DETEKSI MALARIA DARI CITRA SEL DARAH MENGGUNAKAN CNN DENGAN METODE EFFICIENTNETB0 DIBANDINGKAN DENGAN RESNET50

Abstract

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi permasalahan kesehatan utama di berbagai wilayah tropis, termasuk Indonesia. Proses diagnosis malaria secara konvensional melalui pemeriksaan mikroskopis membutuhkan waktu yang relatif lama serta sangat bergantung pada keahlian tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan hasil. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan untuk meningkatkan ketepatan dan efisiensi diagnosis. Penelitian ini bertujuan mengembangkan sistem klasifikasi infeksi malaria dari citra sel darah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Dua arsitektur CNN pralatih, yaitu EfficientNetB0 dan ResNet50, digunakan untuk dibandingkan kinerjanya dalam mendeteksi sel darah yang terinfeksi. Dataset yang digunakan berasal dari Malaria Cell Images Dataset pada platform Kaggle yang terdiri atas 27.558 citra sel darah dengan dua kelas, yaitu Parasitized dan Uninfected. Tahapan pra-pemrosesan meliputi penyesuaian ukuran citra, normalisasi, serta augmentasi data berupa rotasi, pembalikan citra, zoom, shear, dan penyesuaian kecerahan. Model dilatih menggunakan algoritma optimasi Adam dengan learning rate scheduler dan early stopping. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Penelitian ini diharapkan mampu menghasilkan sistem klasifikasi malaria berbasis CNN yang akurat dan efisien untuk mendukung diagnosis otomatis