas piksel yang lebihbesar sebagian besar berasal dari fitur dan variasi-variasi nilai intensitas piksel lebih kecil berasal dariderau. Sehingga kualitas hasil penapisan citra sampeldengan parameter bobot tapis domain d sebesar 3piksel dan bobot intensitas warna tapis range rsebesar 0.1 pada tapis bilateral menunjukkan hasilrelatif baik dengan ditunjukkan dengan nilai MSEyang relatif kecil untuk semua sampel citra sepertiyang terlihat pada Gambar 4.

Setelah dilakukan pemulihan citra preparatsampel, tahap selanjutnya adalah memisahkan bagiandarah yang tidak terdapat parasit dengan yangmengandung parasit pada citra dengan menggunakanmetode segmentasi k-mean clustering.

Pada penelitian ini, proses segmentasiterlebih dahulu dilakukan konversi ruang warnacitra dari ruang warna RGB ke warna CIELAB.Pengelompokan warna pada ruang warna CIELAB

didapat dengan menggunakan formula jarakEuclidean dari unsur L*, a*, dan b*, sehinggadengan demikian akan didapat nilai rata-rata warnasesuai jarak terdekat dari masing-masing warna.Nilai k yang digunakan dalam simulasi adalah k =3, 4, 5, 6, dan 7.

Gambar 5 hingga 8 menunjukkan hasilsegmentasi untuk sampel preparat untukplasmodium falciparum. Pada sampel ini,segmentasi berhasil dilakukan dengan nilai k = 3.

Tabel 3. Segmentasi untuk sampel plasmodiumfalciparum gametocyte, k = 3

Titik Pusat kelompokSampel Nilai reratakelompok a* b*

Sampel - 1 22,669 22,669 -2,786Sampel - 2 31,350 31,350 -15,707Sampel - 3 30,464 30,464 -0,430Sampel - 4 21,999 21,999 -26,649Sampel - 5 17,087 17,087 0,276

Tabel 4. Segmentasi untuk sampel plasmodiumfalciparum ring, k = 3

Titik Pusat KelompokSampel Nilai Reratakelompok a* b*

Sampel - 1 16,877 16,877 -47,285Sampel - 2 10,238 10,238 -9,251Sampel - 3 13,318 13,318 -18,241Sampel - 4 10,434 10,434 1,460Sampel - 5 10,615 10,615 -25,843

Tabel 5. Hasil segmentasi untuk sampelplasmodium falciparum schizonts

Titik Pusat KelompokSampel

Nilai Reratakelompok a* b*

Sampel - 1 22,848 22,848 -6,709Sampel - 2 36,771 36,771 -16,984Sampel - 3 14,056 14,056 -20,747Sampel - 4 7,898 7,898 15,810Sampel - 5 36,406 36,406 -43,866

0 0.5 1 1.5 2 2.5 30.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

2.2

2.4x 10

-3 Grafik MSE vs Sigmar untuk Sampel Plasmodium Falciparum Gametocyte

sigmar

MS

E

sigmad=1

sigmad=3

sigmad=10

sigmad=50

Gambar 4.3. Grafik MSE terhadap perubahan nilai parameter d dan r

Tabel 2. Perbandingan Histogram citra praparat asli dengan citra hasil pemulihanplasmodium falciparum gametocyte plasmodium falciparum Schizonts

Asli Pemulihan Asli Pemulihan

0 50 100 150 200 250 3000

500

1000

1500

2000

2500

0 50 100 150 200 250 3000

500

1000

1500

2000

2500

3000

3500

0 50 100 150 200 250 3000

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

0 50 100 150 200 250 3000

1000

2000

3000

4000

5000

6000

plasmodium falciparum ring Plasmodium falciparum TrophozoitesAsli Pemulihan Asli Pemulihan

0 50 100 150 200 250 3000

1000

2000

3000

4000

5000

6000

7000

0 50 100 150 200 250 3000

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

0 50 100 150 200 250 3000

1000

2000

3000

4000

5000

6000

7000

0 50 100 150 200 250 3000

500

1000

1500

2000

2500

3000

3500

4000

Sampel-1 Sampel-2 Sampel-3 Sampel-4 Sampel-5

Gambar 5. Segmentasi citra preparat plasmodium falciparum gametocyte dengan k=3

Sampel-1 Sampel-2 Sampel-3 Sampel-4 Sampel-5

Gambar 6. Segmentasi citra preparat plasmodium falciparum ring dengan k = 3

Sampel-1 Sampel-2 Sampel-3 Sampel-4 Sampel-5

Gambar 7. Segmentasi citra preparat plasmodium falciparum schizonts dengan k = 3

Sampel-2 Sampel-5

(a) (b)Sampel-1 Sampel-3 Sampel-4

(c)Gambar 8. Segmentasi citra preparat plasmodium falciparum trophozoite, (a) k = 3, (b) k 5 dan (c) k = 7

