<![CDATA[Penelitian ini mengembangkan model Convolutional Neural Network (CNN) untuk mendeteksi infeksi malaria dari gambar mikroskopis darah. Dataset "Cell Images for Malaria Detection" digunakan dan dibagi menjadi data pelatihan, validasi, dan pengujian, dengan augmentasi data melalui ImageDataGenerator untuk meningkatkan variasi dan kemampuan generalisasi model. Pelatihan model dilakukan dengan callback 'EarlyStopping' untuk menghindari overfitting dan mengoptimalkan waktu pelatihan, sehingga model berhenti lebih awal saat tidak ada peningkatan signifikan pada validasi loss. Hasil penelitian menunjukkan akurasi tinggi antara 0.9482 hingga 0.9595 dan nilai loss yang rendah, dengan konvergensi dalam 3 hingga 6 epoch. Evaluasi menggunakan dataset validasi memastikan bahwa model dapat memprediksi dengan akurat pada data yang belum pernah dilihat sebelumnya. Model ini menunjukkan potensi besar sebagai alat bantu diagnosis otomatis malaria yang cepat dan andal, terutama di daerah dengan keterbatasan sumber daya medis, sehingga dapat membantu mengurangi angka kematian dan morbiditas akibat malaria. Dengan demikian, penelitian ini memberikan kontribusi signifikan dalam upaya global untuk mengendalikan dan memberantas malaria.]]>
Copyrights © 2024
