Mikroskop Digital, Otomatis, dan Portabel berbasis Raspberry Pi dengan Catu Daya DC

Cahyadi A. Hidayat; Sbelgcamp D. Simbolon; Gabriel J. Dilivio; Muhammad Muttaqin; Uri A. Ramadhani; Amir Faisal; Bagas P. Prabowo; Yusuf A. Rahman

doi:10.18196/mt.v5i1.18009

Mikroskop Digital, Otomatis, dan Portabel berbasis Raspberry Pi dengan Catu Daya DC

Cahyadi A. Hidayat, Sbelgcamp D. Simbolon, Gabriel J. Dilivio, Muhammad Muttaqin, Uri A. Ramadhani, Amir Faisal, Bagas P. Prabowo, Yusuf A. Rahman

Abstract

Mikroskop cahaya dapat digunakan untuk melakukan magnifikasi dan melihat objek mikroskopis seperti bakteri, virus, atau sel untuk tujuan diagnosis suatu penyakit. Dalam melakukan pengamatan berdasarkan jumlah sampel yang banyak, ahli laboratorium rentan terhadap kelelahan, kesalahan, dan subjektivitas pengamatan. Oleh karena itu, kamera digital, komputer mini raspberry pi, layar liquid crystal display (LCD), motor stepper, catu daya dan bahasa pemrograman python digunakan sebagai komponen pendukung mikroskop cahaya untuk mengakusisi sampel laboratorium yang diamati dalam format digital sehingga dapat dilakukan operasi pengolahan citra pada raspberry pi dan ditampilkan hasilnya di layar LCD. Sedangkan motor stepper dan driver motor digunakan untuk menggeser meja sampel secara otomatis. Semua proses ini dilakukan dengan menggunakan bahasa pemrograman python. Hal ini dilakukan dengan tujuan untuk mengurangi beban pengamat dalam melihat dan menggeser slide sampel sebanyak 100 kali. Sistem akuisisi citra digital dan penggeseran meja sampel otomatis ini dirancang pada mikroskop cahaya portabel mampu meng-capture sampel pada kaca preparat menjadi citra digital, menggeser kaca preparat 100 kali, dan dilengkapi dengan catu daya 220 Volt sehingga dapat digunakan di fasilitas kesehatan manapun di Indonesia. Mikroskop digital, otomatis, dan portabel berbasis platform komputer mini raspberry pi ini dapat digunakan untuk melakukan pemeriksaan laboratorium berbagai penyakit seperti tuberculosis, malaria, atau leukimia dengan efisien dan efektif sehingga dapat mempermudah proses diagnosis penyakit dan dapat meningkatkan layanan kesehatan di berbagai daerah di Indonesia dan berkontribusi dalam penurunan dan eliminasi berbagai penyakit.

Keywords

Mikroskop; Raspberry Pi; Python.

Full Text:

PDF

References

Direktorat Jenderal Pencegahan dan Pengendalian Penyakit, Kemenkes RI, ”Buku Saku Tata Laksana Kasus Malaria”. 2020.

Y. Jusman, S. Riyadi, A. Faisal, S. N. Aqmariah, M. Kanafiah, Z. Mohamed, R. Hassan, “Classification system for leukemia cell images based on Hu moment invariants and support vector machines” 2021 11th IEEE International Conference on Control System, Computing and Engineering (ICCSCE), pp. 137-141.

A. W. Setiawan, Y. A. Rahman, A. Faisal, M. Siburian, N. Resfita, M. W. G., R. Setiawan, “Deteksi malaria berbasis segmentasi warna citra dan pembelajaran mesin,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) vol. 8, no. 4, hal. 769–776, 2021.

Yohannes, S. Devella, dan K. Arianto, “Deteksi Penyakit Malaria Menggunakan Convolutional Neural Network Berbasis Saliency,” JUITA: Jurnal Informatika, vol. 8, hal. 37–44, 2020.

I. S. Faradisa, Taufikurrahman, E. Nurcahyo, “Aplikasi Arduino untuk Otomatisasi Apusan Darah Tepi dan Pengecatan Menggunakan Pewarna Giemsa.” Seminar Nasional Inovasi dan Aplikasi Teknologi di Industri (SENIATI) 2016.

I. Susanti, S. Handayani, R. Ekowatiningsih, B. Prasetyorini, E. A. Yusnita, D. A. Ardianto, S. K. Widjaya, “Pengembangan Mikroskop dengan Mikrokontroler dan Cahaya Monokromatik Untuk Mendeteksi Parasit Malaria,” Jurnal Teknologi Laboratorium, vol. 6, no. 2, hal. 75–82, 2017.

Scherr, T.F., Gupta, S., Wright, D.W. and Haselton, F.R. Mobile phone imaging and cloud-based analysis for standardized malaria detection and reporting. Scientific reports, 6(1), pp.1-9, 2016.

Muthumbi A, Chaware A, Kim K, Zhou KC, Konda PC, Chen R, et al. Learned sensing: jointly optimized microscope hardware for accurate image classification. Biomed Opt Express. 2019;10(12):6351–6369. doi:10.1364/BOE.10.006351.