3.2. Ekstraksi CiriPada penelitian ini pengambilan ciri didasarkan

pada karakteristik histogram citra dan ciri warna. Cirihistogram yang akan dihitung antara lain adalah reratadan varians. Rerata Menunjukkan ukuran dispersi daricitra dan varians menunjukkan variasi elemen padahistogram dari suatu citra. Memang banyak objek citramempunyai warna dasar sama tetapi distribusi warna di

dalamnya ternyata berbeda. Distribusi warna dapatdiperoleh menggunakan histogram dari warna.Eksperimen yang telah dilakukan untuk mendapatkanciri histogram dari masing-masing sampel preparatadalah dengan mengubah sampel citra berwarna kecitra beraras keabuan.

Tabel 6. Hasil segmentasi untuk sampel plasmodiumfalciparum trophozoite

Titik Pusat KelompokSampel

Nilai reratakelompok a* b*

K = 3Sampel - 2 9,789 9,789 -10,150

K = 5Sampel - 5 27,999 27,999 -24,471

K = 7Sampel - 1 12,252 12,252 -6,315Sampel - 3 31,929 31,929 -31,446Sampel - 4 33,857 33,857 -32,541

3.3. Klasifikasi dengan Jaringan Syaraf TiruanTipe LVQSetelah proses ekstraksi ciri dari citra sampel,

selanjutnya adalah menggunakan ciri histogram dan cirikomponen warna maksimum yang akan dipakai sebagaivektor masukan klasifikasi pola parasit denganmenggunakan jaringan syaraf tiruan tipe LearningVector Quantization (LVQ).

Pada penelitian ini, jaringan LVQ dirancanguntuk mengklasifikasikan empat jenis citra parasitplasmodium falciparum sehingga jaringan akanmemiliki empat pola target. Ada dua proses utama yangberlangsung pada Jaringan LVQ yang dibangun, yaituproses pelatihan jaringan dan proses klasifikasi jenisparasit plasmodium falciparum.

Sebelum melakukan eksperimen pelatihan danpengujian jaringan LVQ, bobot awal terlebih dahuluditentukan. Bobot awal ditentukan dari nilai rerataseluruh data untuk masing-masing ciri histogram danciri warna dari sampel preparat.

Gambar 9 merupakan kurva pelatihan jaringansyaraf tiruan LVQ dengan 4 hidden neuron untukklasifikasi dengan data latih dan uji menggunakan cirihistogram dan ciri warna sebagai masukannya. UntukJaringan dengan ciri histogram sebagai masukannya,kurva mencapai konvergen dengan kesalahan jaringansebesar 9,5510-6 sedangkan jaringan dengan ciri warnasebagai masukannya mencapai konvergen pada nilaiyang mendekati nilai toleransi kesalahan yaitu sebesar1,04510-6. Pencapaian epochs untuk kedua-danyasebanyak 66 epochs dan akurasi data latih mencapai100%.

Selanjutnya eksperimen pelatihan jaringanadalah mengamati kinerja jaringan dengan mengubah-ubah laju pelatihan. Jaringan akan dicoba dengandiberikan laju pelatihan sebesar 0,01; 0,02; 0,03;0,04; 0,05; dan 0,1 dengan data latih dan ujimenggunakan ciri histogram dan ciri warna. Hasilpengujian jaringan dengan nilai laju pelatihan yangberbeda-beda untuk ciri histogram dapat dilihat padaTabel 7 dan Tabel 8 untuk ciri warna.

Dari Tabel 7 diketahui bahwa jaringan denganlaju pelatihan = 0,01 memiliki akurasi data danakurasi data uji yang lebih baik dibandingkan denganjaringan dengan laju pelatihan lainnya. Akurasi datalatih pada jaringan ini 100% dan akurasi data ujimencapai 81,25%, sedangkan untuk laju pelatihanlainnya menghasilkan kinerja yang sama, yaitumenghasilkan jaringan dengan akurasi data latihsebesar 94,79% dan akurasi data uji sebesar 70,83%.Penurunan hasil uji latih akibat penambahan lajupelatihan pada jaringan LVQ dengan masukan cirihistogram dikarenakan titik pusat kelompok (neuron)mengalami perubahan, sehingga ada data latih yangsebelumnya masuk pada kelas tertentu akan pindahke kelas lainnya.

