Malaria merupakan salah satu penyakit yang paling umum terjadi di daerah tropis dan sub tropis. Penyakit ini dapat menyebabkan kematian terutama pada kelompok orang yang berisiko tinggi yaitu bayi, balita, dan ibu hamil. Malaria disebabkan oleh parasit Plasmodium yang dihasilkan dari gigitan nyamuk Anopheles betina. Malaria masih menjadi salah satu masalah kesehatan utama di dunia dan dilaporkan 3,2 miliar orang di dunia terjangkit penyakit malaria. Wilayah risiko penularan malaria berasal dari 108 negara, dan diperkirakan terdapat sekitar 300-500 juta kasus klinis malaria di seluruh dunia dengan angka kematian lebih dari 1 juta orang per tahun. Berdasarkan kenyataan bahwa penelitian-penelitian sebelumnya masih memiliki beberapa kekurangan, maka kami mengusulkan suatu metode untuk mendeteksi keberadaan malaria pada sel darah merah melalui ciri-ciri sel darah merah yang menderita malaria dan sel darah merah yang tidak menderita malaria berdasarkan pada ekstraksi karakteristik warna dan tekstur. Ekstraksi fitur warna dan tekstur digunakan karena citra malaria yang terinfeksi dan tidak terinfeksi paling mudah dibedakan melalui ciri-ciri warna dan tekstur pada citra, sehingga fitur tersebut dapat memberikan informasi penting mengenai ciri-ciri dan pola yang terdapat pada citra malaria dan diharapkan dapat menghasilkan akurasi yang baik. dalam klasifikasi. Klasifikasi menggunakan Support Vector Machine (SVM) digunakan karena memiliki beberapa keunggulan dan sesuai dengan karakteristik data citra malaria. Klasifikasi dilakukan berdasarkan karakteristik masing-masing kelas tahapan untuk membantu ahli laboratorium dan medis dalam melakukan deteksi dini penyakit malaria yang juga diharapkan dapat mendukung penelitian selanjutnya.
Dalam penelitian ini digunakan data primer yang diambil melalui proses praktikum yang dilaksanakan di Laboratorium Fisika Fakultas Sains dan Teknologi 51¶¯Âþ, Indonesia. Data yang digunakan dalam penelitian ini adalah gambar parasit malaria Plasmodium Falciparum yang diperoleh dari Departemen Patologi Klinik 51¶¯Âþ. Variabel bebas yang digunakan dalam penelitian ini adalah image sel darah merah plasmodium, baik yang terdeteksi malaria maupun tidak terdeteksi malaria, yang diperoleh dari mikroskop langsung sampel darah penderita malaria. Variabel terikat yang digunakan dalam penelitian ini adalah keakuratan hasil klasifikasi citra malaria menggunakan metode SVM dengan metrik akurasi pada data uji terpisah. Variabel kontrol yang digunakan dalam penelitian ini adalah mikroskop dengan perbesaran 1000x pada saat pengambilan yang dikontrol dengan mengkalibrasi dan menjaga konsistensi perbesaran. Jumlah data latih dan gambar uji dikontrol dengan membagi data secara acak dan proporsional.
Berdasarkan hasil ekstraksi ciri warna dengan total 50 data citra malaria normal dan 50 citra parasit malaria, maka hasil yang diperoleh akan dirata-ratakan untuk setiap parameter yang ditunjukkan pada Tabel 1 berikut ini.
Kesimpulan: penelitian ini menunjukkan efektivitas sistem klasifikasi otomatis parasit malaria Plasmodium Falciparum berdasarkan gambar noda darah dengan menggunakan pendekatan Support Vector Machine (SVM). Kombinasi Analisis Komponen Utama (PCA) untuk pemilihan fitur dan SVM untuk klasifikasi terbukti sangat efektif, dengan model klasifikasi mencapai akurasi rata-rata sebesar 96,7%, 98,9%, dan 94,4% pada fungsi basis polinomial, linier, dan radial (RBF). ) kernel, masing-masing. Hasilnya menunjukkan bahwa SVM, khususnya dengan kernel linier, menawarkan metode yang dapat diandalkan untuk membedakan antara kasus malaria normal dan parasit pada gambar hapusan darah. Sistem ini memiliki potensi yang signifikan dalam membantu diagnosis malaria yang cepat dan akurat, berkontribusi terhadap peningkatan manajemen dan pengendalian penyakit, terutama di daerah berisiko tinggi dengan mengembangkan sistem yang akurat dan otomatis untuk mendiagnosis parasit malaria Plasmodium Falciparum menggunakan gambar noda darah, penelitian ini secara langsung mendukung Target SDG 3.3, yang bertujuan untuk mengakhiri malaria dan penyakit menular lainnya.
Penulis: Prof. Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
Nur Chamidah, Toha Saifudin, Riries Rulaningtyas, Adam Anargya Mawardi, Puspa Wardhani, I Nyoman Budiantara, and Naufal Ramadhan Al Akhwal Siregar (2024). Classification of Malaria Parasite Plasmodium Falciparum Based on Blood Smear Images Using Support Vector Machine Approach. Data and Metadata 2025; 4: 568,pp.1“15.DOI: 10.56294/dm2025568.
