Sistem pengklasifikasian pintar untuk jenis parasit malaria

• Main Author: Siti Nurul Aqmariah, Kanafiah
• Format: Thesis
• Language: other
• Published: Universiti Sains Malaysia (USM) 2016
• Subjects: Malaria; Protozoa; Genus plasmodium; Parasit Malaria; Sistem Pengklasifikasian Pintar
• Online Access: http://dspace.unimap.edu.my:80/xmlui/handle/123456789/40856

Malaria adalah disebabkan oleh parasit protozoa daripada genus plasmodium. Tanda-tanda jangkitan yang biasa termasuklah demam, menggigil, sakit otot dan sakit kepala. Pada masa kini, dua kaedah diagnosis secara manual oleh pakar mikrobiologi dipraktikkan ke atas sampel palitan darah nipis bagi mengenalpasti jenis-jenis parasit malaria, iaitu kaedah mikroskopik dan tanpamikroskopik. Namun, terdapat kelemahan pada kedua-dua kaedah ini seperti ia hanya boleh dijalankan oleh pakar mikrobiologi sahaja disebabkan oleh proses mentafsir dan menilai slaid palitan darah nipis secara tepat memerlukan kemahiran yang tinggi. Justeru, penggunaan sistem pintar berasaskan teknologi pemprosesan imej dan rangkaian neural dibina bagi mengklasifikasikan tiga jenis parasit malaria iaitu Plasmodium falciparum (PF), Plasmodium malariae (PM) dan Plasmodium vivax (PV). Pembangunan sistem pengklasifikasian ini terbahagi kepada tiga peringkat utama. Pada peringkat pertama, proses peruasan diimplemenkan ke atas imej palitan darah nipis yang terbahagi kepada dua fasa. Pada Fasa 1, peruasan tertumpu kepada peruasan sel darah merah (SDM) dan latar belakang imej dengan menggunakan gabungan teknik kaedah Otsu, pengisian lubang dan pengecutan artifak. Pada Fasa 2, algoritma pembentukan sel berasaskan jejari (RCF) direkabentuk, khusus bagi mengasingkan SDM bertindih kepada SDM tunggal yang terbukti mampu mengekalkan saiz dan bentuk setiap SDM tunggal yang dipisahkan. Kemudian, teknik pengambangan diaplikasikan bagi meruas imej kepada dua ruas iaitu parasit malaria dan SDM. Pada peringkat kedua, proses pengekstrakan ciri dilaksanakan iaitu pengiraan saiz SDM dan penentuan bentuk parasit malaria menggunakan teknik momen Hu. 15 ciri telah berjaya diekstrak iaitu nisbah saiz SDM yang dijangkiti terhadap SDM normal, 7 ciri momen Hu berasaskan saiz dan 7 ciri momen Hu berasaskan perimeter. Pada peringkat terakhir, semua ciri tersebut digunakan sebagai data masukan kepada rangkaian neural MLP untuk tujuan proses pengklasifikasian. Dengan menggunakan rangkaian neural MLP yang dilatih menggunakan algoritma pembelajaran aturan Bayesian, prestasi sistem yang dibina adalah 99.68% pada fasa latihan dan 99.52% pada fasa ujian. Oleh itu, dapat disimpulkan bahawa sistem yang dicadangkan berkeupayaan tinggi dan sesuai digunakan untuk pengklasifikasian jenis-jenis parasit malaria.