Jakarta, 7 – 8 November 2013 Seminar Insentif Riset SINas, Kementerian Riset dan Teknologi “Membangun Sinergi Riset Nasional untuk Kemandirian Teknologi” INSINAS 2013 PENGEMBANGAN ALGORITMA PENGOLAHAN CITRA UNTUK SEGMENTASI DAN IDENTIFIKASI BAKTERI TUBERKULOSIS (TB) PADA CITRA DAHAK ZIEHL-NEELSEN RT Kusworo Adi – Jurusan Fisika FMIPA UNDIP Rahmat Gernowo – Jurusan Fisika FMIPA UNDIP K Sofjan Firdausi – Jurusan Fisika FMIPA UNDIP Budi Rahardjo – Jurusan Biologi FMIPA UNDIP Aris Sugiharto – Jurusan Informatika Adi Pamungkas – Jurusan Fisika FMIPA UNDIP Ari Bawono Putranto – Jurusan Fisika FMIPA UNDIP
1. LATAR BELAKANG DAN TUJUAN 1.Pada tahun 2009 peringkat Indonesia menurun ke posisi lima dengan jumlah penderita TBC sebesar 429 ribu orang (India, Cina, Afrika Selatan, Nigeria dan Indonesia ) 2.Identifikasi otomatis akan memberikan beberapa kelebihan : pengurangan beban kerja tenaga medis, meningkatkan sensitivitas pengujian dan akurasi yang lebih baik, serta monitoring secara berkala dari penderita tuberkulosis (TB) 3.Metode pencitraan mikroskop dengan memanfaatkan pengolahan citra sangat memungkinkan untuk mengidentifikasi bakteri tuberkulosis berdasarkan warna dan bentuk dari sampel dahak dengan pewarnaan Ziehl-Nelsen (ZN). 4.Penelitian tentang tuberkulosis telah diteliti oleh peneliti di dunia diantaranya : Veropoulos dkk, 1999, Alvarez-Borrego dkk, 2000, Forero dkk, 2003, dan Makkapati dkk, 2009.
2. PERMASALAHAN DAN PENDEKATAN PEMECAHAN NYA 1.Analisis dahak secara konvensional cukup mahal, memakan waktu dan memerlukan personil yang sangat terlatih untuk menghindari kesalahan. 2.Perlunya perlindungan dari tim medis agar tidak terpapar bakteri tuberkulosis (TB) 3.Perlunya suatu sistem yang kompak dan mudah dioperasikan yang terdiri dari perangkat keras dan perangkat lunak untuk identifikasi dan monitoring penderita tuberkulosis (TB) 4.Penggunaan bahan lokal dan karya sendiri agar mudah dalam perawatan, murah, dan tudak tergantung produk impor.
3. METODE Metode yang digunakan dalam penelitian ini adalah rancang bangun baik perangkat keras maupun perangkat lunak, seperti pada blok diagram di bawah ini :
4. HASIL DAN PEMBAHASAN
Hasil Segmentasi Otomatis Dengan Metode Otsu : HSV
4. HASIL DAN PEMBAHASAN Hasil Segmentasi Otomatis Dengan Metode Otsu : NTSC
4. HASIL DAN PEMBAHASAN User Interface Perangkat Lunak Identifikasi Bakteri TB
4. HASIL DAN PEMBAHASAN Perbandingan Algoritma Yang Dikembangkan
5. KESIMPULAN DAN SARAN Kesimpulan : 1.Ekstraksi ciri untuk proses identifikasi bentuk bakteri menggunakan tiga parameter yaitu eccentricity dan compactness. 2.Proses segmentasi dikembangkan dengan dua buah metode. Metode konversi model warna RGB ke HSV cocok untuk segmentasi citra dengan kontras yang rendah. Metode konversi model warna RGB ke NTSC baik untuk segmentasi citra dengan kontras yang tinggi. 3.Proses identifikasi dikembangkan dengan tiga buah metode. Akurasi penghitungan jumlah bakteri TB terhadap 7 buah citra uji menghasilkan algoritma Support Vector Machine (SVM) adalah 100% lebih baik dibandingkan dengan dua metode lainnya yaitu Jaringan Syaraf Tiruan Propagasi Balik sebesar 57,14% dan Adaptive Neuro Fuzzy Inference System (ANFIS) sebesar 71,43%. Saran : 1.Sistem pencitraan mikroskop untuk identifikasi bakteri tuberkulosis (TB) dibuat auto focus 2.Perangkat lunak disertai medical record khusus tuberkulosis (TB) agar mempunyai kemampuan monitoring bagi penderita tuberkulosis (TB)
6. LAMPIRAN (PHOTO dan LUARAN) Pengujian Pencitraan Mikroskop
6. LAMPIRAN (PHOTO dan LUARAN) Pengujian Pencitraan Mikroskop