Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018

ISSN (Cetak) 2527-6042

eISSN (Online) 2527-6050

EKSTRAKSI FITUR (BENTUK DAN TEKSTUR) PADA SEL

DARAH MERAH PENDUDUK INDONESIA UNTUK
MENGENALI SPESIES DAN FASE PARASIT MALARIA
Lusiana Agustien*1, Hendrawan Armanto2, Lukman Zaman3
Teknologi Informasi, Sekolah Tinggi Teknik Surabaya

Kontak Person:
Lusiana Agustien
Sekolah Tinggi Teknik Surabaya
E-mail: lusi@aknsumenep.ac.id

Abstrak
Malaria adalah penyakit reemergin, yaitu penyakit yang menular kembali secara massal, penyakit ini ditularkan oleh
nyamuk Anopheles dan banyak dijumpai di daerah tropis. Di Indonesia Sejak tahun 2000 kematian akibat malaria secara
global telah menurun. Pola identifikasi yang dilakukan selama ini dengan menentukan parasit pada citra microscopis
sediaan darah tipis memerlukan keahlian khusus dan pengalaman analisis yang cukup mumpuni, karena sedikit saja terjadi
kesalahan akan memberikan dampak kesalahan diagnosis yang cukup signifikan. Dalam penelitian ini akan dilakukan proses
ekstraksi fitur bentuk dan tekstur untuk mengenali spesies dan fase dalam penyakit malaria menggunakan. k-means
clustering dan Naïve bayes classifier untuk fitur tekstur dan Untuk fitur bentuk menggunakan fungsi regionprops dengan fitur
– fitur yang akan digunakan antara lain area, centroid, boundingBox, eccentricity, equivDiameter. Objek citra yang akan
digunakan dalam penelitian ini adalah spesies Plasmodium Malariae, Plasmodium Falciparum, Plasmodium Vivax dan
Plasmodium Viva. Menggunakan data sebanyak 60 Citra preparat darah, masing – masing 15 citra preparat untuk setiap
spesies. Hasil dari penelitian in Ekstraksi fitur tekstur menggunakan GLCM dengan empat parameter dan ekstraksi fitur
bentuk menggunakan fungsi regionprops dengan empat parameter tidak dapat mengekstraksi jenis dan fase parasit malaria
dengan baik pada objek sel darah dengan backgroud-nya yang tidak homogen.

Kata kunci: Ekstraksi Fitur, Malaria, GLMC, Regionprops

1. Pendahuluan
Malaria dinilai sebagai salah satu penyakit menular yang menjadi masalah dalam masyarakat,
hal ini didasari bahwa penyebaran malaria tidak mengenal batas wilayah administrasi dan Penyakit
Malaria memiliki dampak kepada penurunan kualitas sumber daya manusia yang dapat menimbulkan
berbagai masalah sosial, ekonomi, bahkan berpengaruh terhadap ketahanan nasional [1]. malaria
merupakan salah satu masalah kesehatan masyarakat karena dapat menyebabkan kematian terutama
pada kelompok risiko tinggi yaitu bayi, balita dan ibu hamil [2].
Sampai saat ini di Indonesia terdapat 4 macam (spesies) parasit malaria yaitu Plasmodium
Malariae, Plasmodium Falciparum, Plasmodium Vivax, Plasmodium Vivax. Dengan masing-masing
parasit yang memiliki tigastadium, yaitu stadium Tropozoit, Stadium Skizon dan Stadium Gametosit.
Untuk melakukan diagnosis terhadapa penyakit malaria terdiri dalam beberapa metode salah satu yang
digunakan untuk mendiagnosis penyakit malaria adalah menggunakan microscopis, terdapat dua jenis
sediaan darah dalam slide yang berasal dari darah vena pasien yang diduga sebagai penderita penyakit
malaria. Jenis sediaan darah (SD) dalam slide yang diperiksa dibagi menjadi dua bagian yaitu sediaan
darah tebal dan sediaan darah Tipis, sediaan darah tebal digunakan untuk mengidentifikasi apakah
pasien positif menderita penyakit malaria dengan ditemukan ada tidaknya parasit di sediaan darah
tebal dalam 200 LP (Lapang Pandang), Sediaan darah tipis digunakan untuk mengidentifikasi spesies
dari parasit malaria [1][2].
Petunjuk yang paling sederhana untuk membedakan keempat spesies malaria adalah perubahan
yang terlihat pada sel darah merah yang terinfeksi. Ukuran sel darah merah yang terinfeksi dapat
terlihat membesar atau normal. pada sitoplasma erittrosit yang terinfeksi dapat ditemukan titik
schuffner atau maurer. Di samping itu, petunjuk yang lain adalah keteratran sitoplasma parasit.
sitoplasma yang teratur dapat berupa cincin, koma, tanda seru, dan sayap butung terbang.
Seiring perkembangan dan penerapan pengolahan citra digital dalam bidang Kedokteran atau
Biomedis (Biomedical) pada tahun 1970-an dan hingga saat ini mengalami kemajuan yang sangat
pesat, pengolahan citra digital dapat digunakan untuk mendeteksi tumor atau kanker Rahim,
mengidentifikasi penyakit seperti hati, tulang dan analisis citra mikroskopis.

