PELACAKAN MULTISPERMA UNTUK PENGUKURAN MOTILITAS SPERMA SAPI

1.Abstract

Kebutuhan Indonesia dalam konsumsi daging sapi semakin meningkat seiring dengan meningkatnya jumlah penduduk. Oleh karena itu diperlukan upaya peningkatan jumlah sapi. Salah satu solusi terbaik untuk mengatasi hal ini adalah penggunaan teknik Inseminasi Buatan (IB) dalam reproduksi sapi. Dengan penggunaan sperma yang berkualitas diharapkan sapi yang dilahirkan juga berkualitas. Pemeriksaan semen terbagi dua kelompok, yaitu pemeriksaan secara makroskopis dan mikroskopis. Pemeriksaan makroskopis adalah pemeriksaan semen secara garis besar tanpa memerlukan alat bantu yang rumit. Pemeriksaan tersebut mencakup volume semen, warna semen, kekentalan semen, dan pH semen. Adapun pemeriksaan mikroskopis dilakukan untuk melihat lebih detail kondisi semen di mana dalam prosesnya diperlukan alat bantu yang cukup canggih. Pemeriksaan ini meliputi gerakan massa sperma, motilitas, konsentrasi sperma, perbandingan sperma hidup dan mati (viabilitas), dan morfologi sperma. Pemeriksaan makroskopis dapat dilakukan dengan mudah dan cepat secara manual oleh dokter hewan atau teknisi laboratorium dengan hasil yang baik. Pemeriksaan mikroskopis pun bisa dilakukan secara manual, namun diperlukan pemeriksaan yang cukup lama untuk mengurangi subjektivitas. Selain itu intravariability dan intervariability tinggi sehingga konsistensi pengukuran kurang. Menurut panduan pemeriksaan semen SNI 2017 untuk semen sapi, selain semen terbebas dari mikroorganisme penyebab semen segar harus memiliki motilitas sperma progresif minimal 70%. Adapun untuk semen beku yang dicairkan, gerakan massa sperma minimal 2, motilitas minimal 40% dan jumlah sperma minimal 25 juta/dosis. Pengukuran motilitas diawali dengan proses identifikasi sperma yang baik yang kemudian dilanjutkan dengan pelacakan sperma yang akurat dan cepat (real-time) karena hasil pengukurannya digunakan saat itu juga untuk memutuskan apakah sperma itu layak digunakan atau tidak. Selain itu motilitas sperma cepat rusak jika sperma dibiarkan di luar saluran reproduksi terlalu lama. Dan yang lebih utama, kecepatan pengukuran bisa mengurangi biaya pemeriksaan sehingga menurunkan harga semen beku yang dijual ke para peternak atau para dokter hewan bisa memeriksa lebih banyak sampel dalam 1 hari. Akurasi pengukuran motilitas sering terkendala dengan pergerakan sperma yang saling berpapasan atau saling menutupi (oklusi). Padahal kasus ini sering terjadi terutama pada saat pengukuran motilitas sperma segar di mana konsentrasi spermanya tinggi. Hal ini bisa diatasi dengan menyimpan informasi posisi-posisi sperma yang sudah berjalan. Informasi posisi ini dimasukkan ke dalam algoritma pelacakan berdasarkan kedekatan lokasi. Namun ternyata hasilnya masih belum cukup akurat. Kesalahan pelacakan masih sering terjadi. Salah satu yang bisa membantu peningkatan akurasi pelacakan sperma adalah dengan pendeteksian sperma yang lebih akurat dengan Convolutional Neural Network (CNN) serta penambahan sudut arah pergerakan kepala sperma dalam proses prediksi posisi sperma. Berdasarkan dari karakteristik gerak sperma, sudut tersebut tidak akan jauh berubah dari satu frame ke frame berikutnya. Hipotesisnya adalah penggunaan CNN dan penggunaan sudut ini bisa menjadi solusi agar pengukuran motilitas sperma sapi lebih akurat. Penelitian ini bertujuan untuk mengembangkan metode pendeteksian dan pelacakan multisperma untuk pengukuran motilitas sperma sapi. Metode yang dikembangkan berbasis algoritma CNN untuk pendeteksian dan algoritma Hungarian untuk pelacakan dengan penambahan parameter sudut arah kepala sperma di samping parameter posisi sperma-sperma pada setiap frame. Untuk meningkatkan kecepatan pemrosesan digunakan pemrograman parallel dengan GPU (Graphics Processing Unit) dengan bahasa pemrograman CUDA. Tahapan penyelesaian masalah diawali dengan meningkatkan kemampuan pendeteksian sperma pada video yang dilakukan dengan cara peningkatan kontras frame, pemilihan threshold yang tepat untuk segmentasi, dan training. Tahap selanjutnya adalah penanganan oklusi dengan penambahan parameter sudut pada algoritma Hungarian. Penghitungan parameter CASA dilakukan setelahnya yang kemudian dilanjutkan dengan klasifikasi sperma berdasarkan motilitasnya. Nilai yang dikeluarkan adalah presentase sperma motil pada sampel. Setelah metode yang efektif dikembangkan, tahap penelitian dilanjutkan dengan peningkatan efisiensi komputasi metode tersebut dengan pemrograman paralel menggunakan CUDA dan Nvidia Graphic card. Langkah terakhir adalah menguji kinerja metode dengan sampel data sintetis serta data natural. Proses diakhiri dengan membandingkan kinerja metode yang diusulkan di dalam penelitian ini dengan metode lain yang sejenis menggunakan metrik standar yang bernama Optimal subpattern assignment (OSPA). Hasil yang diperoleh dan kontribusi penelitian ini dalam khazanah ilmu pengetahuan adalah metode pendeteksian dan pelacakan multisperma yang lebih handal dalam menangani kasus sperma berpapasan dan saling menutupi dengan pemrosesan yang tetap efisien (real-time).

