Electronic Theses and Dissertation

ABSTRAK
Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles betina. Diagnosis malaria secara mikroskopis masih menjadi metode utama, namun memerlukan waktu dan keahlian khusus karena risiko kesalahan dalam identifikasi parasit yang sangat kecil. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan pengembangan sistem deteksi malaria otomatis dari citra mikroskopik darah menggunakan model Convolutional Neural Network (CNN) dengan tiga arsitektur berbeda, yaitu EfficientNet, ResNet, dan MobileNet. Model yang telah dilatih kemudian diintegrasikan ke dalam perangkat Edge AI, yaitu Nvidia Jetson Orin Nano, dan divisualisasikan menggunakan Streamlit. Hasil evaluasi menunjukkan bahwa arsitektur ResNet-34 memberikan performa terbaik, dengan akurasi sebesar 93%, recall 92%, presisi 94%, spesifisitas 94%, dan skor F1 sebesar 93%. Sistem ini memungkinkan deteksi malaria secara cepat, akurat, dan real-time pada perangkat komputasi tepi. Video demonstrasi dari sistem yang dikembangkan dapat diakses melalui tautan berikut: https://youtu.be/5_YULMHdXJY
Kata Kunci: Malaria, Deep Learning, Edge AI, Streamlit.

ABSTRACT Malaria is an infectious disease caused by the Plasmodium parasite and transmitted through the bite of a female Anopheles mosquito. Microscopic examination remains the primary method for diagnosing malaria; however, it requires time and specialized expertise due to the risk of misidentifying the tiny parasites. To address these limitations, this study proposes the development of an automated malaria detection system from microscopic blood images using Convolutional Neural Networks (CNN) with three different architectures: EfficientNet, ResNet, and MobileNet. The trained models were then integrated into an Edge AI device, the Nvidia Jetson Orin Nano, and visualized using Streamlit. Evaluation results show that the ResNet-34 architecture delivers the best performance, achieving an accuracy of 93%, recall of 92%, precision of 94%, specificity of 94%, and an F1-score of 93%. This system enables fast, accurate, and real-time malaria detection on edge computing devices. A demonstration video of the developed system can be accessed at the following link: https://youtu.be/5_YULMHdXJY Keywords: Malaria, Deep Learning, Edge AI, Streamlit.