Identifikasi Malaria Pada Citra Darah Dengan Convolutional Neural Network
DOI:
https://doi.org/10.32877/bt.v7i2.1828
Keywords:
Computer Vision, ConvNeXtBase, Deep Learning, EfficientNetV2S, Malaria
Abstract
Malaria adalah penyakit yang ditularkan oleh nyamuk betina Anopheles. Deteksi dini penyakit ini umumnya dilakukan menggunakan teknik mikroskopis pada sel darah merah. Penelitian ini bertujuan untuk mencari metode Convolutional Neural Network (CNN) berbasis arsitektur pretrained machine learning yang paling optimal untuk mendeteksi parasit malaria dalam citra darah mikroskopis. Kami membandingkan performa dua arsitektur CNN, yaitu EfficientNetV2S dan ConvNeXtBase, dengan menggunakan dataset yang terdiri dari 27.588 citra sel darah merah manusia, yang terbagi menjadi dua kategori: Parasitized dan Uninfected. Model dilatih dengan dua pengaturan learning rate: minimum (0,0001) dan maksimum (0,001). Evaluasi kinerja model dilakukan menggunakan confusion matrix untuk membandingkan performa dan stabilitas kedua metode dalam klasifikasi citra. Hasil penelitian menunjukkan bahwa EfficientNetV2S dengan learning rate minimum (0,0001) berhasil mencapai akurasi validasi tertinggi sebesar 96%, sedangkan ConvNeXtBase hanya mencapai akurasi maksimal sebesar 68%. Selain akurasi yang lebih tinggi, model EfficientNetV2S juga menunjukkan efisiensi komputasi yang lebih baik, sehingga menjadi pilihan yang lebih tepat untuk tugas deteksi malaria berbasis deep learning. Dengan demikian, penelitian ini menyimpulkan bahwa model arsitektur EfficientNetV2S dengan learning rate minimum merupakan pendekatan yang efektif untuk mendeteksi dini infeksi malaria dalam citra sel darah merah. Temuan ini menunjukkan bahwa teknologi deep learning memiliki potensi besar dalam membantu deteksi dini penyakit malaria. Penelitian lebih lanjut diperlukan untuk meningkatkan performa model atau mengeksplorasi metode alternatif untuk deteksi malaria.
Downloads
References
S. Anraeni, “Analisis penerapan metode K-Nearest Neighbor (K-NN) pada dataset citra penyakit malaria,” Indonesian Journal of Data and Science (IJODAS), vol. 3, no. 1, pp. 17–29, 2022.
World Health Organization, World Malaria Report 2023. World Health Organization, 2023. Accessed: Nov. 26, 2024. [Online]. Available: https://www.who.int/teams/global-malaria-programme/reports/world-malaria-report-2023
N. K. C. PRATIWI, N. IBRAHIM, Y. N. FU’ADAH, and S. RIZAL, “Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 9, no. 2, p. 306, Apr. 2021, doi: 10.26760/elkomika.v9i2.306.
A. Sai Bharadwaj Reddy and D. Sujitha Juliet, “Transfer learning with RESNET-50 for malaria cell-image classification,” in Proceedings of the 2019 IEEE International Conference on Communication and Signal Processing, ICCSP 2019, Institute of Electrical and Electronics Engineers Inc., Apr. 2019, pp. 945–949. doi: 10.1109/ICCSP.2019.8697909.
N. Ain Banyal and A. Rachman Dayat, “KLASIFIKASI CITRA PLASMODIUM PENYEBAB PENYAKIT MALARIA DALAM SEL DARAH MERAH MANUSIA DENGAN MENGGUNAKAN METODE MULTI CLASS SUPPORT VECTOR MACHINE (SVM),” ILKOM Jurnal Ilmiah, vol. 8, no. 2, 2016.
G. Shekar, Revathy S., and E. Goud, Malaria Detection using Deep Learning. IEEE, 2022. doi: 10.1109/ICOEI48184.2020.9143023.
Yohannes, S. Devella, and K. Arianto, “Deteksi Penyakit Malaria Menggunakan Convolutional Neural Network Berbasis Saliency (Detection of Malaria Using Convolutional Neural Network Based on Saliency),” May 2020. doi: 10.30595/juita.v8i1.6671.
L. Lydia et al., “Image classification using deep neural networks for malaria disease detection,” International Journal on Emerging Technologies, vol. 10, no. 4, pp. 66–70, 2019, [Online]. Available: www.researchtrend.net
K. M. F. Fuhad, J. F. Tuba, M. R. A. Sarker, S. Momen, N. Mohammed, and T. Rahman, “Deep learning based automatic malaria parasite detection from blood smear and its smartphone based application,” Diagnostics, vol. 10, no. 5, May 2020, doi: 10.3390/diagnostics10050329.
T. B. Sasongko and A. Yogyakarta, “Identifikasi Citra Plasmodium Guna Mendeteksi Parasit Penyakit Malaria dengan Menggunakan Algorithm Convolutional Neural Network Plasmodium Image Identification to Detect Malaria Parasites Using The Convolutional Neural Network Algorithm,” Aug. 2022. doi: https://doi.org/10.30738/st.vol8.no2.a12796.
A. Zein, J. Raya, P. Serpong, N. 10 Tangerang, and S. Banten, “Pendeteksian Penyakit Malaria Menggunakan Medical Images Analisis Dengan Deep Learning Python Detection of Malaria Using Medical Images Analysis with Deep Learning Python,” 2019.
D. Sukumarran et al., “Automated Identification of Malaria-infected Cells and Classification of Human Malaria Parasites using a Two-stage Deep Learning Technique,” IEEE Access, 2024, doi: 10.1109/ACCESS.2024.3459411.
A. Koirala et al., “Deep Learning for Real-Time Malaria Parasite Detection and Counting Using YOLO-mp,” IEEE Access, vol. 10, pp. 102157–102172, 2022, doi: 10.1109/ACCESS.2022.3208270.
M. Sinaga, M. Albirra, and M. Sidiq, “Klasifikasi Gambar Pemandangan dengan Kecerdasan Buatan Berbasis CNN,” Apr. 2024, doi: https://doi.org/10.35870/jtik.v8i2.1424.
M. Tan and Q. V Le, “EfficientNetV2: Smaller Models and Faster Training,” 2021. [Online]. Available: https://github.com/google/
S. Woo et al., “ConvNeXt V2: Co-Designing and Scaling ConvNets With Masked Autoencoders,” Jun. 2023. [Online]. Available: https://github.com/facebookresearch/ConvNeXt-V2
S. B. Boly and M. Akbar, “Jurnal Restikom: Riset Teknik Informatika dan Komputer Segmentasi Citra Sel Darah Menggunakan Convolutional Neural Network,” vol. 6, no. 2, pp. 390-398, 2024, [Online]. Available: https://www.kaggle.com/jeetblahiri
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 bit-Tech
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.
DOI :
Abstract views: 11
/ 
PDF downloads: 9
