Tuberculosis (TBC) menjadi topik pembahasan yang sangat ramai di dunia kesehatan.
Karena TBC merupakan penyakit berbahaya yang memiliki angka kematian
tertinggi di indonesia. Pemeriksaan yang sering digunakan untuk mendiagnosa
penyakit TBC adalah bidang cahaya mikroskop pada dahak penderita TBC.
Pemeriksaan dilakukan secara manual oleh ahli laboratorium dari beberapa lapangan
pandang yang ada dan menghitung jumlah bakteri tuberculosis yang ada di
beberapa lapangan pandang tersebut. Namun, pemeriksaan yang saat ini dilakukan
sangat membutuhkan ketelitian untuk mendapatkan hasil yang maksimal. Dengan
adanya penelitian mengenai sistem yang akan dibuat ini, diharapkan dapat membantu
mempercepat dan mempermudah pekerjaan ahli laboratorium dan menghindari
kelelahan visual dan kesalahan diagnosa.
Pada Tugas Akhir ini, perhitungan jumlah bakteri tuberculosis yang digunakan
adalah perhitungan bakteri tahan asam dengan 100 lapangan pandang pemeriksaan
mikroskopis, dan data sample yang akan diolah adalah data sample pasien TBC
daerah Jambi. Selanjutnya dilakukan segmentasi citra dalam ruang warna CIELab.
Hasil dari segmentasi citra tersebut kemudian akan dilakukan ekstraksi ciri menggunakan
metode Binary Large Object (BLOB), dan kemudian diklasifikasikan menggunakan
metode K-Means Clustering dan Support Vector Machine (SVM). Pada
tahap klasifikasi digunakan dua metode untuk mengetahui akurasi performansi yang
terbaik dari dua metode yang digunakan.
Data yang akan diolah berjumlah 90 data, 30 data positif, 30 data scanty dan 30
data negatif. Penelitian ini menggunakan jumlah data latih sebanyak 63 data dan
data uji 27 data. Pada penelitian ini parameter-parameter yang digunakan untuk
mengetahui performansi sistem adalah tingkat akurasi sistem dan waktu komputasi.
Penelitian ini memperoleh tingkat akurasi pada metode K-Means Clustering 88%
dengan waktu komputasi 0.11 detik dengan nilai presisi positif 75%, scanty dan
negatif 100% dan nilai recall positif dan negatif 100%, scanty 66%. Metode Support
Vector Machine memiliki tingkat akurasi 96% dengan waktu komputasi 0,11 detik
dengan nilai presisi positif sebesar 90%, negatif dan scanty 100% dan nilai recall
positif dan negatif 100%, scanty 88%. Metode Thresholding didapatkan akurasi
100% dengan waktu komputasi 0.09 detik.
Kata Kunci: Tuberculosis (TBC), CIELab, Binary Large Object (BLOB), K-Means
Clustering, Support Vector Machine (SVM).