ICSEJOURNALICSEJOURNAL

Journal of Computer Science and Engineering (JCSE)Journal of Computer Science and Engineering (JCSE)

Parasit Plasmodium yang menyebar melalui gigitan nyamuk Anopheles menyebabkan malaria, masalah kesehatan global yang signifikan. Meskipun upaya untuk mengendalikan penyebarannya, malaria tetap menjadi penyebab kematian utama di negara-negara tropis, terutama Afrika Sub-Sahara dan sebagian wilayah Asia Tenggara. Identifikasi dan diagnosis yang tepat sangat penting untuk pengobatan yang efektif. Penelitian ini bertujuan menciptakan model klasifikasi malaria berbasis pembelajaran mendalam menggunakan arsitektur EfficientNetV2B0. Model ini dirancang untuk mengidentifikasi infeksi parasit malaria dalam gambar mikroskopik sel darah merah. Dataset yang digunakan adalah koleksi gambar terbuka yang menampilkan sel darah merah yang dikategorikan sebagai terinfeksi atau tidak terinfeksi. Metode pengembangan mencakup tahap-tahap kritis, mulai dari pengumpulan data, pra-pemrosesan, augmentasi data, hingga modelling menggunakan transfer learning dengan model EfficientNetV2B0. Optimisasi Bayesian digunakan untuk meningkatkan akurasi model dengan menyesuaikan hyperparameternya. Metrik evaluasi, termasuk akurasi, presisi, recall, dan F1-score, digunakan untuk mengevaluasi kinerja model yang telah dilatih. Hasil menunjukkan bahwa model memiliki akurasi 96%, dengan presisi, recall, dan F1-score yang setara untuk kedua kelompok (terinfeksi dan tidak terinfeksi). Model ini sangat efektif dalam mendiagnosis malaria, menjadikannya alat diagnostik yang berharga untuk pengendalian dan pencegahan malaria, terutama di lokasi dengan sumber daya terbatas.

Model EfficientNetV2B0 yang dikembangkan menunjukkan kinerja sangat baik dalam klasifikasi parasit malaria, dengan akurasi 96%.Hasil penelitian menunjukkan bahwa model ini mampu mengidentifikasi sel darah merah terinfeksi dan tidak terinfeksi secara akurat.Model ini memiliki potensi besar untuk diterapkan dalam sistem diagnostik otomatis, terutama di daerah dengan akses terbatas terhadap layanan kesehatan.

1. Penelitian lanjutan dapat mengkaji efektivitas model pembelajaran mendalam lainnya seperti ResNet atau Inception untuk deteksi malaria. 2. Pengembangan sistem real-time yang mengintegrasikan model ini dengan perangkat mobile untuk diagnosis on-site di daerah terpencil. 3. Penelitian lebih lanjut dapat mengeksplorasi penggunaan transfer learning dengan model pratinja yang berbeda untuk meningkatkan akurasi dan keandalan dalam klasifikasi parasit malaria.

  1. Identification of fish meal adulterated with rice bran by using an image analysis method - IOPscience.... iopscience.iop.org/article/10.1088/1755-1315/1241/1/012138Identification of fish meal adulterated with rice bran by using an image analysis method IOPscience iopscience iop article 10 1088 1755 1315 1241 1 012138
  2. Research on Similar Animal Classification Based on CNN Algorithm - IOPscience. research similar animal... iopscience.iop.org/article/10.1088/1742-6596/2132/1/012001Research on Similar Animal Classification Based on CNN Algorithm IOPscience research similar animal iopscience iop article 10 1088 1742 6596 2132 1 012001
  3. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection... doi.org/10.7717/peerj.4568/supp-1Pre trained convolutional neural networks as feature extractors toward improved malaria parasite detection doi 10 7717 peerj 4568 supp 1
Read online
File size590.09 KB
Pages11
DMCAReport

Related /

ads-block-test