<![CDATA[Sel darah putih merupakan komponen vital dalam sistem kekebalan tubuh pada manusia yang berperan penting dalam melindungi tubuh dari serangan mikroorganisme penyebab penyakit. Variabilitas hasil dalam klasifikasi sel darah putih yang disebabkan oleh keterbatasan metode identifikasi manual masih menjadi isu kritis bagi akurasi system diagnostic berbasis citra. Dalam studi ini difokuskan untuk mengatasi permasalahan tersebut dengan merancang model jarignan saraf konvolusional (CNN) hybrid baru yang dinamakan SAN-Net, yang mengintegrasikan keunggulan arsitektur NASNetMobile dan MobileNet guna meningkatkan akurasi dalam klasifikasi jenis sel darah putih (basophil, erythroblast, monocyte, myeloblast, dan seg neutrophil). Model yang diusulkan dilatih menggunakan dataset citra sel darah putih yang dikumpulkan dari Kaggle kemudian dibandingakan dengan arsitektur standar yakni NASNetMobile. Hasil Pengujian menunjukkan bahwa model SAN-Net memberikan performa terbaik, dengan capaian akurasi, presisi, recall, dan Skor F1 sebesar 99,80%, serta secara signifikasi melampaui kinerja model pembanding. Temuan ini mengindikasikan bahwa potensi arsitektur deep learning modern dalam menghadirkan sistem klasifikasi sel darah putih otomatis dengan konsisten dan akurat, sehingga dapat meningkatkan efisiensi proses diagnosis.]]>
Copyrights © 2026
