<![CDATA[Identifikasi sel darah putih secara konvensional di laboratorium memiliki keterbatasan dalam hal efisiensi waktu dan konsistensi akurasi akibat kelelahan visual manusia. Penelitian ini bertujuan mengimplementasikan arsitektur Detection Transformer (DETR) yang diintegrasikan dengan kerangka kerja YOLOv8 untuk meningkatkan performa deteksi pada lima jenis sel darah putih (Basofil, Eosinofil, Limfosit, Monosit, dan Neutrofil). Fokus utama penelitian adalah mengatasi limitasi arsitektur Convolutional Neural Network (CNN) dalam mendeteksi objek yang saling tumpang tindih (overlapping) serta menyeimbangkan distribusi kelas pada dataset publik yang terbatas. Menggunakan metodologi CRISP-DM, tahap persiapan data menerapkan teknik augmentasi spasial dan oversampling untuk memperkaya 136 citra mentah menjadi 310 citra latih beresolusi 640x640 piksel. Eksperimen dilakukan menggunakan model RT-DETR-L yang memiliki kemampuan Global Context Mapping. Hasil evaluasi menunjukkan performa unggul dengan nilai Presisi 0,957, Recall 0,933, dan mAP50 sebesar 0,931. Model berhasil mencapai akurasi sempurna (1,00) pada klasifikasi Eosinofil, Limfosit, dan Monosit. Kesimpulannya, integrasi arsitektur Transformer dan strategi augmentasi data terbukti sangat efektif dalam meningkatkan akurasi deteksi dan meminimalkan misklasifikasi, menjadikannya solusi yang tangguh untuk diimplementasikan dalam sistem diagnostik medis otomatis berbasis web menggunakan Streamlit.]]>
Copyrights © 2026
