KLASIFIKASI STADIUM TROPHOZOITE, SCHIZONTS, GAMETOCYTER PADA SEDIAAN DARAH PLASMODIUM FALCIPARUM DENGAN PENDEKATAN SUPPORT VECTOR MACHINE

Progresif, Vol. 6, No. 2, Agustus 2010 : 641-686

ISSN 0216-3284

KLASIFIKASI STADIUM TROPHOZOITE, SCHIZONTS, GAMETOCYTER PADA SEDIAAN DARAH PLASMODIUM FALCIPARUM DENGAN PENDEKATAN SUPPORT VECTOR MACHINE Ruliah ABSTRAK Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup. Faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morphology parasit dan faktor kelelahan mata dalam melihat morphology, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan. Morphology Plasmodium Falciparum dibagi menjadi tiga stadium besar; Trophozoites, Schizonts dan Gametocyter. Dari hasil penelitian dibidang kesehatan menunjukkan, ditemukannya Schizonts dalam darah tepi menunjukkan keadaan infeksi berat sehingga merupakan indikasi untuk tindakan pengobatan cepat. Penelitian ini bertujuan untuk mengidentifikasi tiga bentuk stadium parasit malaria Plasmodium Falciparum pada citra digital preparat darah yang terindikasi mengandung parasit tersebut. Sebelum melakukan proses identifikasi, langkah pertama dari prosedur analisis yang dilakukan pada penelitian ini adalah melakukan pemisahan objek dengan menggunakan metode segmentasi k-mean clustering. Langkah kedua, melakukan ekstraksi ciri terhadap citra data yang akan diuji. Ekstraksi ciri yang digunakan sebagai masukkan pada sistem yang akan dibangun pada penelitian ini menggunakan ciri warna. Langkah terakhir adalah melakukan uji identifikasi mengidentifikasi tiga bentuk stadium parasit malaria plasmodium falciparum menggunakan Support Vector Machine (SVM) multiclass metode ones against ones. Hasil dari penelitian ini menggunakan ciri warna sebagai ciri masukannya dan identifikasi menggunakan SVM dapat memberikan tingkat keberhasilan sebesar 93,33 % data citra dengan benar. Kata Kunci : Malaria, Morphology Plasmodium Falciparum, k-mean clustering, SVM multiclass metode ones against ones

1.

Pendahuluan

Malaria merupakan penyakit yang diakibatkan oleh parasit yang tergolong dalam filum Apicomplexa, kelas Sporozoa, ordo Haemosporida, suku Plasmodidae, dan genus Plasmodium. Dari 20 spesies Plasmodium, hanya empat spesies diantaranya yang dapat menginfeksi manusia, yaitu Plasmodium Falciparum, Plasmodium Vivax, Plasmodium Ovale, dan Plasmodium Malariae [1]. Namun kasus malaria yang banyak ditemukan di Indonesia hanya spesies Plasmodium Falciparum, Plasmodium Vivax dan Mix (Plasmodium Falciparum dan Plasmodium Vivax berada dalam satu sample darah). Plasmodium Falciparum rentan menimbulkan kematian 641

[2]. Pola identifikasi yang selama ini dilakukan secara konvensional yaitu dengan menemukan parasit secara mikroskopis pada sediaan darah. Identifikasi malaria secara mikroskopis membutuhkan keahlian khusus dan pengalaman analis kesehatan yang cukup, karena faktor kesalahan yang terjadi dapat berupa ketidakmampuan dalam mengenal morphology parasit dan faktor kelelahan mata dalam melihat morphology, hal ini dapat memberikan dampak kesalahan diagnosis yang cukup signifikan [3]. Diperlukan human computer interaction untuk membantu pekerjaan analisis tersebut. Penelitian yang berkaitan dengan parasit malaria dan melibatkan perkembangan teknologi dalam bidang


