Filetype PDF | Diposting 24 Aug 2022 | 3 thn lalu
Authentication
digital resources
207x Tipe PDF Ukuran file 0.67 MB Source: digilib.poltekkesdepkes-sby.ac.id
Seminar Skripsi Juni 2018
Pengenalan Bakteri Escherichia Coli dan Staphylococcus Aureus dengan
Metode Pengenalan Pola / Bentuk
(Zulfa Afida Azmi1, I Dewa Gede Hari Wisana2, Her Gumiwang Ariswati3)
Jurusan Teknik Elektromedik Politeknik Kesehatan Surabaya
Jln. Pucang Jajar Timur No. 10 Surabaya
ABSTRAK
Bakteri adalah organisme mikroskopis bersel satu yang tumbuh subur di lingkungan yang
beragam. Identifikasi bakteri merupakan salah satu tugas yang lazim dilakukan di laboratorium
mikrobiologi. Diagnostik laboratorium untuk suatu penyakit yang disebabkan bakteri harus
dilakukan dengan cepat dan tepat. Bakteri dapat dibedakan berdasarkan sifat dinding sel mereka,
bentuknya, atau oleh perbedaan dalam susunan genetik mereka. Bakteri yang diidentifikasi yaitu
bakteri Escherichia Coli dan Staphylococcus Aureus.
Semakin berkembangnya teknologi dalam ilmu pengenalan pola (pattern recognition), yang
secara umum bertujuan mengenali suatu obyek dengan cara mengekstrasi informasi penting yang
terdapat dalam suatu citra dapat membantu mengidentifikasi bakteri melalui citra yang dihasilkan
oleh kamera. Setelah itu dilakukan tahap pre-processing yaitu dengan mengubah citra gambar yang
awalnya citra RGB menjadi citra grayscale. Kemudian nilai dari citra grayscale diubah menjadi
matriks untuk dilakukan pelatihan. Hasil dari pelatihan berupa kumpulan data matematis untuk
mengklasifikasi bakteri.
Berdasarkan hasil pengujian data, didapatkan hasil sensitifitas sebesar 90%, spesifisitas sebesar
100%. Serta tingkat akurasi 95% dengan tingkat error rate 5%.
Kata Kunci: Bakteri Escherichia Coli, Bakteri Staphylococcus Aureus, Pengenalan Pola, Matlab
PENDAHULUAN susunan, ukuran).
Latar Belakang Pada saat ini identifikasi bakteri
Bakteri merupakan mikrobia dilakukan dengan manual yaitu dengan
uniseluler. Bakteri berasal dari kata menggunakan mata sehingga masih bisa
(Yunani = batang kecil). Bakteri dari terjadi kesalahan klasifikasi bakteri
kata latin bacterium (jamak, bacteria) khususnya pada user baru. Selain itu,
adalah kelompok raksasa dari identifikasi bakteri secara manual yang
organisme hidup seperti mitokondria dilakukan di kampus maupun sekolah,
dan kloroplas. Mereka sangatlah kecil user diharuskan bergantian untuk
dan kebanyakan uniseluler, dengan melihat di mikroskop.
struktur sel yang telatif sederhana tanpa Semakin berkembangnya
nukleus/inti sel, sitoskeleton, dan teknologi dalam ilmu pengenalan pola
organel lain. Bakteri adalah makhluk (pattern recognition), yang secara
hidup yang sangat kecil dan hanya dapat umum bertujuan mengenali suatu obyek
dilihat dengan mikroskop. dengan cara mengekstrasi informasi
Identifikasi bakteri merupakan penting yang terdapat dalam suatu citra
salah satu tugas yang lazim dilakukan di dapat membantu mengidentifikasi
laboratorium mikrobiologi. Diagnostik bakteri melalui citra yang dihasilkan
laboratorium untuk suatu penyakit yang oleh kamera. Kamera mampu
disebabkan bakteri harus dilakukan menghasilkan informasi dari objek
dengan cepat dan tepat sehingga berupa citra digital sehingga dapat
pengobatan dapat dilakukan sedini mengenali pola untuk bisa diolah lebih
mungkin. Identifikasi bakteri lanjut dan mendapatkan informasi
didasarkan pada morfologi (bentuk, secara otomatis.