2.Keywords
pelacakan multisperma, motilitas sperma, Computer Aided Sperm Analysis, Convolutional Neural Network, pelacakan objek, sudut kepala sperma
3.Objective

Mengembangkan metode pendeteksian dan pelacakan multisperma yang handal dengan hasil komputasi real-time untuk mengukur motilitas sperma sapi

4.Methodology

1. Penyempurnaan Metode Deteksi Sperma
Pendeteksian sperma adalah langkah awal yang harus dilakukan di dalam pelacakan multisperma. Pengaruhnya sangat besar terhadap hasil pelacakan sperma. Jika pada setiap frame sperma dapat terdeteksi dengan baik, maka proses pelacakan akan jauh lebih mudah.

Penyempurnaan pendeteksian dimulai dengan peningkatan kontras citra. Hal ini bisa dilakukan dengan beberapa cara antara lain: penggunaan pencahayaan dengan jenis dan warna tertentu yang sensitif terhadap zat yang terkadung di dalam sperma, pengaturan fokus yang baik saat pengambilan citra, penggunaan mikroskop yang berkualitas baik, penerapan algoritma peningkatan kontras yang sesuai.Selanjutnya dilakukan training pada CNN menggunakan data sampel training yang ada dan diharapkan artifak-artifak pengotor di dalam semen dapat dibersihkan dari frame.

Sperma hasil deteksi menggunakan CNN kemudian diidentifikasi bentuknya. Fitur sperma yang khasdari sperma adalah bentuknya mirip dengan elips. Pendeteksian bentuk elips ini diperlukan untuk menentukan axis major dan axis minor dari kepala sperma. Kemudian dilakukan pendeteksian ekor sperma. Artifak dari tahap ini adalah sebuah perangkat lunak untuk mendeteksi sperma sapi dan menghitung konsentrasinya dengan input berupa video sampel sperma.

2. Penanganan Oklusi
Penentuan sudut arah pergerakan kepala sperma menjadi sangat penting karena permasalah yang sering terjadi pada pelacakan sperma adalah kesalahan pelacakan pada saat sperma berpapasan atau terjadi oklusi. Pada saat kasus tersebut terjadi, data association berdasarkan posisi saja tidak cukup.

Dari hasil pendeteksian kepala sperma yang berbentuk elips dan ekor sperma kemudian ditentukan arah spermanya. Dilihat dari morfologinya dapat kita simpulkan bahwa arah pergerakan kepala sperma berlawanan dengan posisi ekornya. Jadi dengan mendeteksi kepala dan ekor sperma, bisa ditentukan arah pergerakan spermanya.