komputer adalah tentang pengenalan Parasit Plasmodium Falciparum dalam darah dengan judul “A Neural Network Architecture for Automated Recognition of Intracellular Malaria Parasites in Stained Blood Films” [4]. Sebagai data pelatihan digunakan 50 segmen citra yang terinfeksi parasit malaria Plasmodium Falciparum pada cyclus ring dan 50 segmen citra darah yang tidak terinfeksi. Metode Back Propagation jaringan syaraf tiruan digunakan untuk mengenali keberadaan ada atau tidaknya Plasmodium Falciparum pada sediaan darah hasil capture dari mikroskop. Tujuan dari penelitian ini adalah mengidentifikasi sediaan darah terinfeksi parasit malaria atau tidak. Performance yang dihasilkan cukup signifikan, namun masih mempunyai biaya komputasi yang tinggi. Dari hasil penelitian tersebut, belum dilakukan secara spesifik klasifikasi atau identifikasi terhadap Morphology Plasmodium Falciparum. Morphology Plasmodium Falciparum dibagi menjadi tiga stadium besar; Trophozoite, Schizonts dan Gametocyter. Dari hasil penelitian dibidang kesehatan menunjukkan, ditemukannya Schizonts dalam darah tepi menunjukkan keadaan infeksi berat sehingga merupakan indikasi untuk tindakan pengobatan cepat [2] . Dimana stadium Trophozoite yaitu parasit dalam proses pertumbuhan, Stadium Shizont yaitu parasit dalam proses pembiakan dan Gametocyter yaitu parasit dalam proses pembentukan kelamin.[2]. Pola yang dilihat pada identifikasi secara mikroskopis, tidak hanya pada perubahan teksture, namun juga dipengaruhi oleh unsur warna dari masing-masing plasmodium. [1] , melakukan identifikasi parasit malaria pada Plasmodium Falciparum menggunakan Learning Vector Quantization (LVQ) dengan empat hidden neuron. Hasil yang dicapai pada 642

ISSN 0216-3284

penelitiannya menunjukkan bahwa ciri warna dapat memberikan tingkat keberhasilan yang lebih tinggi dibanding ciri histogram. JST LVQ dengan input ciri warna berhasil mengidentifikasi 91,67% data citra dengan benar dan 81,25% berhasil diidentifikasi dengan benar dengan ciri statistik histogram sebagai ciri masukannya. Pada kasus identifikasi Plasmodium Falciparum dilapangan, sebaran data pada citra yang dihasilkan dari Sedian Darah dominan mempunyai sebaran data yang tidak linear. Sehingga memerlukan sebuah metode yang proporsional bekerja pada problem non linier. 2. Disain Sistem

Gambar 1. Diagram blok penelitian

2.

Preprocessing Proses preprocessing sebelum proses klasifikasi melalui 2 tahapan, yaitu segmentasi warna dan ekstraksi cirri. Segmentasi dilakukan untuk memisahkan unsur warna berdasarkan intensitas warna. Hal ini didasarkan


bahwa dalam tiap obyek plasmodium mempunyai perbedaan warna, sehingga ciri warna yang akan diambil pada saat ekstraksi ciri pada proses berikutnya.

Gambar 2. Flowchart proses k-means clustering Berikut ini adalah hasil segmentasi warna plasmodium menggunakan jumlah cluster 3, dan sudah diambil hasil cluster terbaik dari 2 hasil cluster lainnya.

ISSN 0216-3284

berada dalam ruang warna RGB. Proses ekstraksi cirri dapat digambarkan dengan proses berikut :

Gambar 4. Proses ekstraksi ciri Tiap citra hasil ekstraksi ciri mempunyai ukuran data vector matrik 1 x 50. Proses berikutnya melakukan proses pelatihan menggunakan SVM multiclass metode ones against ones 3. Identifikasi Mengggunakan SVM

(a) (b) (a) Citra plasmodium sebelum cluster (b) (b) citra plasmodium hasil cluster Gambar 3. Hasil proses Kmeans clustering Hasil cluster terbaik selanjutnya diekstraksi untuk mendapatkan rata-rata nilai maksimum dari komponen warna R, G dan B. Hasil cluster menggunakan kmeans 643