Seminar Skripsi Juni 2018
Penelitian dengan judul 3. Menggunakan kamera digital untuk
“Pendeteksian Bakteri Patogen pengambilan sampel yang dipasang
( Escherichia Coli ) Pada Air Sumur pada lensa okuler mikroskop.
Dan Air Sungai Dengan Metode Local 4. Pengambilan citra dilakukan secara
Binary Pattern” pada tahun 2013 oleh offline.
Novia Yuana, Achmad Rizal dan 5. Pencahayaan pada mikroskop
Leanna Vidya Yovita dari jurusan menggunakan dimmer manual.
Teknik Telekomunikasi, Universitas Rumusan Masalah
Telkom. Pada penelitian tersebut Apakah bisa dilakukan Pengenalan
pendeteksian bakteri Escherichia Coli Bakteri Escherichia Coli dan
menggunakan metode Local Binary Staphylococcus Aureus dengan Metode
Pattern dan metode K-Nearest Pengenalan Pola / Bentuk?
Neighbour yang akan digunakan untuk
mengklasifikasikan tipe Bakteri E.coli Tujuan Penelitian
ke dalam tiga kelas yaitu banyak, Tujuan Umum
sedang, dan sedikit. Dibuatnya alat Pengenalan Bakteri
Pada tahun 2014 telah dilakukan Escherichia Coli dan Staphylococcus
penelitian dengan judul “Identifikasi Aureus dengan Metode Pengenalan Pola /
Otomatis Spermatozoa Sapi Bentuk.
Menggunakan Support Vector
Machine” oleh Munawir, Muhtadin, Tujuan Khusus
Budi Santoso , Stevanus Hardiristanto 1. Memasang kamera digital pada lensa
dan I Ketut Eddy Purnama dari Jurusan okuler mikroskop.
Teknik Elektro, Institut Teknologi 2. Membuat software untuk
Sepuluh Nopember (ITS) Surabaya. mengidentifikasi jenis bakteri
Pada penelitian tersebut, identifikasi Escherichia Coli dan Staphylococcus
spermatozoa dengan terlebih dahulu Aureus secara otomatis.
dilakukan segmentasi secara otomatis 3. Melakukan analisa keakurasian data.
menggunakan Blob Analysis dan
selanjutnya diidentifikasi secara
otomatis dengan menggunakan SVM Manfaat
(Support Vector Machine). Manfaat Teoritis
Sehubungan dengan kajian- Menambah pengetahuan tentang alat
kajian tersebut, maka penulis elektromedik khususnya pada bidang
merencakan untuk dijadikan bahan peralatan laboratorium.
skripsi dengan judul yaitu :
“Pengenalan Bakteri Escherichia Coli Manfaat Praktis
dan Staphylococcus Aureus dengan Memudahkan pengguna dalam
Metode Pengenalan Pola / Bentuk” mengidentifikasi jenis bakteri.
sehingga identifikasi bakteri dapat
dilakukan dengan otomatis, dengan
menggunakan pengenalan pola.
Batasan Masalah
1. Menggunakan jenis bakteri Escherichia
Coli dan Staphylococcus Aureus.
2. Tidak membahas mikroskop.
Seminar Skripsi Juni 2018
METODOLOGI Saat program dimulai dengan start
Diagram Blok Sistem program aplikasi Pengenalan Bakteri
INPUT PROSES OUTPUT Escherichia Coli dan Staphylococcus
Aureus dengan Metode Pengenalan Pola /
Pemilihan Rangkaian Lampu Bentuk ini dijalankan. Kemudian kita
Intensitas Dimmer Mikroskop melakukan pengambilan data citra gambar.
Setelah itu dilakukan tahap pre-processing
Kamera Personal Computer Display
Pengenalan Pola Nama Bakteri yaitu dengan mengubah citra gambar yang
awalnya citra RGB menjadi citra grayscale,
Gambar 1 Diagram Blok Modul kemudian dilakukan ekstraksi Gambar untuk
mendapatkan posisi tiap bakteri, selanjutnya
Objek yang berupa bakteri pada beberapa gambar bakteri dikumpulkan untuk
preparat dilakukan pembesaran dengan dilakukan training ke software pattern
mikroskop dan melakukan pemilihan recognition, hasil training berupa kumpulan
intensitas pada rangkaian dimmer sehingga data matematis untuk mengklasifikasi
dapat dilihat morfologi bakteri kemudian bakteri.
intensitas pada objek ditranslasikan oleh
sensor pada kamera menjadi sinyal elektris Diagram Mekanis Sistem
(analog). Sinyal elektris tersebut akan
diubah menjadi data digital dan masuk
menuju computer dan diproses melalui
pengenalan pola sehingga dapat ditampilkan
ke display yang berupa nama bakteri.