Gordon, P.D., De Ville, C., Sacchettini, J.C. and Coté, G.L. A portable brightfield and fluorescence microscope toward automated malarial parasitemia quantification in thin blood smears. PloS one, 17(4), e0266441, (2022).

Cybulski JS, Clements J, Prakash M. Foldscope: Origami-Based Paper Microscope. PLOS ONE. 2014;9(6):1–11. doi:10.1371/journal.pone.0098781.

Oliveira AD, Prats C, Espasa M, Zarzuela Serrat F, Montañola Sales C, Silgado A, et al. The Malaria System MicroApp: A New, Mobile Device-Based Tool for Malaria Diagnosis. JMIR Res Protoc. 2017;6(4):e70. doi:10.2196/resprot.6758.

Switz, N.A., D’Ambrosio, M.V. and Fletcher, D.A. Low-cost mobile phone microscopy with a reversed mobile phone camera lens. PloS one, 9(5), p.e95330, 2014.

G.O.F. Parikesit, M. Darmawan, and A. Faisal, “Quantitative low-cost webcam-based microscopy”, Optical Engineering, Vol 49, Issue 11, page 113-205, 2010.

A. W. Setiawan, A. Faisal, N. Resfita, and Y. A. Rahman, “Detection of Malaria Parasites using Thresholding in RGB, YCbCr and Lab Color Spaces.” International Seminar on Application for Technology of Information and Communication (iSemantic), 2021.

M. Muttaqin, M. C. Untoro, A. Febrianto, A. Faisal, A. W. Setiawan, B. P. Prabowo, Y. A. Rahman, “CNN Classification of Malaria Parasites in Digital Microscope Images Using Python on Raspberry Pi”, Buletin Ilmiah Sarjana Teknik Elektro, vol. 5, no. 1, pp. 108–120, Feb. 2023.

V. Vadde, S. Shivkumar, A. Kulkarni, “An Innovative Wireless Digital Microscope for Enhanced Malaria Detection and Telepathology in Remote Villages.” 2015 IEEE Region 10 Humanitarian Technology Conference (R10-HTC).

N. K. C. Pratiwi, N. Ibrahim, Y. N. Fu’adah, dan S. Rizal, “Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 9, no. 2, hal. 306, 2021.

Y. Jusman, E. Samudra, S. Riyadi, S. N. Aqmariah, M. Kanafiah, A. Faisal, R. Hassan, Z. Mohamed, “Comparison of texture and shape features performance for leukemia cell images using support vector machine” 1st International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), 2021.

Rohan Sangameswaran, MAIScope: A low-cost portable microscope with built-in vision AI to automate microscopic diagnosis of diseases in remote rural settings, ArXiv: Electrical Engineering and Systems Science, Image and Video Processing, 12 Aug 2022.

Raspberrypi.com, “Raspberry Pi 4 Tech Specs”, 2023. [Online]. Available: https://www.raspberrypi.com/products/raspberry-pi-4-model-b/specifications/. [Accessed: 01- Jun- 2023].

Jung Yoon, Woong Sik Jang, Jeonghun Nam, Do-CiC Mihn, and Chae Seung Lim, An Automated Microscopic Malaria Parasite Detection System Using Digital Image Analysis, Diagnostics. 11(3), 527, March 2021.

Neha C Poojari, Pallavi K, Prapthi P Rai, Rahil Abdullah, Ankitha K, Detection of Malarial Parasites in Blood using Image Processing, International Journal of Engineering Research & Technology (IJERT), Vol. 7. Issue 08, 2019.

Umi Salamah, Riyanarto Sarno, Agus Zainal Arifin, Anto Satriyo Nugroho, Ismail Ekoprayitno Rozi, Puji Budi Setia Asih, Segmentation of Malaria Parasite Candidate from Thickblood Smear Microscopic Images using Watershed and Adaptive Thresholding, Journal of Telecommunication, Electronic and Computer Engineering (JTEC), vol. 10, No. 2-4, Jul. 2018.

K. I. Djahari dan G. Hermawan, “Implementasi Metode Principal Component Analysis dan Support Vector Machines dalam Mendeteksi Plasmodium Malaria pada Citra Sampel Darah,” Teknik Informatika – Universitas Komputer Indonesia, 2016.

M. Hamid, P. Mudjirahardjo, dan E. Yudaningtyas, “Penerapan Fitur Warna Untuk Identifikasi Plasmodium Falciparum pada Sediaan Apus Darah Menggunakan MK-Means dan Jaringan Backpropagation,” MATICS: Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 8, no. 2, hal. 73–77, 2016.

S. K. Mishra, “Human Malaria Detection and Stage Classification using Random Forest Classifier,” vol. 6, no. 6, hal. 214–218, 2021.

Ghazala Hcini, Imen Jdey, Hela Ltifi, Improving Malaria Detection Using L1 Regularization Neural Network, Journal of Universal Computer Science, vol. 28, no. 10, 1087-1107, 2022.

DOI: https://doi.org/10.18196/mt.v5i1.18009