Data pelatihan yang sudah diekstraksi ciri, selanjutnya menjadi data pelatihan SVM. SVM mempunyai dasar klasifikasi 2 kelas (biner). Karena klasifikasi yang dilakukan pada penelitian ini menggunakan 3 kelas, yaitu Throphozoite, Schizonts dan Gametocyter sehingga jumlah SVM biner dihitung menggunakan rumus k (k+1) / 2 ; (k adalah jumlah kelas) dan menghasilkan 3 buah SVM biner. SVM biner yang pertama terdiri dari, Trophozoite sebagai kelas 1 dan Schizonts sebagai kelas -


1, dan seterusnya seperti yang ditunjukkan pada tabel 1. Tabel 1. Tiga buah SVM biner dengan metode ones against ones

ISSN 0216-3284

Sejumlah support vector pada setiap data pelatihan harus dicari untuk mendapatkan solusi bidang pemisah terbaik. Persoalan solusi bidang pemisah terbaik dapat dirumuskan : l

Q(α ) = ∑α i − i =1

rr 1 l α iα j yi y j xi x j ∑ 2 i ,i =1

…….(2)

Subject to : α i ≥ 0 (i = 1,2,..., l )

Untuk setiap SVM biner, dimulai dari SVM biner yang pertama sampai dengan SVM biner yang ketiga, akan melalui proses pemetaan ke feature space menggunakan kernel RBF, mencari sejumlah data pelatihan apakah memiliki nilai alpha > 0 hal ini untuk mendapatkan data pelatihan tersebut sebagai support vector atau tidak. Dan yang proses yang terakhir untuk mendapatkan nilai bias. Sehingga solusi bidang pemisah terbaik dapat ditemukan. Proses tersebut dapat dijabarkan sebagai berikut : Salah satu metode yang digunakan SVM untuk mengklasifikasikan data yang mempunyai sebaran data non linier adalah dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space), sehingga dapat dipisahkan secara linier pada feature space. Karena feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Hal ini mengakibatkan komputasi pada feature space sangat besar, karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga. Maka pada SVM digunakan ”kernel trick”. Fungsi kernel yang digunakan pada penelitian ini adalah Radial Basis Function (RBF) [14] K(xi,x) = exp ( - γ|xi – x|2), γ > 0

644

….(1)

l

∑α y i =1

i

i

=0

r Data xi yang berkorelasi dengan αi > 0 inilah yang disebut sebagai support vector. Dengan demikian, dapat diperoleh nilai yang nantinya digunakan untuk menemukan w. Solusi bidang pemisah didapatkan dengan rumus w =Σαiyixi ; b = yk- wTxk untuk setiap xk , dengan αk≠ 0[13]. Proses tersebut berulang untuk setiap SVM biner. Setelah proses pelatihan selesai dilakukan, maka dilanjutkan dengan proses pengujian. Proses pengujian atau klasifikasi dilakukan juga pada setiap SVM biner menggunakan nilai alpha dan bias yang dihasilkan pada proses pelatihan di setiap SVM biner. Fungsi yang dihasilkan untuk proses pengujian adalah : ns

f(xd)=

∑

αiyi K(xi,xd) + b ..(3)

i =1

(xi = support vector; xd = data pengujian) Jika f(xd) ≥ +1 maka kelas untuk xd adalah +1, dan jika f(xd) ≤ -1 maka kelas untuk xd adalah -1. Setelah keseluruhan k (k − 1) / 2 model klasifikasi selesai dibangun, terdapat beberapa metode untuk melakukan


pengujian. Salah satunya adalah metode vooting (14).

ISSN 0216-3284

pelatihan dan 5 sample sebagai data pengujian yang disimpan pada folder tertentu.