SENTRA 2018 V | 172

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

Dalam setiap proses identifikasi citra pasti melalui beberapa proses sehingga sistem dapat
mengelompokkan atau mengenali citra tersebut. Salah satu bagian penting yang tidak boleh
dilewatkan adalah proses ekstraksi fitur yang nantinya akan menjadi penentu dari identifikasi citra
tersebut. Banyak sekali penelitian yang telah dilakukan untuk mengidentifikasi jenis dan fase dari
penyakit malaria. Ruliah [3] melakukan klasifikasi tiga stadium penyakit malaria pada sediaan darah
plasmodium falciparum dengan mengekstraksi fitur warna dengan mengambil hasil cluster terbaik
yang selanjutnya dilakukan ekstraksi untuk mendapatkan rata – rata nilai maksimum dari komponen
warna R, G, dan B. Endi et al [4] membangun sebuah sistem untuk mengklasifikasikan jenis dan fase
parasit malaria plasmodium falciparum dan plasmodium vivax dengan menggunakan beberapa fitur
yaitu : standart deviation, mean, skewness, entropy, kurtosis dan grayscale dari histogram warna,
histogram grayscale dan histogram tingkat saturasi. Hanung et al [5] mendeteksi tiga tahapan parasit
Plasmodium pada manusia, yaitu tropozoit, skizon, dan gametocyte pada plasmodium falciparum.
Ekstraksi fitur yang digunakan didasarkan pada histogram-based texture untuk mengekstraksi fitur sel
parasit, yang terdiri dari beberapa fitur, yaitu mean, standard deviation, skewness, energy, entropy,
smoothness, dan kurtosis.
Dalam penelitian ini, akan dilakukan uji coba melakukan ekstraksi fitur bentuk dan tekstur
menggunakan. untuk ekstraksi tekstur akan digunakan k-means clustering dan Naïve bayes classifier,
sedangkan Untuk ekstraksi bentuk akan menggunakan fungsi regionprops, fitur – fitur yang digunakan
adalah area, centroid, boundingBox, eccentricity, equivDiameter.

2. MetodePenelitian
2.1 Data Set
Objek citra (Gambar 1) yang akan digunakan dalam penelitian ini pada proses ekstraksi fitur
bentuk dan tekstur adalah file citra yang berformat .JPG/JPEG (Joint Photographic Expert group).
Citra tersebut diperoleh dari BBLKS (Balai Besar Laboratorium Surabaya). Proses pengujian
menggunakan data sebanyak 60 Citra preparat darah, masing – masing 15 citra preparat untuk setiap
spesies Plasmodium Malariae, Plasmodium Falciparum, Plasmodium Vivax dan Plasmodium Viva,
untuk setiap spesies dalam menentukan masing-masing fase menggunakan 5 citra preparat dalam
setiap 1 citra preparat untuk fase gametocyte, Trophozoite, Schizonts, sehingga total set data citra
microscopis yang akan digunakan dalam penelitain ini sebanyak 300 set data.

(a) (b) (c)

(d) (e) (f)

(g) (h) (i)

(j) (k) (l)

Gambar 1 Citra asli (a) P.Vivax Trophozoit (b) P.Vivax Schizon (c) P.Vivax Gametocyte (d) P.
Ovale Tropozoit (e) P. Ovale Schizon (f) P. Ovale Gametocytr (g) ) P. Malariae Tropozoit (h) ) P.
Malariae Schizon (i) P. Malariae Gametocytr (j) P. Falciparum Tropozoit (k) P. Falciparum Schizon
(l) P. Falciparum Gametocyte

SENTRA 2018 V | 173

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

2.2 Desain Proses

Seperti yang telah dijelaskan bahwa proses identifikasi citra akan melalui beberapa proses,
Gambar 2 adalah proses simulasi ekstraksi fitur bentuk dan tekstur untuk melakukan identifikasi
terhadap citra mikroskopis sel darah merah yang telah terinfeksi penyakit malaria.

