Deteksi Plasmodium berghei Pada Mencit Menggunakan Faster R-CNN

Pediyanti, Mastri Cahyaningtyas (2023) Deteksi Plasmodium berghei Pada Mencit Menggunakan Faster R-CNN. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 6009202002-Master_Thesis.pdf] Text
6009202002-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 January 2025.

Download (2MB) | Request a copy

Abstract

Malaria merupakan suatu jenis penyakit yang disebabkan oleh parasit Plasmodium dan ditransmisikan melalui nyamuk Anopheles betina dan menjadi salah satu penyakit mematikan pada manusia. Berbagai jenis vertebrata juga dapat berfungsi sebagai inang untuk parasit malaria dan salah satunya adalah mencit. Salah satu jenis parasit malaria yang dapat menginfeksi mencit adalah Plasmodium berghei. Penelitian mengenai infeksi Plasmodium berghei pada mencit banyak dilakukan sebagai bahan uji coba infeksi Plasmodium falciparum pada manusia. Metode deteksi Plasmodium berghei yang paling konvensional adalah mikroskop cahaya. Namun kekurangan dari metode ini adalah membutuhkan waktu sekitar 20 hingga 30 menit untuk menganalisis satu preparat darah, dan hasil analisis bergantung pada kemampuan dan ketelitian dari tenaga ahli yang mengamati. Tujuan dari penelitian ini adalah menghasilkan metode deteksi Plasmodium berghei pada citra apusan mencit secara cepat dan akurat dengan menggunakan metode Faster R-CNN. Citra apusan darah diambil menggunakan kamera mikroskop, kemudian dilakukan tahapan pra pemrosesan citra yang terdiri atas proses resizing, filtering, dan data augmentasi. Data yang telah melalui tahapan pra pemrosesan citra akan dilabel ke dalam tiga kelas, yaitu kelas “infected”, “red blood cell (RBC)”, dan “others”. Jumlah dataset untuk kelas “RBC” sekitar 34.000 sel, kelas “infected” sekitar 8.000 sel, dan kelas “others” sekitar 700. Arsitektur backbone yang digunakan adalah AlexNet, dengan 75 layer konvolusi dan jumlah epoh sebesar 500, serta kombinasi metode Adam dan SGD sebagai metode optimasi dengan nilai learning rate 0.00001. Penelitian ini memberikan nilai rata-rata akurasi sebesar 93.31%, presisi sebesar 90.68%, dan sensitivitas sebesar 83.54%. Perhitungan spesifisitas dengan menggunakan dua kelompok kontrol, yaitu citra apusan sel darah merah sebagai kelompok kontrol pertama dan citra apusan darah yang terinfeksi Plasmodium vivax sebagai kelompok kontrol kedua, memberikan hasil sebesar 96.77% untuk kelompok kontrol pertama dan 90.32% untuk kelompok kontrol kedua.
==============================================================================================================================
Malaria is a type of disease caused by Plasmodium parasites and transmitted through female Anopheles mosquitoes and becoming one of the deadliest diseases in humans. Various types of vertebrates can also serve as hosts for malaria parasites and one of them is mice. One type of malaria parasite that can infect mice is Plasmodium berghei. Research on Plasmodium berghei infection in mice has been done as a test material for Plasmodium falciparum infection in humans. The most conventional Plasmodium berghei detection method is light microscopy. However, this method takes about 20 to 30 minutes to analyze one blood sample, and the results depend on the ability and accuracy of the expert. The aim of this study was to develop a Plasmodium berghei detection method on mice blood smear images quickly and accurately using the Faster R-CNN method. The blood smear image was taken using a microscope camera, then the pre-processing stage was carried out which consisted of the resizing process, filtering, and data augmentation. Data that had been through the image pre-processing stage will be labeled into three classes, namely "infected" class, "red blood cell (RBC)" class, and “others” class. The number of datasets for the "RBC" class is around 34,000 cells, the "infected" class is around 8,000 cells, and the "others" class is around 700. The backbone architecture used was AlexNet, with 75 convolution layers and 500 epochs, and the combination of Adam and SGD methods as an optimization method with a learning rate value of 0.00001. This study gives an average value of accuracy of 93.31%, precision of 90.68%, and sensitivity of 83.54%. Specificity calculations using two control groups, red blood cell smear images as the first control group and Plasmodium vivax blood smear images as the second control group, gave results of 96.77% for the first control group and 90.32% for the second control group.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Malaria, Plasmodium berghei, Faster R-CNN, Citra apusan darah mencit
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User: Mastri Cahyaningtyas Pediyanti
Date Deposited: 26 Jan 2023 04:10
Last Modified: 26 Jan 2023 04:10
URI: http://repository.its.ac.id/id/eprint/95649

Actions (login required)

View Item View Item