View/Open

Author

Date Published
18 Jun 2026

Advisor
Arkham Zahri Rakhman, S.Kom., M.Eng.,
Imam Eko Wicaksono, S.Si., M.Si.,

Subject
Teknik Informatika

Publisher

Identifikasi sel darah putih secara manual sangat rentan terhadap kelelahan visual dan subjektivitas pengamat. Deep Learning menawarkan solusi otomatisasi klasifikasi yang akurat, namun efisiensi komputasi pada perangkat keras standar medis masih menjadi tantangan. Penelitian ini bertujuan membandingkan kinerja model lightweight CNN, yaitu MobileNetV3-Large dan EfficientNet-B0, guna menemukan algoritma klasifikasi yang paling unggul secara komputasional maupun klinis. Pendekatan yang digunakan adalah Transfer Learning dengan memodifikasi lapisan klasifikasi (Custom Head) berwujud deep sequential pada kedua arsitektur tersebut. Pelatihan menggunakan dataset WBCAtt yang terdiri dari lima kelas sel darah putih dengan mengimplementasikan skema Two-Stage Training untuk memitigasi distorsi fitur bawaan (catastrophic forgetting). Evaluasi kinerja difokuskan pada metrik klasifikasi dan kompleksitas sumber daya. Hasil pengujian menunjukkan bahwa modifikasi Custom Head berhasil meningkatkan performa kedua model secara signifikan. Penelitian ini mematahkan asumsi bahwa model yang lebih berat pasti lebih akurat, di mana MobileNetV3 Modifikasi keluar sebagai arsitektur pemenang dengan mencapai akurasi tertinggi sebesar 99,16%, mengungguli EfficientNet-B0 yang tertahan di angka 98,77%. Selain memegang rekor akurasi klinis, MobileNetV3 Modifikasi juga mendominasi efisiensi komputasi dengan ukuran model yang hanya memakan memori sebesar 13,57 MB dan latensi waktu inferensi tercepat di angka 6,337 milidetik per citra. Karakteristik ganda berupa ketangguhan diagnosis dan efisiensi memori yang ekstrem ini menjadikan MobileNetV3 sebagai solusi komputasi yang paling realistis untuk diimplementasikan pada fasilitas layanan kesehatan dasar.

URI
https://repo.itera.ac.id/depan/submission/SB2607180006

Keyword
Sel Darah Putih Deep Learning MobileNetV3 EfficientNet-B0 Transfer Learning