Gambar 3 Diagram Mekanis
Diagram Alir
HASIL PENGUKURAN DAN
START ANALISIS DATA
Hasil Pelatihan
Dengan menggunakan nprtool pada
matlab untuk Neural network pattern
PENGAMBILAN DATA recognition tool yang digunakan dalam
CITRA
mengolah data untuk menghasilkan output.
Citra hasil foto bakteri yang
PREPROCESSING digunakan sebagai data pelatihan
menggunakan kamera dengan format jpeg
(.jpg) sebanyak 115 data yang terdiri dari 65
EKSTRAKSI GAMBAR data bakteri Staphylococcus Aureus dan 50
data bakteri Escherichia Coli.
DETEKSI POLA
KLASIFIKASI BAKTERI
Gambar 4 Arsitektur JST Matlab
END Gambar 4 merupakan arsitektur JST
yang sudah diimplementasikan kedalam
Gambar 2 Diagram Alir
Seminar Skripsi Juni 2018
matlab dengan 21025 variabel input, 10 Presentase False Positive (FP) adalah 0%
hidden layer dan 2 output. atau 0 data kelas 2 yang dikenal sebagai
kelas 1, sedangkan presentase True Negative
(TN) adalah 48,1% atau 39 data kelas 2 yang
benar diprediksi sebagai kelas 2.
Gambar 5 Model iterasi
Gambar 5 merupakan nilai iterasi
dan lama waktu yang diperlukan dalam uji
coba model JST, dari gambar terlihat bahwa
diperlukan sebanyak 17 iterasi dengan lama
proses 3 detik untuk mendapat hasil JST.
Pada proses pelatihan data dibagi
menjadi tiga tahapan yaitu training, validasi
dan testing. Tahapan training menggunakan
70% atau 81 data, tahapan validasi
menggunakan 15% atau 17 data dan tahapan
testing menggunakan 15% atau 17 data. 4 Gambar 7 Hasil tahapan validasi
Berdasarkan hasil pelatihan yang dilakukan 5
setiap tahapan dengan menggunakan JST Gambar 7 merupakan hasil dari tahapan
diperoleh hasil sebagai berikut yang validasi yang ditampilkan dalam confusion
ditampilkan dalam matriks. matrix, dimana perbandingan nilai predicted
yang terbukti benar adalah 76,5% sedangkan
nilai predicted yang terbukti salah adalah
23,5%. Dari gambar tersebut dapat dilihat
bahwa presentase TP adalah 41,2% atau 7
data dari kelas 1 yang benar diprediksi
sebagai kelas 1. Presentase FN adalah 23,5%
atau 4 data dari kelas 1 yang diprediksi
sebagai kelas 2. Presentase FP adalah 0%
atau 0 data kelas 2 yang dikenal sebagai
kelas 1, sedangkan presentase TN adalah
35,3% atau 6 data kelas 2 yang benar
diprediksi sebagai kelas 2.
Gambar 6 Hasil tahapan training
Gambar 6 merupakan hasil dari
tahapan training yang ditampilkan dalam
confusion matrix, dimana perbandingan nilai
predicted yang terbukti benar adalah 86,4%
sedangkan nilai predicted yang terbukti
salah adalah 13,6%. Dari gambar tersebut
dapat dilihat bahwa presentase True Positive
(TP) adalah 38,3% atau 31 data dari kelas 1
(kelas bakteri Staphylococcus Aureus) yang
benar diprediksi sebagai kelas 1. Presentase
False Negative (FN) adalah 13,6% atau 11 6 Gambar 8 Hasil tahapan testing
data dari kelas 1 yang diprediksi sebagai
kelas 2 (kelas bakteri Escherichia Coli).
no reviews yet
Please Login to review.