0 10 20 30 40 50 60 700

1

2

3

4

5

6

7

8

9x 10

-3 Performance is 9.55e-006, Goal is 1e-006

66 Epochs

Tra

inin

g-B

lue

Goa

l-Bla

ck

0 10 20 30 40 50 60 700

1

2

3

4

5

6

7

8

9x 10

-3 Performance is 9.55e-006, Goal is 1e-006

66 Epochs

Tra

inin

g-B

lue

Goa

l-Bla

ck

Gambar 9 Kurva pelatihan jaringan LVQ dengan 4hidden neuron untuk klasifikasi dengan data latihdan uji menggunakan ciri histogram dan ciri warna

Tabel 7. Pengaruh laju pelatihan untuk cirihistrogram

Akurasi dataLajupelatihan

Waktu(detik)

MSE(10-6) latih uji

0,01 1,242 9,55 100% 81,25%0,02 1,091 9,85 94,79% 70,83%0,03 1,122 9,98 94,79% 70,83%0,04 1,342 9,71 94,79% 70,83%0,05 1,402 9,98 94,79% 70,83%0,1 1,302 9,40 94,79% 70,83%

Tabel 8 Pengaruh laju pelatihan untuk ciri warnaAkurasi dataLaju

pelatihanWaktu(detik)

MSE(10-6) latih uji

0,01 2,053 9,55 100% 91,67%0,02 2,203 9,13 100% 91,67%0,03 2,254 9,99 100% 91,67%0,04 2,323 9,71 100% 91,67%0,05 2,374 9,83 100% 91,67%0,1 2,534 9,40 100% 91,67%

Selain berpengaruh terhadap kinerja JST baik ituakurasi data latih, data uji, minimum laju pelatihan danwaktu pelatihan, ternyata laju pelatihan jugamempengaruhi letak atau jarak neuron itu sendiriseperti yang ditunjukkan secara berturut-turut padaGambar 10. Pada gambar letak neuron ditandai denganlingkaran dan anak panah dengan inisial N untukneuron dan K adalah kelas dari klasifikasi. Lajupelatihan dengan sebesar 0.01, neuron pada kelas 1(gametocyte) terletak pada titik (203,4889;1131,361),

kelas 2 (ring) terletak pada titik (191,9018;579,079),kelas 3 (schizonts) terletak pada titik(198,1427;1336,214), dan kelas 4 (trophozoite)terletak pada titik (197,0141;1899,632).

Dari Tabel 8 diketahui bahwa akurasi datalatih dan data uji untuk semua laju pelatihan sama,yaitu 100% untuk data latih dan 91,67% untuk datauji. Sehingga jaringan mempunyai keadaan yangmantap untuk masukan ciri warna.

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.01)

Mean

Var

ians

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.02)

Mean

Var

ians

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.03)

Mean

Var

ians

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.04)

Mean

Var

ians

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.05)

Mean

Var

ians

175 180 185 190 195 200 205 210 215 220 225200

400

600

800

1000

1200

1400

1600

1800

2000

2200

N1,K1

N2,K2

N3,K3

N4,K4

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa=0.1)

Mean

Var

ians

Gambar 10. Letak neuron dengan laju pelatihan yang berubah-ubah

Letak neuron pada jaringan dengan masukan ciriwarna secara berturut-turut ditunjukkan pada Gambar11. Secara berurut-turut jarak Euclidean neuron untuk

masing-masing laju pelatihan = 0,01; 0,02; 0,03;0,04; 0,05; dan 0,1 adalah 24147,746; 22404,894;22235,559; 22223,236; 22222,25; dan 22222,512.

00.5

11.5

22.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3N1,K1

N4,K4

N2,K2

B

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.01 )

RG 00.5

11.5

22.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3

N1,K1

N2,K2

N4,K4B

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.02 )

RG

00.5

11.5

22.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3

N1,K1

N2,K2

N4,K4B

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.03 )

RG0

0.51

1.52

2.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3

N1,K1

N2,K2

N4,K4BKlasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.04 )

RG

00.5

11.5

22.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3

N1,K1

N2,K2

N4,K4B

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.05 )

RG 00.5

11.5

22.5

x 104

0

0.5

1

1.5

2

x 104

0

0.5

1

1.5

2

x 104

N3,K3

N1,K1

N2,K2

N4,K4B

Klasifikasi Plasmodium Falciparum dengan LVQ (alfa = 0.1 )

