Catalog Detail

Malaria merupakan penyakit infeksi yang menjadi masalah kesehatan global dengan tingkat kematian tinggi, terutama di wilayah berkembang. Diagnosis konvensional melalui pemeriksaan mikroskopis manual bergantung pada keahlian analis sehingga rentan terhadap ketidakkonsistenan dan membutuhkan waktu yang tidak sedikit. Penelitian ini mengembangkan model deteksi infeksi malaria berbasis Convolutional Neural Network (CNN) dengan pendekatan transfer learning menggunakan arsitektur ResNet50 yang telah dilatih sebelumnya pada dataset ImageNet. Dataset yang digunakan adalah Malaria Cell Images Dataset dari National Institutes of Health (NIH) yang terdiri dari 27.560 citra thin blood smear sel darah merah dengan dua kelas, yaitu Parasitized dan Uninfected, yang dibagi dengan rasio 80:10:10 untuk data latih, validasi, dan uji. Pelatihan dilakukan melalui dua fase, yaitu feature extraction dengan membekukan seluruh layer ResNet50, dilanjutkan dengan fine-tuning dengan membuka 30 layer terakhir ResNet50. Hasil evaluasi model pada data uji independen menunjukkan akurasi sebesar 96,63%, sensitivitas 95,57%, spesifisitas 97,68%, precision 97,63%, dan F1-Score 96,59%. Analisis kurva training membuktikan bahwa model tidak mengalami overfitting dengan selisih train accuracy dan validation accuracy hanya 0,47%. Hasil penelitian ini menunjukkan bahwa pendekatan transfer learning berbasis ResNet50 dapat digunakan sebagai alat bantu diagnosis malaria yang objektif, konsisten, dan akurat, khususnya di wilayah dengan keterbatasan tenaga ahli patologi.