Tabel 2. Distribusi data pelatihan dan data pengujian

Gambar 5. Proses vooting menggunakan diagram klasifikasi SVM metode ones againts ones Pada gambar 5 jika data x dimasukkan ke dalam fungsi hasil pelatihan pada persamaan berikut : f(x)=(wij)Tφ(x)+b

…………....(4)

dan hasilnya menyatakan x adalah kelas i, maka suara untuk kelas i ditambah satu. Kelas dari data x akan ditentukan dari jumlah suara terbanyak. Jika terdapat dua buah kelas yang jumlah suaranya sama, maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data. Jadi pada pendekatan ini terdapat k (k − 1) / 2 buah permasalahan quadratic programming yang masing-masing memiliki 2n / k variabel (n adalah jumlah data pelatihan). 4. Hasil dan Pembahasan Data yang digunakan pada penelitian ini data sample darah yang terdeteksi mengandung parasit malaria Plasmodium Falciparum yang mengandung morphology stadium Trophozoite , Schizont atau Gametocyter , masing masing kelas 15 sample untuk dilakukan identifikasi dengan pembagian 10 sample sebagai data 645

Tiap data citra mempunyai dimensi 50 x 50 pixel. Data pelatihan dan pengujian melalui tahapan proses seperti pada blok diagram penelitian gambar 1. Setelah melalui tahapan segmentasi dan dipilih hasil cluster terbaik, Tiap data citra hasil cluster kemudian diekstraksi ciri untuk diambil rata-rata nilai maksimum dari komponen warna RGB. Hasil ekstraksi ciri tiap data citra hasil cluster mempunyai ukuran dimensi 1x50. Seluruh data pelatihan selanjutnya disusun berdasarkan komposisi data pelatihan untuk 3 SVM biner. SVM biner pertama mempunyai dimensi data vector matriks 20 x 50 untuk 10 data tropozoite dan 10 data shcizont, SVM biner kedua mempunyai dimensi data vector matriks 20 x 50 untuk 10 data tropozoite dan 10 data gametocyte, dan yang terakhir SVM biner ketiga mempunyai dimensi data vector matriks 20 x 50 untuk 10 data Shcizont dan 10 data gametocyte, Setiap Sampel baik data uji maupun data pelatihan yang diproses menggunakan SVM


Biner dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. Target dari hasil pelatihan ini adalah mencari Hyperplane terbaik pada masing-masing SVM biner, yang akan digunakan untuk mengidentifikasi setiap data uji, apakah berada dikelas -1 atau +1. Setiap data pelatihan mempunyai nilai alpha yang dicari menggunakan quadratic programming. Nilai alpha tersebut menentukan apakah setiap data pelatihan sebagai support vector atau bukan. Nilai alpha yang melebihi threshold yang telah ditentukan itulah yang dapat dikatakan sebagai support vector. Pada peneltian ini digunakan threshold alpha > 1e-5. Seperti halnya data pelatihan yang disusun menjadi 3 buah SVM biner. maka untuk mengklasifikasi data uji, setiap data uji tersebut diproses dalam setiap SVM biner. Setiap sampel data uji dinormalisasi terlebih dahulu sehingga seluruh nilai pixel diantara -1 dan 1. dan selanjutnya dipetakan ke fiture space menggunakan kernel RBF. Proses pengujian mengikuti rumus 3. untuk menentukan apakah hasil dari rumus tersebut bernilai negative atau positive. Jika hasilnya adalah negative maka data uji tersebut berada pada kelas -1 dan jika hasilnya positive maka data uji tersebut berada pada kelas +1. Pembagian label +1 dan -1 untuk data pada setiap SVM biner dapat ditunjukkan pada tabel 3. Tabel 3. Pembagian label untuk data pelatihan

Jika kelas +1 adalah lebel untuk Trophozoite dan kelas -1 adalah lebel untuk Schizonts, sedangkan hasil dari SVM biner tersebut bernilai positive, maka hasil klasifikasi untuk kelas SVM biner tersebut adalah Trophozoite atau nilai voting Trophozoite 646

ISSN 0216-3284

bertambah 1. Setelah data uji tersebut diproses pada masing-masing SVM biner, maka hasil pengujian akhir mengikuti metode ones against ones SVM multiclass. Penentuan suatu data uji masuk dalam kelas Trophozoite atau Schizonts atau Gametocyter, yaitu dengan melakukan voting dari hasil seluruh SVM biner. Tabel 4. Hasil pengujian Trophozoites pada tiap SVM Biner