RG

Gambar 9. Letak neuron dengan laju pelatihan yang berubah-ubah untuk ciri warna

3.4 Analisis Regresi dengan Metode KuadratTerkecil untuk Tekstur Citra PreparatPlasmodium FalciparumAnalisis tekstur yang diamati pada penelitian ini

adalah dengan mengamati autokorelasi dari citra sampelyang telah digeser dari piksel pertama sampai ke piksel64. Hasil dari autokorelasi kemudian dilakukanpencocokan (fitting) terhadap nilai rata-rata korelasitersebut untuk mendapatkan bentuk fungsi polinomialyang terjadi. Klasifikasi pola parasit plasmodium

falciparum dapat digambarkan dengan menggunakanpersamaan polinomial untuk mendapatkan nilai-nilaia0, a1, dan a2. Kemudian dilakukan normalisasi untukkomponen a0, a1, dan a2 untuk mendapatkan grafikklasifikasi pola parasit plasmodium falciparum.

Gambar 10 merupakan grafik hasilautokorelasi tekstur untuk sampel citra preparatberwarna yang menunjukkan ukuran ketergantunganlinear dari citra sehingga dapat memberikan petunjukadanya struktur linear dalam citra. Grafik hasil

autokorelasi menyerupai jaring-jaring yangmerepresentasikan nilai-nilai korelasi citra preparatplasmodium falciparum pada sumbu x yang merupakannilai hasil autokorelasi piksel citra preparat pada arahmatriks baris, sumbu y adalah nilai hasil autokorelasipada matriks kolom, dan sumbu z adalah frekuensi nilaikemunculan piksel hasil autokorelasi pada arah vertikalterhadap citra. Nilai-nilai korelasi berada di sepanjangdan sekitar diagonal citra.

Nilai-nilai hasil autokorelasi kemudian dianalisisdengan menggunakan persamaan regresi ataupencocokan kurva. Model persamaan yang dipakaidalam penelitian ini adalah persamaan polinomialorde-4 dengan fungsi pendekatan umumadalah n

n xaxaxaay ...2210 dan

persamaan Gaussian orde-2 dengan persamaanumumnya y = a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2).

(a) (b)

(c) (d)Gambar 10. Grafik hasil autokorelasi tekstur citra preparat untuk masing-masing kelas plasmodium falciparum (a)

gametocyte, (b) ring, (c) schizonts, dan (d) trophozoite

Gambar 11 menunjukkan kurva hasilpencocokan korelasi dengan menggunakan pendekatanpersamaan polinomial orde-4 dari citra preparatplasmodium falciparum. Dari gambar tersebut dapatdijelaskan bahwa sumbu x adalah dimensi piksel citra64 64 (0 sampai 63), sedangkan sumbu y adalah datanilai hasil korelasi dengan nilai masing-masingkoefisien.

Gambar 12(a) menunjukkan hubungan nilaiparameter korelasi a1 dan a2 dari hasil pencocokankurva menggunakan persamaan polinomial orde-4 danGambar 12(b) menunjukkan hubungan nilai parameterkorelasi b1 dan c1 dari hasil pencocokan kurva

menggunakan persamaan Gaussian orde-2. Darigambar tersebut diketahui bahwa persamaanpolinomial orde-4 dan Gaussian orde-2 dapatmengilustrasikan pusat kelompok atau kelas relatifterhadap pola sebaran kelompok kelas dari masing-masing parasit plasmodium falciparum.

Setelah mendapatkan model persamaan regresipolinomial orde-4, model persamaan tersebutkemudian dievaluasi dengan menggunakan ujigoodness of fit untuk mendapatkan nilai SSE (Sum ofSquares Due to Error), R-square, dan RMSE (RootMean Squared Error). Dari hasil uji goodness of fitdidapat nilai SSE, R-square, dan RMSE untuk

masing-masing model persamaan regresi polinomialorde-4 seperti yang ditunjukkan pada Tabel 9 dan 10.Dari Tabel 9 dan Tabel 10, hasil pengujianmenunjukkan bahwa pemodelan persamaan regresipolinomial orde-4 dan Gaussian orde-2 mempunyaihasil nilai yang relatif hampir sama untuk setiap citraplasmodium falciparum. Hasil pengujian SSE untukpersamaan regresi polynomial orde-4 menunjukkannilai mendekati nol dengan nilai yang terkecil dimilikicitra plasmodium falciparum gametocyte kemudianberturut-turut citra plasmodium falciparum ring,schizonts, dan trophozoite, sedangkan denganmenggunakan persamaan regresi Gaussian orde-2 nilaiyang terkecil dimiliki citra plasmodium falciparumschizonts kemudian berturut-turut citra plasmodiumfalciparum gametocyte, ring, dan trophozoite. NilaiSSE yang mendekati nol berarti mengindikasikan hasilpencocokan sangat baik dari model persamaan regresipolinomial orde-4 maupun Gaussian orde-2 yangdipakai.