Jika pendeteksian dapat dilakukan dengan baik dan arah pergerakan sperma bisa ditentukan, maka proses pencocokan sperma-sperma antar-frame menjadi jauh lebih mudah. Pencocokan bisa dilakukan dengan algoritma data association yang sudah ada saat ini. Salah satu algoritma pencocokan yang tepat untuk kasus pelacakan sperma adalah algoritma Hungarian.

Tahap ini termasuk tahap besar dalam penelitian ini. Artifak dari tahap ini adalah perangkat lunak yang sudah ditambahkan kemampuan pelacakan multisperma sapi yang handal dalam menangani oklusi.Kehandalan menjadi fokus utama dalam tahap ini dibandingkan kecepatan komputasi.

3. Penghitungan Parameter CASA dan Persentase Sperma Motil
Akhir dari pelacakan multisperma adalah menghitung persentase sperma motil. Informasi ini diperlukan oleh para dokter hewan di laboratorium untuk memutuskan apakah sampel semen yang diperiksa layak untuk digunakan/ dipreservasi atau tidak. Prosesnya diawali dengan penghitungan parameter CASA berdasarkan hasil pelacakan dan lintasan sperma yang di. Dari parameter CASA ini kemudian dilakukan klasifikasi mana sperma yang masuk ke dalam kategori motil, kurang motil dan tidak motil.

Dalam penelitian ini, penilaian motilitas sperma dilakukan dengan menggunakan semua parameter CASA. Parameter ini dihitung dengan menggunakan persamaan yang terdapat pada Lampiran B (Priyanto Hidayatullah dkk., 2015; Witkowski, 2004; World Health Organization, 2010). Berdasarkan panduan pengguna laboratorium WHO (World Health Organization, 2010), menganalisis motilitas sperma menggunakan CASA bisa dilakukan dengan minimal 1 detik video. Namun pada penelitian ini, video yang digunakan berdurasi 30 detik � 1 menit agar bisa benar-benar menguji kehandalan metode yang dibangun.Artifak pada tahap ini adalah hasil analisis keterhubungan hasil pelacakan, parameter CASA dan motilitas sperma sapinya.

4. Peningkatan Kecepatan Komputasi dengan Pemrograman Paralel
Pelacakan yang handal sering kali membutuhkan komputasi yang berat. Untuk mengatasi hal ini dilakukan pembagian kerja komputasi dengan perangkat keras lain di dalam komputer yaitu Graphics Processing Unit (GPU). GPU dipilih karena memiliki kemampuan besar di mana komputasi bisa lebih cepat sampai 10x lipat jika dibandingkan dengan komputasi biasa (Colantoni dkk., 2003) dan dapat didukung oleh banyak kakas pembelajaran mesin.Namun sebelum itu harus dieksplorasi dulu bahasa pemrograman yang mendukungnya yaitu CUDA karena bahasa ini termasuk jarang digunakan untuk kasus-kasus umum pemrograman. Bahasa pemrograman ini khusus untuk penggunaan GPU dengan produsen Nvidia.

Artifak dari tahap ini adalah perangkat lunak yang sudah dikembangkan dengan kemampuan pemrograman paralel menggunakan GPU. Jika pada tahap sebelumnya kehandalan menjadi fokus utamanya, pada tahap ini kecepatan komputasi adalah yang paling utama.

5.Team

Priyanto Hidayatullah, S.T., M.Sc.
Prof. Dr. Tati Latifah Mengko
Dr. Ir. Rinaldi Munir, M.T.
Dr. Anggraini Barlian

6.Computation plan (required processor core hours, data storage, software, etc)

Basic Node: 4
GPU Node: 2
Storage: 5 GB (banyak video dan gambar sebagai dataset training dan testing)
Software: Anaconda 2 & 3, Python 2 & 3, Cuda, Tensor Flow, Keras, OpenCV 3.2
 

7.Source of funding
Beasiswa S3 LPDP
8.Target/outputs
Jurnal Internasional Q1 atau Q2
9.Date of usage
08/03/2018 - 14/04/2022
10.Gpu usage
use gpu
11.Supporting files
prop_1520493207.pdf
12.Created at
08/03/2018
13.Approval status
approved