<![CDATA[Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium dan masih menjadi masalah kesehatan serius di Indonesia, khususnya di wilayah timur. Diagnosis malaria yang cepat dan akurat sangat penting untuk mencegah komplikasi serta memutus rantai penularan. Penelitian ini bertujuan untuk mengimplementasikan metode transfer learning menggunakan arsitektur Convolutional Neural Network (CNN) ResNet-50 dalam mendeteksi sel darah yang terinfeksi malaria pada citra mikroskopis. Dataset yang digunakan terdiri dari dua kelas, yaitu Parasitized (terinfeksi) dan Uninfected (tidak terinfeksi). Tahapan penelitian meliputi preprocessing data, augmentasi citra, pemanfaatan model pretrained ResNet-50, penambahan lapisan klasifikasi, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa model ResNet-50 mencapai akurasi sebesar 93,00%, dengan presisi 96,00%, recall 97,00%, F1-score 93,00%, dan AUC 98,00%. Dengan performa tersebut, pendekatan ini berpotensi menjadi solusi pendukung diagnosis malaria yang cepat, objektif, dan efisien, serta dapat diintegrasikan dalam sistem skrining laboratorium dan mendukung pengambilan keputusan medis berbasis kecerdasan buatan.]]>
Copyrights © 2025