Citra Preparat Sel Data Acquisition Pre-Processing

darah Merah

Feature extraction Segmentasi Citra

(Bentuk, Tekstur)

Gambar 2 Arsitektur Sistem secara Keseluruhan

Data aquisition dalam blog diagram tersebut terdiri dari dua tahapan yaitu: pertama,
pengambilan citra sel darah merah yang terinfeksi parasite malaria pada mikroskop menggunakan
kamera, citra tersebut akan terbentuk dalam format .JPG. kedua, akan dilakukan normalisasi seperti
resize untuk menyamakan dimensi citra yang dilakukan secara manual. Untuk Proses pre-processing
tersebut bertujuan untuk menghilangkan noise dan memperjelas feature data. Sedangkan segmentasi
dilakukan untuk melakukan partisi citra menjadi wilayah-wilayah objek atau menentukan batas
wilayah objek. Dalam proses segmentasi ini akan dilakukan penghapusan objek – objek yang tidak
diinginkan. Bagian terakhir dari penelitian ini adalah ekstraksi fitur, Proses ini adalah proses untuk
memilih informasi kuantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas objek secara
baik. Dalam tahapan ini adakan dilakukan 2 proses ekstraksi yaitu ekstraksi bentuk dan ekstraksi
tekstur.

2.3 Ekstraksi Fitur

Proses ekstraksi fitur merupakan tahapan untuk memperoleh nilai-nilai yang terkandung di
dalam objek suatu citra. Objek citra bisa diperoleh melalui tahap segmentasi. Secara umum, ekstraksi
fitur tebagi menjadi tiga, yaitu ekstraksi warna, bentuk dan tekstur [6] [7].
Seperti yang telah dijelaskan bahwa dalam penelitian ini Untuk ekstraksi tekstur akan
digunakan k-means clustering dan Naïve bayes classifier. Dalam proses ekstraksi tekstur
menggunakan k-means clustering dan Naïve bayes classifier, langkah pertama yang akan dilakukan
adalah melakukan ekstraksi ciri tekstur menggunakan metode Gray Level Co-Occurence
Matrix (GLCM) dengan menggunakan empat parameter yaitu: Mean, entropi, energy, kontras dan
homogenitas.
Fitur means adalah Nilai Mean (rata-rata) dari suatu sebaran nilai intensitas citra abu-abu,
means didefinisikan Persamaan 1.
𝐿−1

m = ∑ 𝑧𝑖 𝑝(𝑧𝑖 ) (1)
𝑖=0

Entropi adalah sebuah fitur untuk mengukur keteracakan dari distribusi intensitas, nilai entropi
maksimum jika elemen p(i1,i2) sama, yaitu matriks yang berhubungan dengan citra dimana tidak
terdapat susunan tertentu dalam pasangan intensitas dengan jarak vektor tertentu (daerah konstan).
Entropi didefinisikan Persamaan 2.

entropi = -∑𝑖1 ∑𝑖2 𝑝(𝑖1 , 𝑖2 ) log 𝑝(𝑖1 , 𝑖2 ) (2)

Energi yaitu fitur untuk mengukur konsentrasi pasangan intensitas pada matrik co-occurance.
Ilai energi makin membesar jika pasangan piksel yang memenuhi syarat matrik intensitas co-

SENTRA 2018 V | 174

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

occurence terkonsentrasi pada beberapa koordinat dan mengecil jika letaknya menyebar dan
didefinisikan dengan Persamaan 3.

energi = ∑𝑖1 ∑𝑖2 𝑝 2 (𝑖1 , 𝑖2 ) (3)

Fitur lainnya yaitu kontras yang digunakan untuk mengukur kekuatan perbedaan intensitas
dalam citra dan dinyatakan dengan Persamaan 4.

kontras = ∑𝑖1 ∑𝑖2(𝑖1 − 𝑖2 )2 𝑝(𝑖1 , 𝑖2 ) (4)

Nilai kontras membesar jika variasi intensitas dalam citra tinggi, dan menurun jika variasinya
rendah. Kebalikan dari kontras adalah homogenitas, yaitu untuk mengukur homogenan variasi
intensitas dalam citra dan didefinisikan dengan Persamaan 5.

