Ari Kusuma Yahya
171205150660
DETEKSI PENYAKIT MALARIA BERDASARKAN CITRA NODA DARAH
MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK
YANG EFISIEN. Malaria tetap menjadi salah satu penyakit menular yang signifikan
dan mematikan diberbagai Negara berkembang. Pada tahun 2021, diperkirakan 247
juta orang terjangkit malaria di 85 negara. Malaria dapat dicegah, dikendalikan dan
disembuhkan ketika metode diagnostik yang akurat dan efisien tersedia. Metode
deteksi standar malaria biasanya dengan pemeriksaan mikroskopis. Tetapi cara ini
tidak efektif dan berkualitas tinggi diagnosis tergantung pada pengalaman dan
pengetahuan ahli mikroskop. Perkembangan teknologi telah membantu memecahkan
masalah tersebut, kesalahan diagnosa dapat dicegah dengan pemeriksaan pola sel darah
merah pasien dan dapat diklasifikasikan menggunakan komputer. CNN telah terbukti
sangat efektif dalam mempelajari fitur-fitur penting dari citra dan mengenali pola-pola
yang sulit diidentifikasi oleh manusia. Namun, penggunaan deep learning dalam
bidang medis sering kali memerlukan model yang efisien dalam hal penggunaan
sumber daya komputasi. Lebih jauh lagi, model CNN yang akurat dengan jumlah
parameter minimum diperlukan agar dapat diaplikasikan pada alat atau komputer
dengan tidak membebani komputasi. Dalam penelitian ini, peneliti menguji dan
membandingkan kemampuan ShuffleNet, EfficientNet, dan ResNet50. Peneliti
menggunakan citra noda darah dan mencapai akurasi 93 ?ngan jumlah parameter
model yang 50 kali lebih sedikit dari EfficientNet dan 18 kali lebih sedikit dari
ResNet50 untuk mendeteksi 2 kategori yaitu Parasitized dan Uninfected. Memori yang
diperlukan oleh masing-masing arsitektur CNN tersebut untuk melakukan sekali
deteksi berhubungan secara linier dengan jumlah parameternya dimana ShuffleNet
hanya memerlukan memori GPU sebesar 1.5 GB berselisih 0.2 GB dari ResNet50, 2.2
kali dari EfficientNet. Lebih lanjut, ShuffleNet melakukan deteksi paling cepat yaitu
sebesar 1020 detik.
Kata kunci: Malaria, Deteksi, CNN, Deep learning, Efisien