Identifikasi Malaria Pada Citra Darah Dengan Menggunakan Convolutional Neural Network / Juanda Gilang Purnomo / 59210148 / Pembimbing: Sigit Birowo (UNPUBLISH)

Juanda Gilang Purnomo, Juanda Gilang Purnomo (2025) Identifikasi Malaria Pada Citra Darah Dengan Menggunakan Convolutional Neural Network / Juanda Gilang Purnomo / 59210148 / Pembimbing: Sigit Birowo (UNPUBLISH). Institut Bisnis Dan Informatika Kwik Kian Gie, Jakarta. (Unpublished)

	Text HALAMAN JUDUL.pdf - Published Version Download (546kB)
	Text BaB I - PENDAHULUAN.pdf - Published Version Download (22kB)
	Text BAB II - KAJIAN PUSTAKA.pdf - Published Version Download (266kB)
	Text BAB III - METODE PENELITIAN.pdf - Published Version Download (69kB)
	Text BAB IV - HASIL DAN PEMBAHASAN.pdf - Published Version Restricted to Repository staff only Download (413kB)
	Text BAB V - KESIMPULAN DAN SARAN.pdf - Published Version Download (13kB)
	Text DAFTAR PUSTAKA.pdf - Published Version Download (148kB)
	Text LAMPIRAN.pdf - Published Version Download (373kB)
	Text ORIGINALITAS.pdf - Published Version Restricted to Repository staff only Download (2MB)
	Text RESUME.pdf - Published Version Restricted to Repository staff only Download (357kB)
	Text PERSETUJUAN RESUME.pdf - Published Version Download (1MB)

Abstract

Malaria adalah penyakit yang disebabkan oleh parasit protozoa dari genus Plasmodium, yang ditularkan melalui gigitan nyamuk betina Anopheles. Saat ini, pendeteksian dini malaria masih mengandalkan metode tradisional, yang cenderung lambat dan kurang efektif. Dengan kemajuan teknologi machine learning, proses deteksi malaria dapat dilakukan dengan lebih cepat dan akurat. Dari berbagai model machine learning yang telah dikembangkan, diperlukan model yang mampu mendeteksi malaria secara cepat dan tepat. Sistem machine learning dalam penelitian ini dikembangkan menggunakan TensorFlow, dengan base model dari ConvNeXtBase dan EfficientNetV2S. Machine learning sendiri merupakan metode dalam bidang kecerdasan buatan yang memungkinkan komputer belajar dan memperoleh pengetahuan secara otomatis dari data historis tanpa instruksi langsung dari pengguna. Penelitian ini menggunakan metode kuantitatif dengan memanfaatkan kumpulan dataset yang luas, observasi langsung oleh peneliti, serta studi kepustakaan untuk mengumpulkan bahan penelitian. Dalam penelitian ini, model machine learning ConvNeXtBase dan EfficientNetV2S dibandingkan dengan menggunakan minimum learning rate dan maximum learning rate. Hasil penelitian menunjukkan confusion matrix untuk kedua model machine learning. Model EfficientNetV2S dengan minimum learning rate mencapai akurasi sebesar 94%, presisi 94%, recall 94%, dan F1-Score 96%. Dari penelitian ini dapat disimpulkan bahwa penerapan teknologi machine learning memungkinkan pendeteksian malaria menjadi lebih cepat dan efisien. Selain itu, model EfficientNetV2S menunjukkan performa yang lebih baik dibandingkan dengan model ConvNeXtBase. Penggunaan platform berbagi dataset seperti Kaggle juga dapat membantu mengatasi keterbatasan dataset dalam pengembangan model machine learning. Kata Kunci: Computer Vision, ConvNeXtBase, Deep Learning, EfficientNetV2S, Malaria

Actions (login required)

View Item