View/Open

Author
Ibnu, Farhan Al-Ghifari

Date Published
04 Jul 2026

Advisor
Ahmad Luky Ramdani, S.Komp., M.Kom,
Yuliana, M.Cs.,

Subject
Sains Data

Publisher

Diagnosis malaria otomatis merupakan tugas penting dalam dunia medis, namun masih menghadapi tantangan dalam hal subjektivitas pengamat dan gangguan (noise) pada citra mikroskopis. Convolutional Neural Network (CNN) menunjukkan performa unggul dalam menangkap fitur visual, tetapi pendekatan standar seringkali kesulitan membedakan parasit yang samar pada latar belakang yang kompleks. Penelitian ini mengusulkan penerapan metode pra-pemrosesan Highlighting pada arsitektur VGG19 yang lebih efektif, dengan mengombinasikan Adaptive Thresholding dan manipulasi ruang warna menggunakan Koreksi Gamma (γ = 0, 4) untuk mempertegas fitur parasit, sehingga memungkinkan model mengenali area infeksi secara lebih presisi. Tugas klasifikasi sel darah dipilih sebagai benchmark karena menuntut pemahaman fitur visual yang mendalam serta sensitivitas tinggi terhadap objek kecil. Model yang diusulkan dibandingkan dengan model Baseline (tanpa manipulasi warna) menggunakan metrik evaluasi komprehensif seperti Akurasi, Recall, dan analisis False Negative, yang dievaluasi pada keseluruhan populasi dataset (27.558 citra) melalui skema Stratified 5-Fold Cross Validation. Penelitian ini juga melakukan analisis visual menggunakan Grad-CAM untuk menganalisis area fokus model. Hasil eksperimen menunjukkan bahwa metode ini mampu meningkatkan rata-rata Recall (sensitivitas) dari 96,97% menjadi 97,27

URI
https://repo.itera.ac.id/depan/submission/SB2609090033

Keyword
Malaria, VGG19, Highlighting, Adaptive Thresholdin