Tabel 4. menunjukkan hasil pengujian sebuah data uji yang diproses pada SVM biner 1, SVM biner 2 dan SVM biner3. Jika pada SVM biner 1, suatu data uji dinyatakan sebagai Trophozoite, di SVM biner 2 dinyatakan sebagai Trophozoite dan di SVM biner 3 dinyatakan sebagai Gametocyte, maka nilai voting untuk data uji tersebut yang terbanyak adalah Trophozoite. Dan hasil identifikasi akhir/hasil voting dari data uji tersebut dinyatakan sebagai Trophozoite. Hasil keseluruhan pengujian dapat dilihat pada tabel berikut : Tabel 5. Hasil pengujian seluruh data uji pada tiap SVM biner

Progresiff, Vol. 6, No. 2, Agustus 2010 2 : 641-68 86

ISSN 0216--3284

Tabel 6. Tingkkat akurasi hasil identiffikasi Plassmodium Falciparum

Hassil Identtifikasi Hasil Identifikaasi Benar

Hasil akurassi identifikaasi 93.33% H % didapatkaan setelah melalui m bebberapa tahapp proses pelatihan untuk mendapatkan m n hyperplaane terbaik. Gambar plot prosess pelatihann untuk mendapatkaan akurasii 93.33% yang diamb bil dari proses mathlabb ditunjukkkan pada gam mbar berikutt ini :

100

100

T Tropozoite

S Shcizont

80

93.333

Gam metocyte Rataa‐rata

mbar 7. Grafik Batang Tin ngkat Gam Aku urasi Hasill Identifikaasi Plasmodium Falcciparum

5. Kesimpulaan

Gam mbar 6. Gamb bar proses peelatihan dan penggujian dengaan nilai akurrasi 93,33% pada pelatihan ke 20 2 Hasil akkurasi pengu ujian dapat ditunjukkann pada tabbel dan gaambar diagrram batangg berikut:

647

Berddasarkan ujji coba dan analisis hasil penggujian terhhadap Sisttem Identiffikasi Plassmodium falciparum fa Dalam Saample Daraah Mengggunakan Support S V Vector Macchine, dapat disimpulkann sebagai berrikut: 1. Tahapan T p penelitian y yang dilakkukan m meliputi penngolahan citra digital untuk u m mengkonver rsi ruang warna w citra dari R RGB ke CIIE Lab. Dillanjutkan deengan p proses segm mentasi citra menggunakkan km mean clusteering. Prosess terakhir addalah p pelatihan daan identifikaasi menggunnakan s support vecttor machine. 2. Data D citra yang digunakan cukup c t terbatas yaittu 45 citra paarasit, terdirri dari 15 citra Tropphozoites, 155 citra Schizzonts¸ 15 citra Gaametocyter pada percoobaan p pertama dann 90 citra paarasit, terdirii dari 3 citra Tropphozoites, 300 citra Schizzonts¸ 30 3 citra Gaametocyter pada percoobaan 30 k kedua. Hal ini dikarennakan data yang


digunakan disesuaikan dengan data penelitian sebelumnya yang diunduh dari http://www.dpd.cdc.gov dan Data pada penelitian ini berdasarkan data validasi yang sudah didapat pada Balai Laboratorium Kesehatan, Propinsi Kalimantan Selatan. 3. Segmentasi menggunakan k-means clustering dilakukan dengan nilai k = 3 (k adalah jumlah cluster). Pada eksperimen yang telah dilakukan dengan menambah nilai k pada kelompok sampel ini, objek akan ikut tereduksi dengan warna objek lainnya sehingga objek akan rusak / hilang bila diberi nilai k yang lebih besar dari 3. Sehingga jumlah cluster dengan nilai k=3, pada penelitian ini mempunyai hasil segmentasi yang lebih baik untuk meningkatkan akurasi identifikasi. 4. Pada proses ekstraksi ciri, ciri warna yang dipakai adalah rata-rata nilai maksimum dari komponen warna RGB dan dapat mengenali pola pada citra parasit plasmodium falciparum dengan rata-rata tingkat akurasi keberhasilan sebesar 93.33%, 5. Tingkat akurasi hasil identifikasi setiap jenis plasmodium falciparum menggunakan Support Vector Machine yaitu Throphozoites (100 %), Schizonts (100%), Gametocyter (80%). Rata-rata akurasi hasil identifikasi keseluruhan sebesar 93.33 %. Hasil identifikasi plasmodium falciparum pada penelitian sebelumnya yang mencapai 91.76% dapat ditingkatkan menjadi 93.33% menggunakan pendekatan Support Vector Machine.

