Electronic Theses and Dissertation

Salah satu penyakit menular yang menyebabkan jumlah kematian terbesar di dunia disebabkan oleh penyakit malaria. Jumlah kasus malaria setiap tahunnya yang dilaporkan sebanyak 240 juta kasus. Gejala yang dirasakan jika terkena penyakit ini muncul 10-15 hari setelah parasit masuk ke dalam tubuh. Jika tidak ditangani secara medis, penyakit ini menjadi kronis yang berujung pada kematian. Saat ini untuk mendiagnosis penyakit malaria dilakukan secara visual menggunakan mikroskop dalam melakukan pendeteksian sel darah merah yang terjangkit parasit. Hal ini membutuhkan proses yang panjang dan dapat berujung kepada diagnosis yang terlambat dan salah. Berdasarkan masalah tersebut, diperlukan sebuah sistem yang dapat melakukan klasifikasi penyakit malaria dengan cepat. Sehingga pada penelitian ini, dirancang sebuah sistem yang dapat melakukan pengklasifikasian penyakit malaria melalui pembelajaran mendalam (deep learning) menggunakan citra apusan darah dengan memanfaatkan teknik ekstraksi fitur menggunakan fitur tekstur Local Binary Pattern (LBP). Dalam penelitian ini untuk mendapatkan model deep learning yang prediktif dan akurasi yang tinggi dilakukan pengevaluasian model terhadap arsitektur ResNet34, VGG16, InceptionV3, dan EfficientNetB4. Dari Penelitian yang dilakukan, hasil pengujian menunjukkan bahwa kinerja klasifikasi penyakit malaria dengan menggunakan metode LBP memiliki tingkat akurasi yang baik dengan menggunakan arsitektur EfficienNetB4 memperoleh persentase akurasi sebesar 91%, dengan arsitektur VGG16 memperoleh akurasi sebesar 87%, dengan arsitektur ResNet34 sebesar 81%, dan arsitektur InceptionV3 sebesar 77%.
Kata kunci: Klasifikasi penyakit malaria, Deep learning, Fitur tekstur, Local Binary Pattern

One of the infectious diseases that causes the largest number of deaths in the world is caused by malaria. The number of malaria cases reported annually is 240 million cases. Symptoms that are felt when exposed to this disease appear 10-15 days after the parasite enters the body. If not treated medically, this disease becomes chronic which leads to death. Currently, the classification of malaria is done visually using a microscope to detect red blood cells infected with the parasite. This is a lengthy process and can lead to late and incorrect diagnoses. Based on these problems, we need a system that can diagnose malaria quickly. So in this study, a system was designed that can classify malaria through deep learning using blood smear images by utilizing feature extraction techniques using the Local Binary Pattern (LBP) texture feature. In this study, to obtain deep learning a predictive and high accuracy ResNet34, VGG16, Inception V3, and EfficientNetB4. From the research conducted, the test results show that classifying malaria using the LBP method has a good level of accuracy using the EfficienNet architecture to obtain an accuracy percentage of 91%, with the VGG16 architecture obtaining an accuracy of 87%, with the ResNet34 architecture at 81%, and InceptionV3 architecture by 77%. Keywords: Classification of malaria, Deep learning, Texture features, Local Binary Pattern