<![CDATA[Acute Lymphoblastic Leukemia (ALL) adalah jenis kanker darah yang sering terjadi pada anak-anak dengan puncak kejadian usia 1 hingga 4 tahun. Deteksi dini sangat penting untuk meningkatkan prognosis pasien, namun prosedur konvensional seperti pemeriksaan visual dan analisis laboratorium tradisional sering memakan waktu dan rentan kesalahan. Oleh karena itu, diperlukan sistem pendeteksian otomatis yang lebih efisien dengan teknologi terkini.Penelitian ini bertujuan mengembangkan model deteksi leukemia pada citra mikroskopis darah dengan memodifikasi arsitektur DenseNet dan menggabungkannya dengan teknik hybrid classifier. DenseNet, sebagai varian Convolutional Neural Network (CNN), memiliki kemampuan akurat dalam mengenali pola citra, namun menghadapi tantangan terkait variabilitas gambar dan kompleksitas citra mikroskopis. Model DenseNet-201 dimodifikasi dan digabungkan dengan machine learning untuk meningkatkan akurasi deteksi.3 Model Machine learning yang digunakan adalah SVM ,XGBOOST dan Random Forest dengan 3 skenario learning rate yang berbeda.Didapatkan Hasil bahwa DenseNet-201 murni mendapatkan akurasi tertinggi 93% dan model gabungan tertinggi yaitu DenseNet-201-XCGBOOST mendapatkan akurasi tertinggi dengan 97% akurasi.Hal ini membuktikan bahwa dengan adanya penggabungan Deep Learning dan Machine Learning dapat meningkatkan akurasi model dari base model awalnya.Tentu Masih perlu adanya penelitian lebih lanjut untuk mengekplor model lainnya untuk melihat peningkatan lebih lanjut.]]>
Copyrights © 2026