ISSN 0216-3284

6. Daftar Pustaka [1].

[2]. [3]. [4].

[5].

[6].

[7].

[8].

648

Iis Hamsir Ayub, Adhi Susanto, and Litasari, 2008. Classfication of Plasmodium Falciparum using Learning Vector Quantization Neural Network. BME Day 2008, Surabaya : 17 Departemen Kesehatan RI, 1991, Pemeriksaan Parasit Malaria Secara Mikroskopik, hal : 45 : 49, Jakarta Muslim, 2009, Parasitogi untuk Keperawatan, EGC, Jakarta Premaratne, SP., Nadira Dharshani Karunaweera., Shyam Fernando, W. Supun R. Parera., and R.P. Asanga S Rajapahaksa, 2006. A Neural Network Architecture For Automated Recognition of Intracelluler Malaria Parasites in Staned Blood Film. HYPERLINK "http://www.lanka.com.Ik" http://www.lanka.com.Ik . Qussay A. Salih., Abdul Rahman Ramli., Rozi Mahmud, dan Rahmita Wirza, 2004. 3D Visualization For Blood Cells Analysis Versus Edge Detection, The internet Journal of Medical Technologi. Nursuprianah, Indah., 2005. Suatu Model Matematika Dinamika Parasit Malaria Dalam Tubuh Manusia, Bandung , ITB Central Libarary Stivala, David, Alexander,2008, Computational Gene Finding in the Human MalariaParasite Plasmodium vivax, University Libarary Digital Repository , Melbourne. Bastian, Olivier, 2006. Developpments Theoriques et Methods Numeriques Pour Les Analysys Comparatives de Genomes Et Proteomes Biaises Application A La Comparaison des Genmes et


[9].

[10]. [11]. [12].

[13].

[14]. [15].

[16].

[17].

[18].

649

Proteomes de Plasmodium Falciparum et D’arabidopsis Thaliana, Tehes Doctuer De L’Universite Joseph Fouir. Widiastuti, Sri., 2006, Penggunaan Jaringan Syaraf Tiruan untuk Prediksi Pengambilan Tindakan Medis Pasien Berdasarkan Diagnosis Klinis. Tesis. Teknik Elektro. Universitas Gajah Mada. Hendriyono, 2009 , Malaria , Banjarmasin, Fakultas Kedokteran Nalwan, A. 1997. Pengolahan Gambar Secara Digital, Elek Media Komputindo, Jakarta. Nugroho, Anto Satriyo, 2008, Support Vector Machine, PTI & Komunikasi BPP Teknologi, Bandung Nugroho, Anto Satriyo., Witarto, Budi Arief, Handoko, Dwi., 2003, Support Vector Machine – Teori dan Aplikasinya Dalam Bioinformatika, BPP, Technologi. Sembiring, Krisantus., 2007, Tutorial SVM Bahasa Indonesia, Bandung, Teknik Informatika ITB. Hsu, Chih-Wei, Chih-Jen Lin, 2002. A Comparison of Methods for Multiclass Support Vector Machine, IEEE Transactions on Neural Networks. Angulo, Jesus and Georges Flandrin, 2005 , Microscopic image analysis using mathematical morphology: Application to haematological cytology, Science, Technology and Education of Microscopy Mixer, F.Mark , 2004 . Blood and Tisuue Protozoa, Departement of Tropical Medicine School of Public Health Hsu, Chih-Wei et al. 2004, A Practical Guide to Support Vector Classfication, Department of

ISSN 0216-3284

[19].