Pengujian selanjutnya untuk menganalisispencocokan kurva dari model persamaan regresipolinomial orde-4 dan Gaussian orde-2 adalah

menghitung seberapa berhasilnya pencocokan untukdapat mengurai variasi dari data atau uji R-square.Dari hasil pengujian, persamaan regresi polynomialorde-4 menghasilkan nilai R-square untuk masing-masing citra preparat plasmodium falciparumgametocyte, ring, schizonts, dan trophozoite sebesar0,996; 0,997; 0,999; dan 0,998. Begitu juga hasilpengujian untuk persamaan regresi Gaussian orde-2,R-square untuk masing-masing citra preparatplasmodium falciparum gametocyte, ring, schizonts,dan trophozoite sebesar 0,996; 0,997; 0,999; dan0,996. Semua nilai hasil pengujian untuk semuapemodelan mendekati 1, dengan demikian dapatdijelaskan bahwa semakin tinggi nilai korelasi, makasemakin rendah pola keacakan intensitas piksel-piksel tetangganya, artinya bahwa citra plasmodiumfalciparum yang dimaksud memiliki perbedaan polaobjek parasit plasmodium falciparum yang tinggipula, yang memiliki arti juga pola atau bentuk objekparasit mudah dibedakan atau dikenali terhadap polaatau bentuk objek parasit plasmodium falciparumyang lain.

10 20 30 40 50 60

205.8

206

206.2

206.4

206.6

206.8data korelasi tekstur pf. gametocyte vs dimensi piksel citrakurva fit polinomial orde-4kurva fit Gaussian orde-2

f(x) = a0 + a1*x + a2*x2 + a3*x3 + a4*x4

a4 = -4.67e-007a3 = 7.213e-005a2 = -0.003434a1 = 0.03121a0 = 206.7

f(x) = a1*exp(-((x-b1)/c1)2) + a2*exp(-((x-b2)/c2)2)a1 = 204.5b1 = -11.08c1 = 190.3a2 = 57.02b2 = 117.8c2 = 68.3

10 20 30 40 50 60

163.5

164

164.5

165

165.5

166data korelasi tekstur pf. ring vs dimensi piksel citrakurva fit polinomial orde-4kurva fit Gaussian orde-2

f(x) = a0 + a1*x + a2*x2 + a3*x3 + a4*x4

a4 = 6.708e-007a3 = -6.699e-005a2 = 0.0008839a1 = 0.01049a0 = 165.7

f(x) = a1*exp(-((x-b1)/c1)2) + a2*exp(-((x-b2)/c2)2)a1 = 165.9b1 = 14.27c1 = 336.9a2 = 1.65b2 = 71.85c2 = 15.32

(a) (b)

10 20 30 40 50 60

201.5

202

202.5

203

203.5

204

204.5

data korelasi tekstur pf. schizonts vs dimensi piksel citrakurva fit polinomial orde-4kurva fir Gaussian orde-2

f(x) = a0 + a1*x + a2*x2 + a3*x3 + a4*x4

a4 = 2.529e-007a3 = -2.447e-005a2 = -4.784e-005a1 = -0.009837a0 = 204.7

f(x) = a1*exp(-((x-b1)/c1)2) + a2*exp(-((x-b2)/c2)2)a1 = 204.7 (204.6, 204.7)b1 = 1.29 (-0.02016, 2.601)c1 = 473.7 (458.8, 488.7)a2 = 0.4944 (0.3889, 0.5998)b2 = 63.62 (61.74, 65.49)c2 = 10.53

10 20 30 40 50 60

198

198.5

199

199.5

200

200.5

201

201.5

202

202.5

203data korelasi tekstur pf. trophozoite vs dimensi piksel citrakurva fit polinomial orde-4kurva fit Gaussian orde-2

f(x) = a0 + a1*x + a2*x2 + a3*x3 + a4*x4

a4 = 1.745e-006a3 = -0.0002027a2 = 0.006748a1 = -0.1381a0 = 203.2

f(x) = a1*exp(-((x-b1)/c1)2) + a2*exp(-((x-b2)/c2)2)a1 = 202.9b1 = -11.42c1 = 420.4a2 = 1.39b2 = 65.07c2 = 8.489

(c) (d)Gambar 11. Kurva fit hasil regresi polinomial orde-4 citra preparat plasmodium falciparum:

(a) gametocyte, (b) ring, (c) schizonts, dan (d) trophzoite

-0.2 -0.15 -0.1 -0.05 0 0.05-4

-2

0

2

4

6

8x 10

-3

nilai koefisien a1

nila

ikoe

fisie

na 2

Grafik Hubungan Nilai Parameter Koefisien a1 dengan a2 dari Hasil Kurva Fit Persamaan Polinomial orde-4

