View/Open

Author

Date Published
23 Sep 2026

Advisor
Rudi Setiawan, S.T., M.T.,
I Gde Eka Dirgayussa, M.Si.,

Subject
Teknik Biomedis

Publisher

Malaria merupakan salah satu penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi permasalahan kesehatan di berbagai wilayah. Proses deteksi parasit malaria melalui pemeriksaan mikroskopis membutuhkan ketelitian tinggi serta waktu yang cukup lama, sehingga diperlukan sistem otomatis berbasis kecerdasan buatan untuk membantu proses deteksi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi parasit malaria pada citra mikroskopis menggunakan metode deep learning berbasis arsitektur YOLO-PAM serta mengevaluasi kemampuan model dalam mendeteksi objek parasit Plasmodium falciparum dan Plasmodium vivax. Dataset yang digunakan terdiri dari 2.273 citra mikroskopis dengan dua kelas target, yaitu Plasmodium falciparum dan Plasmodium vivax. Berdasarkan hasil evaluasi, model terbaik yaitu YOLO-PAM dengan dataset oversampling memperoleh performa deteksi dengan nilai precision sebesar 0,847, recall sebesar 0,869, F1-score sebesar 0,857, mAP50 sebesar 0,891, dan mAP50-95 sebesar 0,592. Hasil tersebut menunjukkan bahwa model mampu melakukan identifikasi dan lokalisasi parasit malaria pada citra mikroskopis dengan tingkat performa deteksi yang baik. Penerapan oversampling juga membantu meningkatkan kemampuan model dalam menangani ketidakseimbangan distribusi kelas pada dataset, khususnya dalam mendeteksi kelas dengan jumlah data yang lebih sedikit.

URI
https://repo.itera.ac.id/depan/submission/SB2609230045

Keyword
Deep learning Malaria Object detection Plasmodium falciparum Plasmodium vivax YOLO-PAM