𝑝(𝑖1 ,𝑖2 )
homogenitas = ∑𝑖1 ∑𝑖2 (5)
1+|𝑖1 −𝑖2 |

Nilai homogenitas membesar jika variasi intensitas dalam citra mengecil dan sebaliknya
mengecil jika variasi intensitas dalam citra membesar.
K-means digunakan untuk mengkluster citra tekstur mikroscopis menjadi 12 kelompok,
sedangkan algoritma naïve bayes digunakan untuk mengklasifikasikan citra target berupa kelas
keluaran dari algoritma k-means. Hasil keluaran dari algoritma naïve bayes kemudian dibandingkan
dengan hasil keluaran pada algoritma k-means sehingga diperoleh nilai akurasi.
Sedangkan untuk ekstraksi bentuk dalam penelitian ini menggunakan fungsi regionprops, fitur –
fitur yang digunakan adalah area, centroid, boundingBox, eccentricity, equivDiameter.
Fitur Area digunakan untuk menghitung jumlah pixel dalam region, fitur boundingBox adalah
vektor 1x 4 mendefinisikan persegi panjang yang berisi region. BoundingBox didefinisikan oleh
[ul_corner width], dimana ul_corner dalam bentuk [x y] dan menentukan sudut kiri atas dari
boundingBox, dan width dalam bentuk [x_width] y_width] dan menetapkan lebar bounding sepanjang
tiap dimensi. boundingBox disusun dengan sumbu Koordinat., fitur yang lainnya adalah eccentricity,
Eccentricity merupakan nilai perbandingan antara jarak foci ellips minor dengan foci ellips mayor
suatu objek. Eccentricity memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk
memanjang/mendekati bentuk garis lurus, nilai eccentricity mendekati angka 1, sedangkan objek yang
berbentuk bulat/lingkaran, nilai eccentricity mendekati angka 0.fitur centroid adalah pusat gumpalan
region. Elemen pertama centroid adalah koordinat horizontal (koordinat x) dari pusat gumpalan,
element kedua adalah koordinat vertikal (koordinat y)[8].
Fitur–fitur diatas merupakan fitur yang akan digunakan dalam melakukan ekstraksi fitur
teksture dan fitur bentuk

3. Hasil dan Pembahasan

Dikarenakan citra yang diperoleh dari BBLKS memiliki ukuran yang sangat besar, Citra asli
yang diperoleh akan melalui beberapa proses resize secara otomatis, pada gambar asli terdapat dua
bagian gambar, yaitu background gambar yang berwarna hitam dan gambar sel darah merah yang
sudah terinfeksi malaria. Aplikasi akan melakukan proses resize dengan scala 0.3 pada tiap inputan
awal, setelah itu aplikasi akan melakukan proses perubahan citra RGB menjadi grayscale. Proses
selanjutnya adalah memotong gambar dengan menghilangkan sebagian besar background hitam yang
ada pada gambar karena data input yang dimiliki memiliki keberagaman posisi gambar yang
menunjukkan sel sel darah merah yang terinfeksi malaria berada di sebelah kanan, kiri ataupun tengah
dari gambar, maka proses ini akan menempatkan gambar sel darah merah yang terinfeksi berada
ditengah dengan sedikit background hitam disetiap sisisnya. Tahap berikutnya dalam proses resize
adalah gambar akan menghilangkan keseluruhan background hitam dengan menyisahkan gambar sel
darah merah yang terinfeksi malaria.

SENTRA 2018 V | 175

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

(a) (b) (c)

Gambar 3 Gambar yang telah melalui proses rezise (a) gambar yang sudah di perkecil (b) gambar
hasil penghapusan background hitam (c) gambar hasil menyisahkan sel darah yang terinfeksi

Selanjutnya gambar yang telah melalui proses resize akan dilakukan perubahan warna dari RGB
menjadi HSV (hue, saturation,value).

(a) (b)
Gambar 4 (a) gambar sebelum di HSV (b) gambar setelah proses HSV

HSV (hue, saturation,value) adalah salah satu dari sistem warna yang digunakan untuk memilih
warnadaro color wheel atau pallete. HSV dianggap lebih baik dari RGB sebagai cara dimana manusia
mencoba dan menggambarkan sensasi warna. Model warna HSV diformulasikan oleh pencarian kubus
warna RGB sepanjang sumbu gray (sumbu gabungan titik hitam dan putih), yang menghasilkan
bentuk heksagonal palet warna, ditampilkan pada gambar 5(a). Sepanjang pergerakan pada sumbu
vertikal (gray) dalam gambar 5(b), ukuran lapisan heksagonal yang tegak lurus terhadap perubahan
sumbu, volume dilukiskan dalam gambar. Hue dinyatakan sebagai sudut disekitar warna heksagon,
biasanya menggunakan sumbu red sebagai 0 0. Value diukur sepanjang sumbu-sumbu kerucut. V=0 di
akhir sumbu hitam. V=1 di ujung sisi lain sumbu adalah putih. Yang terletak di dalam pusat dari
heksagon full color dalam gambar 5(a) sehingga sumbu ini merepresentasikan semua bentuk gray.
Kemungkinan warna diukur sebagai jarak dari sumbu V[8].

