50 BAB 4
IMPLEMENTASI DAN EVALUASI
4.1 Spesifikasi Sistem
Aplikasi ini kami rancang pada Windows 7 Ultimate 32-bit Service Pack 1 dengan menggunakan Microsoft Visual C++ 2010 Express Edition (Version 10.0.40219.1 SP1 Rel), Microsoft .NET Framework Version 4.0.30319, serta library OpenCV 2.3 untuk melakukan fungsi-fungsi computer vision.
Adapun kami menggunakan Microsoft Visual C++ karena:
- Bahasa C++ merupakan salah satu bahasa yang popular saat ini, yang memiliki maksud agar banyak orang yang mengetahui bahasa C++ tersebut, dimana memungkinkan aplikasi yang menggunakan bahasa C++ dapat dengan mudah dipahami dan dikembangkan.
- Bahasa C++ dapat berjalan pada semua arsitektur komputer.
- Banyak library yang compatible pada C++. Salah satunya adalah OpenCV yang saat ini kami gunakan untuk computer vision.
- C++ juga merupakan salah satu bahasa yang digunakan pada pemrograman berorientasi objek (OOP).
- Aplikasi akan berjalan cepat dan efisien pada Windows, dikarenakan memiliki .NET framework.
Sedangan untuk spesifikasi hardware yang kami gunakan dalam perancangan aplikasi ini adalah :
- Processor : 2.10GHz
- Memory (RAM) : 2.00 GB
- OS : Windows 7 Ultimate 32-bit Service Pack 1
4.2 Prosedur Operasional
Sistem aplikasi yang kami rancang adalah sebuah aplikasi yang dapat mendeteksi malaria dengan menggunakan metode-metode computer vision yang ada pada library OpenCV 2.3. Inti pendeteksian malaria pada aplikasi ini adalah dengan mendeteksi adanya stadium trofozoit muda (ring-form) dan gametosit pada gambar mikroskopis sediaan darah tipis.
Aplikasi yang kami rancang hanya memiliki GUI dengan satu layar saja. Pada layar tersebut terdapat 4 menu yang memiliki fungsi masing-masing. Kemudian layar console akan menampilkan status dari hasil pendeteksian malaria. Selain itu, di samping layar tersebut akan ditampilkan layar yang berisi gambar yang belum maupun yang sudah melewati hasil pemrosesan deteksi malaria.
Pada tombol pertama, adalah tombol ‘Load Image’ yang berfungsi untuk mencari dan mengambil gambar yang akan diproses. Extensi file gambar yang diproses adalah *.png. Selanjutnya tombol kedua adalah ‘Malaria Detection’, berfungsi untuk menjalankan proses pendeteksian malaria pada gambar yang sudah di-load sebelumnya. Dalam pemrosesan ini, seluruh metode computer vision untuk
pendeteksian malaria dijalankan dari awal hingga selesai. Metodenya adalah image enhancement, parasite detection, red blood cell segmentation, counting red blood cell, counting parasite, counting normal red blood cell, dan malaria detection.
Setelah pemrosesan tersebut, gambar hasil deteksi malaria akan ditampilkan pada layar gambar dan informasi status pendeteksian ditampilkan pada layar console yang sudah muncul dari awal program dijalankan. Kemudian pada layar utama terdapat tombol ‘Show Original Image’ yang berfungsi untuk menampilkan kembali gambar asli image yang sudah di-load sebelumnya, Tujuan dari tombol ‘Show Original Image’ ini adalah agar dapat melihat perbedaan gambar sebelum dan setelah diproses. Selain itu, pada layar pertama terdapat tombol ‘Show Processed Image’ yang memiliki tujuan yang sama dengan ‘Show Original Image’, hanya saja gambar yang ditampilkan adalah gambar yang sudah diproses.
Setelah melakukan pendeteksian malaria, pada layar console terdapat 3 informasi yang akan ditampilkan, yaitu ‘Infected by Malaria:’, ‘Detected Parasites:’ dan ‘Normal Erythrocytes:’ Di samping 3 informasi tersebut, akan muncul hasil pendeteksian yang berbeda tergantung dari gambar yang di-load. Informasi yang akan ditampilkan adalah pertama, apakah dalam gambar yang dideteksi terdapat infeksi malaria. Jika iya maka akan muncul ‘Yes’ pada bagian ‘Infected by Malaria:’, jika tidak maka akan muncul ‘No’. Kedua, informasi yang akan ditampilkan adalah jumlah parasit yang terdeteksi pada bagian ‘Detected Parasites:’. Dan yang ketiga adalah, jumlah eritrosit normal yang terdeteksi pada bagian ‘Normal Erythrocytes:’.
Gambar 4.1: Tampilan aplikasi sebelum image di-load
Gambar 4.1 adalah tampilan awal ketika aplikasi dijalankan. Pada gambar di atas layar aplikasi masih belum menunjukan layar gambar (kosong) serta informasi masih belum disediakan, dikarenakan gambar yang akan diproses masih belum di-load. Selanjutnya untuk me-load gambar yang akan diproses, tombol ‘Load Image’ akan ditekan. Kemudian pilih gambar yang akan diproses. Setelah gambar dipilih, gambar tersebut akan muncul pada layar tersendiri (layar gambar).
