Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Information Technology, Software Engineering and Computer Science
Eli Safitri
Universitas Negeri Medan
Computer Science & IT Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Algoritma YOLOv8 Untuk Deteksi Penyakit Malaria Menggunakan Citra Sel Darah Eli Safitri; Susiana
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.414

Abstract

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi salah satu permasalahan kesehatan di berbagai negara, termasuk Indonesia. Proses diagnosis malaria secara mikroskopis memerlukan ketelitian serta waktu yang relatif lama karena dilakukan secara manual oleh tenaga medis. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv8s pada sistem berbasis web untuk mendeteksi dan mengklasifikasikan lima spesies Plasmodium, yaitu Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae, Plasmodium ovale, dan Plasmodium knowlesi menggunakan citra mikroskopis sel darah merah. Dataset yang digunakan berjumlah 5.000 citra hasil augmentasi yang dibagi menjadi data pelatihan, validasi, dan pengujian. Proses pelatihan model dilakukan menggunakan framework Ultralytics YOLOv8, sedangkan pengujian sistem dilakukan menggunakan metode Black Box Testing dan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa model YOLOv8s memperoleh nilai Precision sebesar 99,19%, Recall sebesar 97,59%, F1-Score sebesar 98,38%, mAP@50 sebesar 98,85%, dan mAP@50-95 sebesar 81,17%, yang menunjukkan kemampuan model dalam mendeteksi dan mengklasifikasikan objek dengan tingkat akurasi yang tinggi. Hasil pengujian Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai dengan fungsi yang diharapkan. Sementara itu, pengujian usability menggunakan metode System Usability Scale (SUS) yang melibatkan 15 responden memperoleh nilai rata-rata 81,66, termasuk dalam kategori Best (Grade B). Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma YOLOv8s mampu mendeteksi dan mengklasifikasikan spesies Plasmodium secara efektif serta dapat diimplementasikan pada aplikasi berbasis web sebagai alat bantu deteksi malaria.
Co-Authors Susiana