ABSTRAK
Kematian akibat Malaria merupakan masalah serius. Dikutip dari pernyataan World Health Organization (WHO) pada tahun 2018 dilaporkan sekitar 219 juta kasus malaria telah terdeteksi di seluruh dunia dengan perkiraan 405.000 kasus yang berujung kematian. Diagnosis dini dan pengobatan pasien malaria menjadi urgensi yang tak bisa dikesampingkan karena dapat membantu menunda timbulnya gejala dan sebagai bentuk pencegahan terhadap penyakit Malaria. Pada penelitian ini dirancang suatu sistem deteksi Malaria dengan dua kelas yaitu terjangkit (Parasitized) dan tidak terjangkit (Uninfected). Sistem yang dirancang menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet34 dan Library Fast-ai berdasarkan citra mikroskopi darah sebagai masukannya Citra masukan yang digunakan pada penelitian ini adalah dataset yang diambil dari Kaggle dengan nama Malaria cell image datashet dengan total dataset yang digunakan yaitu 410 dimana 310 citra merupakan data train dan 100 citra merupakan data test. Selanjutnya dilakukan pre-processing terhadap Dataset untuk meningkatkan kualitas citra dan kemudian diproses. Parameter performansi sistem yang digunakan dalam pengujian yaitu Akurasi, Presisi, Recall, dan F1-score. Hasil performansi akurasi sistem dapat mencapai hasil maksimal yaitu 98% pada kondisi Resize citra 172×172 piksel, nilai Batch size 8, nilai Epoch 25, dan Learning rate 0,001.
Kata Kunci: Malaria Detection, Convolutional Neural Network, Deep learning, ResNet34, Fast-ai