Gambar 4.2 merupakan layar gambar yang terpisah dengan layar utama setelah me-load image yang akan diproses. Sedangkan pada layar utama, tidak ada yang berubah dan informasi masih belum ada dikarenakan gambar belum diproses.
Untuk melakukan proses pendeteksian malaria, tombol ‘Malaria Detection’ akan ditekan. Setelah ditekan maka seluruh proses pendeteksian dari image enhancement sampai dengan malaria, parasites, normal erythrocytes detection dijalankan. Hasil akhirnya adalah penandaan kontur dengan warna yang berbeda pada tiap objek di gambar yang di-load.
Gambar 4.3 adalah hasil setelah menekan tombol ‘Malaria Detection’. Pada gambar tersebut dapat dilihat bahwa gambar sudah diberi tanda. Objek yang diberi tanda garis warna hitam adalah sel darah merah. Sedangkan yang diberi tanda warna hijau adalah parasit. Kemudian dapat dilihat juga pada layar console, informasi hasil pendeteksian sudah ditampilkan. Untuk melihat gambar awal sebelum dilakukan pendeteksian, maka tekan tombol ‘Show Original Image’. Layar gambar akan menampilkan gambar awal sebelum diproses, namun informasi pada layar console tidak akan hilang. Untuk melihat kembali gambar hasil pemrosesan, maka tekan tombol ‘Show Processed Image’. Layar gambar akan menampilkan kembali gambar hasil pemrosesan. Untuk me-load gambar baru, maka tekan tombol ‘Load Image’ dan pilih gambar selanjutnya untuk dilakukan proses dideteksi.
4.3 Hasil Implementasi dan Evaluasi
4.3.1 Data Lembaga Biologi Molekuler Eijkman
Berikut adalah hasil implementasi dari data Lembaga Biologi Molekuler Eijkman.
Gambar 4.4: Implementasi 1 Data Lembaga Biologi Molekuler Eijkman
Dari data-data hasil implementasi di atas, pendeteksian terhadap malaria sudah berfungsi dengan baik. Aplikasi dapat mendeteksi adanya parasit dari gambar sediaan darah tipis, baik dalam stadium trofozoit muda (ring-form) atau gametosit. Meskipun begitu, dari beberapa gambar masih terdapat parasit (khususnya stadium trofozoit muda) yang tidak terdeteksi. Selain itu, jika terdapat sel darah putih dalam gambar maka sel darah putih tersebut dideteksi sebagai parasit.
Gambar 4.5: Implementasi 2 Data Lembaga Biologi Molekuler Eijkman
Berdasarkan data-data hasil implementasi di atas juga, aplikasi dapat membedakan sel darah merah dengan parasit. Aplikasi ini pun dapat menghitung jumlah parasit dan jumlah sel darah merah normal yang terdeteksi. Namun berdasarkan data-data di atas, perhitungan sel darah merah normal masih belum sempurna dikarenakan beberapa hasil implementasi menunjukkan angka yang tidak sesuai dalam perhitungan sel darah merah normal. Angka perhitungan menjadi tidak sesuai dikarenakan bentuk sel darah merah yang tidak sempurna (tidak bulat seutuhnya) dan sel darah merah yang menyatu dengan sel darah merah lainnya.
4.3.2 Data Universitas Katolik Indonesia Atma Jaya
Berikut adalah hasil implementasi dari data Universitas Katolik Indonesia Atma Jaya.
Gambar 4.6: Implementasi 1 Data Universitas Katolik Indonesia Atma Jaya
Dari data-data hasil implementasi di atas, pendeteksian terhadap malaria juga sudah berfungsi dengan baik. Aplikasi dapat mendeteksi adanya parasit dari gambar sediaan darah tipis, baik dalam stadium trofozoit muda (ring-form) atau gametosit. Seperti halnya hasil implementasi dari data Lembaga Biologi Molekuler Eijkman, dari beberapa gambar masih terdapat parasit (khususnya stadium trofozoit muda) yang tidak terdeteksi dan sel darah putih dideteksi sebagai parasit.
Gambar 4.7: Implementasi 2 Data Universitas Katolik Indonesia Atma Jaya
Berdasarkan data-data hasil implementasi di atas juga, aplikasi dapat membedakan sel darah merah dengan parasit. Aplikasi ini pun dapat menghitung jumlah parasit dan jumlah sel darah merah normal yang terdeteksi. Namun berbeda dengan hasil implementasi dari data Lembaga Biologi Molekuler Eijkman, banyak terdapat error pada perhitungan sel
darah merah normal dimana menunjukkan angka yang jauh lebih tidak sesuai dalam perhitungan sel darah merah normal. Hal ini dikarenakan kualitas gambar dari data Universitas Katolik Indonesia Atma Jaya kurang bagus dimana data gambar mikroskopis sampel darah diambil menggunakan kamera ponsel.
