Digitalisasi Mikroskop Konvensional untuk Klasifikasi Plasmodium Menggunakan Convolutional Neural Network (CNN) dan Kamera
Malaria masih menjadi masalah kesehatan serius di Indonesia, terutama di wilayah endemis dengan keterbatasan fasilitas diagnostik. Pemeriksaan mikroskopis darah tebal sebagai gold standard sering memakan waktu lama dan sangat bergantung pada keahlian analis. Penelitian ini bertujuan mengembangkan sistem digitalisasi mikroskop konvensional berbasis Convolutional Neural Network (CNN) yang terintegrasi dengan kamera digital untuk mempercepat dan meningkatkan akurasi diagnosis malaria. Metode penelitian meliputi pengumpulan dataset citra mikroskopis, preprocessing, pelatihan model CNN, serta perancangan Graphical User Interface (GUI) dan integrasi modul kamera dengan mikroskop. Hasil uji 5-fold cross validation menunjukkan akurasi rata-rata 98,89%, dengan nilai precision, recall, dan F1-score mendekati 1,00, serta AUC hampir sempurna pada semua kelas (P. falciparum, P. vivax, dan uninfected). Sistem integrasi mikroskop dan kamera berhasil menampilkan hasil klasifikasi real-time, meski kualitas citra masih dipengaruhi faktor pencahayaan dan fokus kamera. Kesimpulannya, sistem ini mampu mempercepat proses klasifikasi malaria dengan akurasi tinggi dan berpotensi menjadi solusi diagnostik alternatif yang efisien di daerah endemis.
URI
https://repo.itera.ac.id/depan/submission/SB2509030023
Keyword
Deep Learning Pemrosesan Citra Jaringan Saraf Konvolusional Malaria Digitalisasi Mikroskop