UBHINUSUBHINUS

SMATIKA JURNALSMATIKA JURNAL

Pemerikasaan mikroskopis adalah teknik pemeriksaan malaria yang paling umum digunakan di fasilitas Kesehatan. Namun, pemeriksaan mikroskopis memerlukan keahlian khusus dan waktu yang cukup lama. Penelitian ini bertujuan mengembangkan model sistem deteksi parasit malaria dalam citra sel darah menggunakan teknologi deep learning untuk meningkatkan akurasi dan kecepatan deteksi dengan algoritma Convolutional Neural Network (CNN). Penelitian ini dilakukan dalam beberapa tahapan yang terdiri dari data collection, image preprocessing, pembagian data latih dan data validasi, pembuatan model menggunakan CNN, dan evaluasi model. Model CNN dibuat untuk mengklasifikasikan gambar sel darah ke dalam dua kelas yaitu terinfeksi dan tidak terinfeksi. Dataset yang digunakan sebagai acuan dalam pembentukan model sistem deteksi menggunakan gambar sel darah dari sumber terbuka Kaggle sebanyak 11.312 gambar. Hasil evaluasi model CNN mendapatkan nilai akurasi sebesar 97.17% dalam mendeteksi gambar sel darah. Hasil tersebut menunjukkan bahwa model CNN yang dibentuk dapat digunakan untuk deteksi parasit malaria menggunakan gambar sel darah.

Model deep learning dengan CNN mencapai akurasi 97,17% untuk deteksi parasit malaria pada citra sel darah (epoch 10).Hasil tersebut menunjukkan potensi implementasi pada perangkat edge computing serta aplikasi uji klinis lapangan.Penelitian lanjutan perlu mengoptimalkan model untuk meningkatkan keandalan, efisiensi, dan biaya dalam deteksi dini malaria.

Penelitian selanjutnya dapat menyelidiki integrasi arsitektur CNN ringan seperti MobileNetV2 untuk deteksi malaria secara real-time pada perangkat edge dengan daya rendah, sambil mengevaluasi kompromi antara akurasi dan beban komputasi. Selain itu, penting untuk mengeksplorasi teknik adaptasi domain yang memungkinkan model menyesuaikan diri dengan variasi mikroskop lokal dan perbedaan preparasi sampel darah, menggunakan transfer learning pada dataset spesifik daerah. Selanjutnya, pengembangan kerangka kerja explainable AI yang memvisualisasikan fitur penting yang dipilih CNN dapat meningkatkan kepercayaan klinisi, mempercepat verifikasi hasil false positive dan false negative, serta mendukung keputusan medis yang lebih transparan. Kombinasi pendekatan ini diharapkan dapat menghasilkan sistem deteksi malaria yang lebih akurat, efisien, dan dapat diandalkan dalam berbagai kondisi lapangan, sekaligus membuka jalan bagi implementasi skala luas di wilayah endemis. Dengan fokus pada optimasi perangkat keras, adaptasi data, dan interpretabilitas model, studi lanjutan dapat mempercepat transisi teknologi ini dari laboratorium ke praktik klinis nyata.

  1. Deteksi Malaria Berbasis Segmentasi Warna Citra dan Pembelajaran Mesin | Jurnal Teknologi Informasi dan... doi.org/10.25126/jtiik.2021844377Deteksi Malaria Berbasis Segmentasi Warna Citra dan Pembelajaran Mesin Jurnal Teknologi Informasi dan doi 10 25126 jtiik 2021844377
  1. #convolutional neural network#convolutional neural network
  2. #sistem aplikasi#sistem aplikasi
Read online
File size326.1 KB
Pages8
Short Linkhttps://juris.id/p-2Wl
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test