<![CDATA[Malaria tetap menjadi tantangan kesehatan global, sementara proses diagnosisnya masih bergantung pada analisis manual apusan darah tepi menggunakan mikroskop. Proses manual ini rentan terhadap kelelahan visual pemeriksa, sehingga dibutuhkan sistem deteksi otomatis yang cepat, akurat, namun tetap ringan secara komputasi untuk fasilitas dengan sumber daya terbatas. Penelitian ini bertujuan untuk mengevaluasi efektivitas kerangka kerja hibrida yang mengintegrasikan ekstraksi fitur berbasis EfficientNetV2-S melalui strategi progressive fine-tuning dengan algoritma Support Vector Machine (SVM) sebagai pengklasifikasi akhir. Dataset yang dievaluasi merupakan citra mikroskopis sel darah dari National Institutes of Health (NIH) yang dikategorikan ke dalam kelas terinfeksi (Parasitized) dan sehat (Uninfected). Tahapan penelitian mencakup prapemrosesan citra, augmentasi data, pelatihan bertahap model CNN, ekstraksi vektor fitur, optimasi parameter SVM, serta pengujian komparatif (ablation study) terhadap beberapa arsitektur baseline. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Radial Basis Function (RBF) memberikan pemisahan kelas yang paling optimal. Evaluasi pada data uji membuktikan bahwa kerangka kerja hibrida yang diusulkan mengungguli arsitektur pembanding dengan mencapai akurasi sebesar 97,00% dan F1-Score sebesar 96,99%. Secara klinis, integrasi SVM terbukti esensial dalam menekan risiko False Negative dengan keberhasilannya meningkatkan metrik sensitivitas (Recall) kelas Parasitized menjadi 96,23%. Kinerja superior tersebut dicapai dengan tingkat efisiensi yang tinggi, mencatatkan waktu inferensi hanya 21,57 detik untuk keseluruhan 2.752 citra uji. Temuan ini mengonfirmasi bahwa pendekatan usulan berpotensi besar untuk diimplementasikan sebagai sistem Computer-Aided Diagnosis (CAD) portabel yang menuntut akurasi klinis tinggi di lingkungan dengan sumber daya komputasi yang terbatas.]]>
