EVALUASI PERFORMA DENSENET-CNN UNTUK DETEKSI MALARIA PADA CITRA MIKROSKOPIS SEL DARAH MERAH

Tiana Sari; Rudi Kurniawan; Bani Nurhakim; Indra Pratama Putra; Kaslani .

Authors

Tiana Sari STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Indra Pratama Putra STMIK IKMI Cirebon, Indonesia
Kaslani . STMIK IKMI Cirebon, Indonesia

Keywords:

Convolutional Neural Network, DenseNet, Malaria, Citra Mikroskopis, Klasifikasi

Abstract

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles. Proses identifikasi parasit pada citra mikroskopis sel darah merah umumnya masih dilakukan secara manual, sehingga membutuhkan waktu, ketelitian tinggi, dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk menganalisis efektivitas Convolutional Neural Network (CNN) berbasis arsitektur DenseNet dalam mendeteksi malaria pada citra mikroskopis. Dataset penelitian terdiri atas 550 citra sel darah merah yang dikelompokkan ke dalam dua kelas, yaitu Parasitized dan Uninfected. Proses penelitian meliputi tahapan prapemrosesan, augmentasi data, implementasi DenseNet121, serta evaluasi performa model menggunakan data validasi dan pengujian. Hasil penelitian menunjukkan bahwa model mampu menghasilkan prediksi dengan tingkat akurasi dan konsistensi yang tinggi, ditandai dengan keyakinan prediksi lebih dari 90% pada sebagian besar citra uji. Model juga menunjukkan kemampuan yang baik dalam membedakan sel darah merah yang terinfeksi dan tidak terinfeksi. Dengan demikian, CNN berbasis DenseNet terbukti efektif dan potensial untuk diterapkan sebagai sistem pendukung diagnosis malaria berbasis citra mikroskopis.

References

K. Hoyos and W. Hoyos, “Supporting malaria diagnosis using deep learning and data augmentation,” Diagnostics, vol. 14, no. 7, p. 690, 2024, doi: 10.3390/diagnostics14070690.

A. Z. Rahman, M. T. Islam, M. R. Islam, A. S. M. Kayes, and A. Al-Nafjan, “Enhancing image-based diagnosis of gastrointestinal tract diseases using deep convolutional neural networks,” BMC Medical Imaging, vol. 24, p. 147, 2024, doi: 10.1186/s12880-024-01479-y.

S. Mandasari, B. H. Hayadi, and R. Gunawan, “Analisis Sentimen Pengguna Transportasi Online Terhadap Layanan Grab Indonesia Menggunakan Multinomial Naive Bayes Classifier,” J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD), vol. 5, no. 2, p. 118, 2022, doi: 10.53513/jsk.v5i2.5635.

M. Mujahid et al., “Efficient deep learning-based approach for malaria detection using red blood cell smears,” Scientific Reports, vol. 14, p. 13249, 2024, doi: 10.1038/s41598-024-63831-0.

X. Liu, L. Faes, A. Kale, S. Wagner, D. J. Fu, and A. K. Denniston, “Transfer learning for medical image classification: Performance, limitations, and recommendations,” PLOS ONE, vol. 18, no. 4, p. e0284229, 2023, doi: 10.1371/journal.pone.0284229.

Nurul Huda et al., “Malaria merupakan infeksi penyakit yang ditularkan oleh gigitan nyamuk melalui protozoa parasit. Deteksi penyakit ini menggunakan pengambilan sampel sel darah merah dengan menghitung seberapa tinggi jumlah parasit di dalam sel darah merah.,” journal of Information System, 2022.

N. Wu, D. Jia, C. Zhang, and Z. Li, “Cervical cell classification based on strong feature CNN-LSVM network using Adaboost optimization,” vol. 44, no. 3, pp. 4335–4355, 2023, doi: 10.3233/JIFS-221604.

D. J. Chaudhari and K. Malathi, “Detection and Prediction of Rice Leaf Disease Using a Hybrid CNN-SVM Model,” Optical Memory and Neural Networks (Information Optics), vol. 32, no. 1, pp. 39–57, 2023, doi: 10.3103/S1060992X2301006X.

M. Khan and S. Kwon, “1D-CNN: Speech Emotion Recognition System Using a Stacked Network with Dilated CNN Features,” Computers, Materials and Continua, vol. 67, no. 3, pp. 4039–4059, 2021, doi: 10.32604/cmc.2021.015070.

L. Zhang, L. Wang, J. Dang, L. Guo, and Q. Yu, “Gender-aware CNN-BLSTM for speech emotion recognition,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2018, pp. 782–790. doi: 10.1007/978-3-030-01418-6_76.

R. Maurya, N. Nath Pandey, and M. Kishore Dutta, “VisionCervix: Papanicolaou cervical smears classification using novel CNN-Vision ensemble approach,” Biomed. Signal Process. Control, vol. 79, 2023, doi: 10.1016/j.bspc.2022.104156.