View/Open

Author

Date Published
02 Jul 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi permasalahan kesehatan global yang serius, dengan 263 juta kasus dan 597 ribu kematian tercatat pada tahun 2023. Diagnosis standar melalui pemeriksaan mikroskopis apusan darah memerlukan tenaga ahli terlatih yang semakin langka, khususnya di daerah terpencil. Penelitian ini bertujuan mengembangkan dan mengevaluasi model deteksi otomatis parasit Plasmodium falciparum dan sel darah putih (White Blood Cell/WBC) pada citra mikroskopis apusan darah menggunakan arsitektur YOLO-Para, yaitu modifikasi YOLOv8 yang dilengkapi modul CBAM (Convolutional Block Attention Module), C3STR (C3 with Swin Transformer), dan NAM Attention (Normalization-based Attention Module). Dataset yang digunakan berasal dari Kaggle Malaria Bounding Boxes berisi 1.364 citra mikroskopis dengan anotasi bounding box dalam format JSON yang dikonversi ke format YOLO menjadi 2 kelas: Parasite dan WBC. Ketidakseimbangan kelas yang ekstrem (rasio 24:1) diatasi melalui teknik oversampling pada training set sehingga rasio tereduksi menjadi 7:1. Dua varian arsitektur dibandingkan: YOLO-Para-AP dengan 5 detection heads (∼66 juta parameter) dan YOLO-Para-SMP dengan 3 detection heads (∼25 juta parameter), keduanya dilatih selama 100 epoch menggunakan GPU NVIDIA GeForce RTX 5070. Hasil evaluasi menunjukkan bahwa YOLO-Para-SMP mencapai mAP50 sebesar 93,1 persen dan mAP50-95 sebesar 76,4 persen, sementara YOLO-Para-AP mencapai mAP50 92,2 persen dan mAP50-95 76,0 persen. Namun demikian, model AP mencatatkan nilai Recall tertinggi sebesar 93,9 persen berbanding 87,7 persen pada SMP. Berdasarkan pertimbangan klinis bahwa sensitivitas deteksi (Recall) lebih diprioritaskan dalam sistem skrining medis, konfigurasi YOLO-Para-AP dengan hyperparameter standar (kaggle v1) ditetapkan sebagai model final. Eksperimen ablasi hyperparameter membuktikan bahwa pendekatan oversampling pada level data lebih efektif daripada manipulasi bobot fungsi kerugian dalam menangani ketidakseimbangan kelas pada arsitektur hibrida berbasis atensi.

URI
https://repo.itera.ac.id/depan/submission/SB2606260104

Keyword
deep learning deteksi malaria YOLO-Para citra mikroskopis object detection