PF.GametocytePF.RingPF.SchizontsPF.Trophozoite

-60 -40 -20 0 20 40 60 80-600

-400

-200

0

200

400

600

nilai koefisien b1

nila

ikoe

fisie

nc 1

Grafik Hubungan Nilai Parameter Koefisien b1 dengan c1 dari Hasil Kurva Fit Persamaan Gaussian orde-2

PF.GametocytePF.RingPF.SchizontsPF.Trophozoite

(a) (b)Gambar 12. Grafik hubungan nilai parameter koefisien, (a) p3dengan p4 hasil pencocokan kurva korelasipersamaan polinomial orde-4, dan (b) b1dengan c1 hasil pencocokan kurva korelasi persamaan Gaussian orde-2

Tabel 9 Hasil pengujian goodness of fit pemodelanregresi polinomial orde-4

Plasmodium falciparumGoodnessof fit Gametocyte ring schizonts trophozoite

SSE 0,038 0,096 0,06 0,26R-square 0,996 0,997 0,999 0,998RMSE 0,025 0,04 0,032 0,066

Tabel 10 Hasil pengujian goodness of fit daripemodelan regresi Gaussian orde-2

Plasmodium falciparumGoodnessof fit gametocyte ring schizonts trophozoite

SSE 0,035 0,123 0,033 0,647R-square 0,996 0,997 0,999 0,996RMSE 0,024 0,046 0,024 0,105

Pengujian terakhir untuk menganalisispencocokan kurva dari model persamaan regresipolinomial orde-4 adalah menghitung akar kuadratrerata kesalahan dari kesalahan standar regresi. Hasilpengujian didapatkan nilai RMSE dari pencocokankurva sangat kecil untuk setiap kelasnya yaitu sebesar0,025 untuk citra preparat plasmodium falciparumgametocyte, 0,040 untuk citra preparat plasmodiumfalciparum ring, 0,032 untuk citra preparat plasmodiumfalciparum schizonts, dan 0,066 untuk citra preparatplasmodium falciparum trophozoite. Sedangkan darihasil pengujian model persamaan regresi Gaussianorde-2 didapat nilai RMSE adalah 0,024 untuk citrapreparat plasmodium falciparum gametocyte, 0,046untuk citra preparat plasmodium falciparum ring, 0,024untuk citra preparat plasmodium falciparum schizonts,dan 0,105 untuk citra preparat plasmodium falciparumtrophozoite. Dari hasill tersebut diatas menunjukkanbahwa hasil pencocokan sangat baik.

3.5 Analisis Performansi Sistem3.5.1 Keberhasilan Sistem Terhadap Data Uji

Hasil pengujian sistem untuk ciri yang dipakaiadalah ciri histogram untuk citra tanpa penapisan,dari 48 data uji yang diujikan ke jaringan, 36 datadiidentifikasi dengan benar dan 12 data salahdiidentifikasi. Sedangkan untuk pengujian sistemdengan ciri warna yang digunakan sebagai data cirimasukan untuk citra tanpa penapisan, sistem dapatmengidentifikasi 40 data dengan benar dan 8 salahdiidentifikasi.

Peningkatan keberhasilan sistem terhadap datauji ketika sistem diberikan tapis bilateral, hal initerbukti dengan hasil pengujian data uji terhadap citrayang telah mangalami proses penapisan baik untukdata uji dengan ciri histogram maupun ciri warna.Dari 48 data uji dengan ciri histogram yang diujikanke jaringan ternyata 39 data berhasil diidentifikasidengan benar dan 8 data salah diidentifikasi.Sedangkan untuk pengujian sistem dengan ciri warnayang digunakan sebagai data ciri masukan untuk citratanpa penapisan, sistem dapat mengidentifikasi 44data dengan benar dan 4 salah diidentifikasi.

Hasilnya, akurasi sistem dapat dilihat padagrafik perbandingan hasil pengujian identifikasiparasit plasmodium falciparum dengan menggunakanjaringan JST LVQ antara tanpa tapis denganmenggunakan tapis bilateral seperti yang ditunjukanpada Gambar 13. Dari gambar tersebut diketahuibahwa sistem dengan menggunakan tapis bilateraldapat meningkatkan kinerja sebesar 6% biladibandingkan dengan sistem yang tidakmenggunakan tapis biliateral.

