<![CDATA[Malaria adalah penyakit yang ditularkan oleh nyamuk betina Anopheles. Deteksi dini penyakit ini umumnya dilakukan menggunakan teknik mikroskopis pada sel darah merah. Penelitian ini bertujuan untuk mencari metode Convolutional Neural Network (CNN) berbasis arsitektur pretrained machine learning yang paling optimal untuk mendeteksi parasit malaria dalam citra darah mikroskopis. Kami membandingkan performa dua arsitektur CNN, yaitu EfficientNetV2S dan ConvNeXtBase, dengan menggunakan dataset yang terdiri dari 27.588 citra sel darah merah manusia, yang terbagi menjadi dua kategori: Parasitized dan Uninfected. Model dilatih dengan dua pengaturan learning rate: minimum (0,0001) dan maksimum (0,001). Evaluasi kinerja model dilakukan menggunakan confusion matrix untuk membandingkan performa dan stabilitas kedua metode dalam klasifikasi citra. Hasil penelitian menunjukkan bahwa EfficientNetV2S dengan learning rate minimum (0,0001) berhasil mencapai akurasi validasi tertinggi sebesar 96%, sedangkan ConvNeXtBase hanya mencapai akurasi maksimal sebesar 68%. Selain akurasi yang lebih tinggi, model EfficientNetV2S juga menunjukkan efisiensi komputasi yang lebih baik, sehingga menjadi pilihan yang lebih tepat untuk tugas deteksi malaria berbasis deep learning. Dengan demikian, penelitian ini menyimpulkan bahwa model arsitektur EfficientNetV2S dengan learning rate minimum merupakan pendekatan yang efektif untuk mendeteksi dini infeksi malaria dalam citra sel darah merah. Temuan ini menunjukkan bahwa teknologi deep learning memiliki potensi besar dalam membantu deteksi dini penyakit malaria. Penelitian lebih lanjut diperlukan untuk meningkatkan performa model atau mengeksplorasi metode alternatif untuk deteksi malaria.]]>