(a) (b)
Gambar 5 (a) HSV Color hexagon (b) HSV Hexagonal cone

Setelah dilakukan proses HSV dengan nilai V dibuat sama dengan satu, maka hasil citra dalam
bentuk HSV di konversi kembali dalam bentuk RGB, hasil citra tersebut baru di proses dalam proses

SENTRA 2018 V | 176

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

segmentasi dengan treshold 50, citra hasil proses segmentasi selanjutnya akan di inputkan dalam
proses ekstraksi fitur bentuk dan tekstur.
Dari beberapa data set yang di ekstraksi beberapa di antaranya tidak di dapat di ekstraksi dengan
baik dikarenakan background sel darah merah yang sangat beragam.

(a) (b) (c)

Gambar 6 Citra Plasmodium Ovale yang dapat di ekstraksi (a) Citra sebelum di HSV (b) Citra hasil
HSV (c) Citra hasil yang akan di ekstraksi

(a) (b) (c)

Gambar 7 Citra Plasmodium Ovale yang tidak dapat di ekstraksi (a) Citra sebelum di HSV (b) Citra
hasil HSV (c) Citra hasil yang akan di ekstraksi

5. Kesimpulan
Penelitian ini bertujuan untuk melihat apakah dengan menggunakan data set yang cukup
beragam dari setiap spesies dan fase dapat menghasilkan ekstraksi fitur yang baik dengan ekstraksi
fitur tekstur menggunakan metode Gray Level Co-Occurence Matrix (GLCM) dengan menggunakan
empat parameter, yaitu Mean, entropi, energy, kontras dan homogenitas. Dan ekstraksi fitur bentuk
menggunakan fungsi regionprops dengan empat parameter yaitu: area, centroid, boundingBox,
eccentricity, equivDiameter.
Ekstraksi fitur tekstur menggunakan GLCM dengan empat parameter dan ekstraksi fitur bentuk
menggunakan fungsi regionprops dengan empat parameter tidak dapat mengekstraksi jenis dan fase
parasit malaria dengan baik pada objek sel darah dengan backgroudnya yang tidak homogen.
Berdasarkan hasil tersebut dapat dijadikan acuan untuk penelitian selanjutnya dengan
memperbaiki teknik pre-processing dan menggunakan beberapa metode segmentasi yang dapat
melakukan segmentasi citra sel darah dengan baik untuk backgroud yang tidak homogen untuk setiap
spesies dan fase, sehingga GLCM dan fungsi regionprops dengan masing–masing empat parameter
dapat melakukan fungsi ekstraksi fitur tekstur dan bentuk dengan baik.

Referensi
[1] Kementrian Kesehatan Republik Indonesia. Buku panduan pemeliharaan Eliminasu Malaria.
Direktorat Jenderal Pencegahan dan pengendali Penyakit Kementerian Kesehatan RI, 2017.
[2] Kementrian Kesehatan Republik Indonesia., Pedoman teknis Pemeliharaan Penyakit Malaria.
Direktorat Jenderal Pencegahan dan pengendali Penyakit Kementerian Kesehatan RI, 2017
[3] Rulliah. klasifikasi Stadium tropozoite, Schizonts, Gametocyte pada sediaan darah Plasmodium
Falciparum Dengan Menggunakan Pendekatan Support Vektor Machine. Progresif. Vol. 6, No. 2,

SENTRA 2018 V | 177

 Seminar Nasional Teknologi dan Rekayasa (SENTRA)2018
ISSN (Cetak) 2527-6042
eISSN (Online) 2527-6050

Pp. 641-686, 2010.

[4] Endi P, I ketut EP, Mauridhi HP. Klasifikasi jenis dan fase parasit malaria plasmodium
Falciparum dan Vivax dalam sel darah merah menggunakan support vector machine. Setrum.
Vol. 1, No. 2, Pp. 1-8, 2012.
[5] Hanung AN, Son AA, E.Elsa HM, Feature Extraktion and Classification For Detection Malaria
Parasite in Thin Blood Smear, Proc. Of 2015 2nd Int. Conference on Information Technology,
Computer and Electrical Engineering (ICITACEE), indonesia Oct 16-18th, 2015.
[6] D. Putra, Pengolahan Citra Digital, 1st ed. Yogyakarta: Penerbit Andi, 2010.
[7] A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra, 1st ed. Yogyakarta: Penerbit
Andi, 2013.
[8] Eko P. Pengolahan Citra digital dan Aplikasinya menggunakan Matlab.yogyakarta: Penerbit Andi
2011.

SENTRA 2018 V | 178