Perbandingan hasil Pengujian Identif ikasi Parasit Plasmodium Falciparum denganMenggunakan JST LVQ antara Tanpa Tapis dengan Tapis Bilateral

7583,3381,25

91,67

0

10

20

30

40

50

60

70

80

90

100

Ciri Statistik Histogram Ciri WarnaCiri

Has

ilU

ji(%

)

Tanpa Tapis

Dengan Tapis

Gambar 13. Grafik perbandingan hasil pengujian identifikasi parasit plasmodium falciparum denganmenggunakan JST LVQ antara tanpa tapis dengan menggunakan tapis bilateral

3.5.2 Waktu KomputasiPengujian kecepatan sistem dalam melakukan

identifikasi dan klasifikasi plasmodium falciparumdiperlukan dalam perancangan sistem karena sistemdiharapkan mampu bekerja secara real time. Hasilpengujian kecepatan sistem, dari proses awal sampaiproses pengenalan dengan spesifikasi PC (personalcomputer) diperoleh waktu relatif lama, yaitu 6,37 detikuntuk jaringan dengan masukan ciri histogram dan 5,49detik untuk jaringan dengan ciri warna sebagaimasukkannya atau sistem dengan masukkan uji warnamempunyai 1,18 kali lebih cepat dibandingkan dengansistem menggunakan ciri histogram, Sehingga sistemini masih perlu ditingkatkan dari segi waktukomputasinya agar sistem ini dapat digunakan secarareal time.

IV PENUTUP4.1. Kesimpulan1. Tapis bilateral dengan koefisien parameter bobot

tapis domain d = 3 piksel dan bobot fotometriktapis range r = 0,1 pada proses para pengolahancitra preparat dapat memberikan hasil yang relatifbaik dengan rata-rata nilai MSE sebesar 7,40x10-4

dan nilai PSNR sebesar 79,50 dB.2. Segmentasi dengan menggunakan metode k-mean

clustering dapat digunakan dalam memisahkanobjek parasit pada citra preparat denganlatarbelakangnya pada nilai k = 3, k = 5, dan k = 7.

3. Ciri histogram mean dan varians dapat mengenalipola pada citra parasit plasmodium falciparumdengan tingkat akurasi keberhasilan sebesar81,25%. Sedangan ciri warna RGB maksimumdapat mengenali pola pada citra parasitplasmodium falciparum dengan tingkat akurasi

keberhasilan yang lebih baik yaitu sebesar91,67% dibandingkan dengan ciri histogrammean dan varians untuk mengidentifikasi parasitplasmofium falciparum.

4. Jaringan syaraf tiruan LVQ dapatmengidentifikasi jenis-jenis parasit plasmofiumfalciparum secara optimal dengan arsitekturjaringan menggunakan 4 hidden neuron dan lajupelatihan 0,01.

5. Pemilihan data latih yang dimasukkan padaproses pelatihan mempengaruhi tingkat akurasisistem.

6. Waktu komputasi sistem identifikasi yangdirancang dengan spesifikasi yang telah telahdijelaskan pada penelitian ini adalah 6,37 detikuntuk jaringan dengan masukan ciri histogramdan 5,49 detik untuk ciri masukan adalah ciriwarna RGB maksimum atau sistem denganmenggunakan ciri warna mempunyai kecepatandeteksi 1,18 kali lebih cepat dibandingkandengan sistem menggunakan ciri histogram

4.2. SaranHasil penelitian ini masih dapat dikembangkan

dengan membandingkan ekstraksi ciri lain sepertimenggunakan ekstraksi ciri alihragam gelombangsingkat dan melakukan normalisasi warna untukmendapatkan ciri warna. Selain itu, untuk menambahkeakuratan proses pengklasifikasian untuk semuajenis plasmodium diperlukan sampel-sampeltambahan untuk dapat dilatihkan. Implementasinyadapat diwujudkan dengan membangun perangkatkeras pendeteksi.

DAFTAR PUSTAKA

Achmad, B dan Kartika Firdausy, 2005, TeknikPengolahan Citra Digital Menggunakan Delphi,Ardi Publishing, Yogyakarta.

Adrianto, Hari Agung., Fahren Bukhari., dan LauraPrescilla. 2007. Penggunaan Kualitas CitraWarna Menggunakan Metode Bilateral Filter.Jurnal Departemen Ilmu Komputer Vol. 5 - No.2 . Bogor Agricultural University

Ahmad, U., 2005, Pengolahan Citra Digital dan TeknikPemrogramannya, Graha Ilmu, Yogyakarta.

