Klasifikasi Bakteri Tuberkulosis pada Sampel Dahak Menggunakan K-Nearest Neighbor (K-NN) dan Backpropagation

Sahenda, Lalitya Nindita (2018) Klasifikasi Bakteri Tuberkulosis pada Sampel Dahak Menggunakan K-Nearest Neighbor (K-NN) dan Backpropagation. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07111450050006-Master_Thesis.pdf - Published Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk melakukan klasifikasi bakteri tuberkulosis berdasarkan fitur bentuk bakteri. Citra preparat digital dikonversi dari kanal warna Red, Green, Blue (RGB) ke Hue, Saturation, Value (HSV), kemudian dilakukan operasi morfologi untuk memperbaiki bentuk bakteri. Bakteri dipotong secara otomatis dari gambar digital preparat menggunakan Region of Interest (ROI), potongan bakteri hasil ROI kemudian di skeletonizing untuk mendapatkan bentuk bakteri dengan lebar satu piksel. Langkah selanjutnya dilokalisasi untuk memisahkan bagian yang bukan termasuk bakteri tuberkulosis. Fitur yang digunakan antara lain panjang bakteri, endpoint dengan menerapkan ridge ending dari minutiae, dan percabangan bakteri dengan menerapkan bifurcation dari minutiae. Fitur-fitur tersebut menjadi masukan pada proses klasifikasi. K-NN mampu mengklasifikasi bakteri tunggal dengan akurasi 88.16% dan bakteri rangkap sebesar 88.16%. Backpropagation mampu mengklasifikasi antara bakteri tunggal dengan akurasi 87.28% dan bakteri rangkap dengan akurasi 87.28%. K-Nearest Neighbor (K-NN) mampu mengklasifikasi kelompok preparat kuning dengan akurasi 93.22%, kelompok preparat hijau dengan akurasi 92%, kelompok preparat biru dengan akurasi 90.63% dan kelompok preparat gelap dengan akurasi 75%. Sementara backpropagation mampu mengklasifikasi kelompok preparat kuning dengan akurasi 91.53%, kelompok preparat hijau dengan akurasi 92%, kelompok preparat biru dengan akurasi 92.71%, kelompok gelap dengan akurasi 68.75%. Metode K-NN lebih unggul dalam akurasi klasifikasi pada kelompok preparat kuning, dan kelompok preparat gelap. Dan metode backpropagation lebih unggul pada kelompok preparat biru. Sedangkan dalam kelompok preparat hijau K-NN dan backpropagation memiliki akurasi klasifikasi sama sebesar 92%.Metode K-NN lebih unggul dalam mengklasifikasi jenis bakteri tunggal dan rangkap dari pada metode backpropagation. Sistem ini mampu digunakan sebagai alat bantu bagi dokter dan analis medis untuk mempercepat proses penghitungan bakteri tuberkulosis dan diagnosa pasien tuberkulosis pada bidang kesehatan.========== This study aims to classify tuberculosis bacteria based on the features of bacterial forms. Digital image preparations are converted from RGB color channels to Hue, Saturation, Value (HSV), then morphologic surgery to repair bacterial forms. The bacteria is automatically cut from the digital image of the preparat using Region of Interest (ROI), piece of bacteria resulting from ROI then skeletonizing to obtain bacterial form with a width of one pixel. The next step is localized to separate parts that do not belong to tuberculosis bacteria. Features used include bacterial length, endpoints by applying ridge ending of minutiae, and branch of bacteria by applying bifurcation of minutiae. These features become input to the classification process. K-Nearest Neighbor (K-NN) is able to classify single bacteria with 88.16% and multiple bacteria with 88.16% accuracy. Backpropagation is able to classify between single bacteria with 87.28% and multiple bacteria with 87.28% accuracy. K-NN was able to classify yellow preparat groups with 93.22% accuracy, green preparat group with 92% accuracy, blue preparat group with 90.63% accuracy, and dark preparat group with 75% accuracy. Backpropagation was able to classify yellow preparat groups with 91.53% accuracy, green preparat group with 92% accuracy, blue preparat group with 92.71% accuracy, dark preparat group with 68.75% accuracy. The K-NN method is better in the classification accuracy of the yellow preparat group, and the dark preparat group. And the backpropagation method is better to the blue preparat group. While in the group of green preparat K-NN and backpropagation have the same classification accuracy of 92%. K-NN method is better in classifying single and multiple bacteria types than the backpropagation method.This system can be used as a tool for doctors and medical analysts to speed up the process of calculating tuberculosis bacteria and diagnosis of tuberculosis patients in the health field.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Hue; Saturation; Value (HSV); Region of Interest (ROI); skeletonizing; Minutiae; Backpropagation
Subjects: Q Science > Q Science (General) > Q325.78 Back propagation
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Electrical Technology > Electrical Engineering > (S2) Master Theses
Depositing User: LALITYA NINDITA SAHENDA
Date Deposited: 24 Jul 2018 04:04
Last Modified: 24 Jul 2018 04:04
URI: http://repository.its.ac.id/id/eprint/52177

Actions (login required)

View Item View Item