Klasifikasi Citra Sel Darah Untuk Penyakit Malaria Dengan Metode CNN
Main Article Content
Abstract
Semakin berkembangnya teknologi mengakibatkan pola hidup masyarakat ikut berubah, karena kebutuhan masyarakat bergantung pada teknologi yang ada. Perubahan ini dapat dilihat dalam penggunaan komputer dengan dibantu berbagai alat yang telah dibuat dapat mendeteksi penyakit pada seseorang. Dengan adanya alat tersebut dapat membantu masyarakat agar lebih cepat dan mudah mengetahui penyakit yang diderita. Oleh karena itu, diperlukan sistem yang dapat menganalisa, mengenali, secara sensitive, akurat dan otomatis mendiagnosa manusia terkena penyakit malaria atau tidak. Metode yang disulkan untuk menyelesaikan permasalahan tersebut Deep Learning (DL) yaitu Convolutional Neural Network (CNN) yang unggul untuk klasifikasi. Dalam penelitian ini, mengusulkan penggunaan CNN untuk membantu dalam mengklasifikasikan penyakit malaria. Dataset terdiri dari 27558 gambar sel darah. Model yang diusulkan mencapai kinerja dengan akurasi terbaik 96%. Pengujiannya berhasil serta berjalan dengan baik.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
A. Vijayalakshmi and R. K. B, “Deep learning approach to detect malaria from microscopic images,” 2019.
A. Bashir, Z. A. Mustafa, I. Abdelhameid, and R. Ibrahem, “Detection of Malaria Parasites Using Digital Image Processing,” no. c, 2017.
E. Engineering, I. Technology, F. Engineering, and U. G. Mada, “Feature Extraction and Classification for Detection Malaria Parasites in Thin Blood Smear,” vol. 1, no. c, pp. 197–201, 2015.
Y. Dong et al., “Evaluations of Deep Convolutional Neural Networks for Automatic Identification of Malaria Infected Cells,” 2017 IEEE EMBS Int. Conf. Biomed. Heal. Informatics, pp. 101–104, 2017.
D. Bibin, M. S. Nair, and P. Punitha, “Malaria Parasite Detection from Peripheral Blood Smear Images Using Deep Belief Networks,” IEEE Access, vol. 5, pp. 9099–9108, 2017.
M. Poostchi, K. Silamut, R. Maude, S. Jaeger, and G. Thoma, “Image Analysis and Machine Learning for Detecting Malaria,” Transl. Res., no. 2018, 2017.
R. Pcr, “crossm Detection of Plasmodium Infection by the illumi gene Malaria Assay,” vol. 55, no. 10, pp. 3037–3045, 2017.
G. Figueroa-Miranda et al., “Aptamer-based electrochemical biosensor for highly sensitive and selective malaria detection with adjustable dynamic response range and reusability,” Sensors Actuators, B Chem., vol. 255, pp. 235–243, 2018.
A. Khatami, M. Babaie, H. R. Tizhoosh, A. Khosravi, T. Nguyen, and S. Nahavandi, “A sequential search-space shrinking using CNN transfer learning and a Radon projection pool for medical image retrieval,” Expert Syst. Appl., vol. 100, pp. 224–233, 2018.
Z. Liang et al., “CNN-Based Image Analysis for Malaria Diagnosis,” pp. 493–496, 2016.
M. Frid-Adar, I. Diamant, E. Klang, M. Amitai, J. Goldberger, and H. Greenspan, “GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification,” Neurocomputing, vol. 321, pp. 321–331, 2018.
D. H. Kim and T. MacKinnon, “Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks,” Clin. Radiol., vol. 73, no. 5, pp. 439–445, 2018.
S. Rajaraman et al., “Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images,” pp. 1–17, 2018.
J. Heaton, “Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning,” Genet. Program. Evolvable Mach., vol. 19, no. 1–2, pp. 305–307, 2018.
Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
H. Lee and H. Kwon, “Going Deeper with Contextual CNN for Hyperspectral Image Classification,” IEEE Trans. Image Process., vol. 26, no. 10, pp. 4843–4855, 2017.
E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, p. 61, 2018.
A. Santoso and G. Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 01, pp. 15–21, 2018.
W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016.