[20].

[21].

[22].

[23].

[24].

[25].

[26].

Computer Science and Information Engineering, National Taiwan University, Taiwan. Michael, Biehl ,. Anarto, Ghosh, Barabara, Hammer, .2007, Dynamic and Generalization Ability of LVQ Algorithms, MIT.Press Xiang, Sean, Zhou,. Thomas, S, Huang, 2001, Comparing Discrimating Transformations and SVM for Learning During Multimedia Retrievel, ACM Sergio, Herrero et , . 2007, Parallel Multiclass Classfication Using on GPUs, USA, Massachusetts Institute of Technology. Lin , Pei-Yi, Hao, . and Yen-Hsiu, 2006, A New Multi-Class Support Vector Machine with Multi-Sphere in the Feature Space, Taiwan, National Cheng King University Tainan. Nugroho, Antro, Satriyo,. 2000, Support Vector Machine, Bandung, Pusat Teknologi Informasi & Komunikasi, BPP Teknologi Outtara, Y., S. Sanon. Y. Traore, V. Mahiou, N. Azas and L. Sawadogo, 2006. Antimalarial Activity of Swartzia Madagascariensis Desv. (Leguminosae), Combretum glitinosum Guill. & Perr.(Combretaceae) and Tinospora bakis Miers.(Menisspermae), Burkina Faso Medicinal Plants, Fr, J. Tras. 3(1): 75-81. Prasetyorini Nurul, 2008, Aktivitas Ekstrak Herba Sambiloto, Daun Pepaya, dan Buah Pare-pare Terhadap Plasmodium Falciparum, Bandung , ITB Central Libarary Santoso, Budi., 2007, Data Mining, Teknik Pemanfaatan Data untuk Keperluan Bisnis, Surabaya, Graha Ilmu.


[27].

Santoso, Budi, 2007, Data Mining Terapan dengan MatLab , Surabaya, Graha Ilmu. [28]. T.Sutoyo, Edy Mulyanto, et al. , 2009, Teori Pengolahan Citra Digital, Semarang, Andi Offset [29]. Siang, Jong Jek,. Jaringan Syaraf Tiruan, 2004, Yogyakarta, Andi Offset. [30]. Mauridhi, Hery, Purnomo,. Agus, Kurniawan., 2006, Supervised Neural Network dan Aplikasinya, Surabaya, Graha Ilmu. [31]. Sugiharto, Aris., Pemrograman GUI dengan MalLab, 2006, Semarang, Andi Offset [32]. Projono, Marvin, Sh. Wijaya & Agus, 2007, Pengolahan Citra Digital Menggunakan MatLab, Bandung, Informatika [33]. Markos ,Papadonikolakis, ChristosSavvas Bouganis,. 2010, A Heterogeneous FPGA Architecture for Support Vector Machine Training, IEEE Annual International Symposium on Field Programmable Custom. [34]. Changlin ,Wang, Yimei ,Song,.2010, Support Vector Machine for Mechanical Faults Diagnosis, International Conference on Measuring Technologgy and Mechatronies Automation. [35]. Chaobin, Liu1, Yuexiang, Yang1, Chuan, Tang2,. 2010, An Improved Method for Multi-class Support Vector Machines, International Conference on Measuring Technologgy and Mechatronies Automation [36]. Victor, Osamor, & Ezekiel, Adebiyi,. 2009, Comparative Functional Classification of Plasmodium falciparum Genes Using kmeansClustering, International Association of Computer Science 650

ISSN 0216-3284

and Information Technology- Spring Conference. Penulis: Dra. Hj. Ruliah S., M.Kom. Dosen Tetap Yayasan Mandiri pada STMIK BANJARBARU

KLASIFIKASI STADIUM TROPHOZOITE, SCHIZONTS, GAMETOCYTER PADA SEDIAAN DARAH PLASMODIUM FALCIPARUM DENGAN PENDEKATAN SUPPORT VECTOR MACHINE

Recommend Documents