Marlina Primary Author mixed material bibliography Banda Aceh Fakultas MIPA Informatika 2025 id Indonesia

Skripsi

Malaria merupakan penyakit menular akibat parasit Plasmodium yang ditularkan melalui gigitan nyamuk Anopheles dan masih menjadi ancaman serius di wilayah tropis. Diagnosis dini sangat penting, namun metode mikroskopis konvensional memiliki keterbatasan. Deteksi malaria pada citra mikroskopis menghadapi tantangan kemiripan visual antar objek, ukuran objek kecil, serta ketidakseimbangan kelas. Penelitian ini akan membandingkan kinerja dua model deep learning berbasis transfer learning, yaitu ResNet50 dan InceptionV3, dalam klasifikasi parasit malaria dan prediksi letak objek menggunakan bounding box. Dataset berasal dari Lacuna Malaria Detection Challenge, yang terdiri dari tiga kelas: Trophozoite, WBC, dan NEG. Kedua model dimodifikasi menjadi arsitektur multitask dengan dua output, yaitu klasifikasi dan regresi bounding box. Proses penelitian mencakup augmentasi data, resize dan normalisasi citra, serta penyesuaian hyperparameter seperti learning rate dan box loss weight. Evaluasi menggunakan metrik akurasi, F1-score, Intersection over Union (IoU), dan mean Average Precision (mAP) pada ambang IoU 0,3. Hasil eksperimen menunjukkan bahwa model InceptionV3 tanpa augmentasi menghasilkan performa terbaik, dengan akurasi 74,21% dan F1-score 0,76 untuk klasifikasi. Pada deteksi objek, model mencapai nilai IoU sebesar 0,0006 untuk kelas Trophozoite, 0,0002 untuk WBC, dan 0,0000 untuk NEG, serta mAP sebesar 0,0009 pada ambang IoU 0,3. Nilai IoU dan mAP yang rendah menunjukkan bahwa model masih menghadapi tantangan dalam lokalisasi objek yang akurat. Penurunan performa pada model dengan augmentasi menunjukkan bahwa transformasi spasial kurang sesuai untuk citra mikroskopis. Kata kunci: Malaria, Deep Learning, Transfer Learning, ResNet50, InceptionV3, Citra Mikroskopis MICROSCOPY - BIOLOGY IMAGE PROCESSING - COMPUTER SCIENCE 006.42 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 158445 2025-07-03 17:59:00 2025-07-04 09:36:50 machine generated