Anonim. 2005. Laporan Kegiatan Phase 1 Proyek IPM–4 Gf Provinsi Maluku Utara. Dinas KesehatanPropinsi Maluku Utara

Bastien, Olivier. 2006. Développements Théoriques etMethods Numériques Pour Les AnalysesComparatives de Génomes Et Protéomes BiaisésApplication À La Comparaison des Génomes etProtéomes de Plasmodium Falciparum etD’arabidopsis Thaliana, These Docteur DeL’université Joseph Fourier. http://www. cea.fr.diakses pada tanggal 26 Oktober 2007 jam 16.57WIB

Bishop, Christopher M. 2006 Pattern Recognition andMachine Learning. Springer Science &BusinessMedia, USA

Burdick, H. E., 1997., Digital Imaging: Theory andApplications. McGraw-Hill

Chen, James., dan I Nyoman Kandun. 2000. ManualPemberantasan Penyakit Menular. DepartemenKesehatan Republik Indonesia. Edisi ke 17

Duda, Richardo O., Meter E. Hari., and David G. Stork.2001. Pattern Classification. John Wiley & Son.New Cork.

Gaffar, Abdul. 2004. Blood and Tissue Protozoa.PAMB 650/720 Medical Microbiology, Lecture:81-82, http://www.med.sc.edu diakses padatanggal 19 Februari 2007 jam 20.05 WIB

Gonzales, R. C. and Woods, R.E. 1993. Digital ImageProcessing. Addison-Wesley PublishingCompany.

Jain, Anil K. 1989. Fundamental Of Digital ImageProcessing. Prentice Hall of India Private Ltd.New delhi, India.

Kusumadewi, Sri. 2004. Membangun Jaringan SyarafTiruan Menggunakan MATLAB & EXCELLINK. Graha Ilmu. Yogyakarta.

Munir, Rinaldi. 2004. Pengolahan Citra Digital denganPendekatan Algoritmik. Penerbit Informatika.Bandung. Indonesia.

Nalwal, A.,1997, Pengolahan Gambar Secara Digital,Elex Media Komputindo, Jakarta.

Nixon, Mark S. and Alberto S. Aguado. 2002.Feature Extraction and Image Processing, 1st

edition. Newnes. London.Nursuprianah, Indah. 2005. Suatu Model Matematika

Dinamika Parasit Malaria Dalam TubuhManusia. Http://www.lib.itb.ac.id. diaksespada tanggal 21 Februari 2007 jam 9.05 WIB

Poynton, C. 2002. Frequently asked questions aboutgamma,http://www.inforamp.net/*poynton/notes/colour___and___gamma/GammaFAQ.html.

Premaratne, S P., Nadira Dharshani Karunaweera.,Shyam Fernando., W Supun R Perera., and RP Asanga S Rajapaksha. 2006. A NeuralNetwork Architecture for AutomatedRecognition of Intracellular Malaria Parasitesin Stained Blood Films. http://www.lanka.ccom.lk. diakses pada tanggal 15 Maret2007 jam 11.46 WIB

Pusarawati, Suhintam., Indah S Tantular., danPriyatna Yoes Dahlan. DiagnostikMikroskopis Malaria Pewarnaan Giamsea danAcridine Orange (AO). Bagian ParasitologiFakultas Kedokteran dan Tropical DeasesCenter (TDC) Universitas Erlangga. Surabaya.

Qussay A. Salih., Abdul Rahman Ramli., RoziMahmud., dan Rahmita Wirza. 2004. 3DVisualization For Blood Cells Analysis VersusEdge Detection. The Internet Journal ofMedical Technology.. Volume 1 Number 2.

Stivala, Alexander David. 2006. ComputationalGene Finding in the Human Malaria ParasitePlasmodium vivax. Honours Thesis.http://orthomcl.cbil.upenn.edu diakses padatanggal 23 Februari 2007 jam 3.11 WIB

Swain, M.J. and D.H. Ballard. 1991. Color indexing.Int. J. Comput. Vision 7 1. pp. 11–32.

Tomasi, C and Manduchi, R. 1998. BilateralFiltering for Gray and Color Images.Proceedings of the IEEE InternationalConference on Computer Vision. Bombay,India.

Tseng, D. C. and Chang C. H. 1992. ColorSegmentation Using Perceptual Attributes.IEEE International Conference on ImageProcessing A, pp 228-231

Widiastuti, Sri., 2006. Penggunaan Jaringan SyarafTiruan untuk Prediksi Pengambilan TindakanMedis Pasien Berdasarkan Diagnosisi Klinis.Tesis. Teknik Elektro. Universitas GadjahMada.

Widodo, Thomas Sri. 2005. Sistem Neuro FuzzyUntuk Pengolahan Informasi, Pemodelan danKendali. Graha Ilmu. Yogyakarta