Penelitian tentang bakteri yang berhubungan dengan pneumonia yang disebabkan oleh bakteri Gram-negatif belum pernah dilakukan di banyak studi. Bakteri gram negatif merupakan salah satu mikroorganisme penyebab penyakit nosokomial infeksi di Indonesia. Bakteri nosokomial dapat menyebabkan penyakit nosokomial yang sulit sembuh dengan pengobatan antibiotik.
Penelitian ini penting dilakukan untuk membantu pengamatan visual di laboratorium. Selain itu juga membantu dengan berkembangnya sistem informasi untuk mengenali pola bakteri. Penelitian ini merupakan salah satu kebutuhan pelayanan klinis di rumah sakit daerah. Banyak penelitian sebelumnya telah melaporkan identifikasi bakteri Gram-negatif, tetapi belum menyoroti penggunaan pembelajaran mesin untuk proses klasifikasi bakteri. Pengetahuan baru yang ditawarkan adalah penggunaan pendidikan ekstrim dalam citra pengolahan dan pengolahan data memakan waktu proses yang tidak memakan waktu lama untuk mendapatkan sebuah model. Masa depan penelitian dapat dikembangkan metode penelitian optimasi.
Pengamatan bakteri ini dilakukan dengan menggunakan gambar untuk menggantikan inspeksi visual. Proses penelitian ini terdiri dari empat tahap, yaitu Pra-pemrosesan menyiapkan data citra, membagi objek dengan segmentasi, memperoleh dan memilih fitur, diakhiri dengan klasifikasi. Pada tahap segmentasi, citra objek bakteri dipilih yang paling sesuai dengan representasi ahli, dalam hal ini, seorang analis medis.
Menurut Sousa dkk. [7], karakteristik koloni dilakukan berdasarkan pengamatan pada agar piring atau Mac Conkey Plate. Bentuk koloni, ukuran, margin, elevasi, warna, permukaan, konsistensi. Sehingga ada beberapa metode yang digunakan, yaitu (1) Gram-negative bacteria, (2) Shape feature, (3) Area, (4) Perimeter, (5) Metric, (6) Eccentricity, (7) Extreme Learning Machine.
Dari proses pelatihan menggunakan data dari bakteri Gram-negatif, model identifikasi disimpan untuk validasi dan pengujian. Perangkat lunak yang digunakan untuk mengkompilasi adalah MATLAB versi 2016a dengan GPU. NS hardware menggunakan laptop Intel core i-7, RAM 8GB dan Nvidia Ge force GTX1050 4GB. Ekstraksi fitur dilakukan untuk mendapatkan informasi objek piksel yang akan diproses. Pada tahap klasifikasi, penggunaan mesin pembelajaran ekstrim dipilih karena pelatihannya yang lebih pendek waktu proses. Dua bakteri yang digunakan adalah bakteri nosokomial dan bakteri gram negatif. Dalam penelitian ini, bakteri Klebsiella pneumonia terpilih diperoleh dari 50 pasien hingga diperoleh total 2520 gambar. Pada tahap klasifikasi, hasil dari ekstraksi ciri objek bakteri digunakan 120 foto dalam proses pelatihan dan 40 data citra pada proses pengujian, dengan jumlah total data yang digunakan adalah 160 citra dengan ukuran 512×512 piksel dan kedalaman 24-bit. Hasil akurasi belajar ekstrim diperoleh sebesar 96,71% dari proses pengujian.
Metode Extreme Learning Machine (ELM) juga dapat mengklasifikasikan bakteri Gram negatif melalui citra dahak. Hasil dari proses klasifikasi bakteri memiliki tingkat akurasi rata-rata 96,71%. Berdasarkan pengujian sistem, jumlah neuron tersembunyi dan jenis fungsi aktivasi di ELM secara dramatis mempengaruhi keakuratan klasifikasi. Semakin tinggi jumlah neuron tersembunyi yang digunakan meningkatkan tingkat akurasi klasifikasi. Temuan ini mengkonfirmasi bahwa hasil akurasi terbaik diperoleh dari fungsi aktivasi sigmoid, dengan 50 hingga 100 neuron tersembunyi. Waktu rata-rata yang dibutuhkan untuk pengujian proses adalah 0,0033 detik. Penelitian selanjutnya yang dapat dilakukan dalam penelitian ini adalah penggunaan filtering normalisasi layer dan batch untuk meningkatkan akurasi dan optimasi sehingga jumlah neuron yang digunakan sudah optimal.
Penulis: Dr. Eko Budi Koendhori, dr., M.Kes.
Artikel dapat diakses pada: https://www.researchgate.net/publication/343019698_Classification_of_features_shape_of_Gram-negative_bacterial_using_an_extreme_learning_machine
Classification of features shape of Gram-negative bacterial using an extreme learning machine
B D Satoto, M I Utoyo, R Rulaningtyas and E B Koendhori
