Identifikasi Parasit Malaria Berbasis Web Menggunakan CNN pada Citra Sel Darah

Abstract

Malaria adalah penyakit menular yang umum di daerah tropis dan subtropis, yang disebabkan oleh infeksi parasit plasmodium melalui gigitan nyamuk Anopheles. Penyakit ini berisiko tinggi menyebabkan kematian, terutama pada kelompok rentan seperti bayi, balita, dan ibu hamil. Data Kementerian Kesehatan Indonesia menunjukkan peningkatan signifikan kasus malaria dari 304.607 kasus pada tahun 2021 menjadi 443.530 kasus pada tahun 2022. Meskipun pemeriksaan mikroskopis akurat dan murah, namun membutuhkan tenaga medis yang berpengalaman dan memakan waktu yang cukup lama. Oleh karena itu, pengembangan metode deteksi otomatis parasit malaria menjadi penting untuk mempercepat diagnosis dan meningkatkan akurasi. Penelitian ini bertujuan untuk membangun sistem deteksi malaria menggunakan citra sel darah dengan algoritma Convolutional Neural Network (CNN) berbasis web. Data citra sel darah diambil dari situs kaggle.com, setelah itu dilakukan data preprocessing berupa image resizing dan data augmentation. Dataset dibagi menjadi data training dan validation dengan rasio 80% untuk data training dan 20% untuk data validation. Model CNN ini terdiri dari beberapa lapisan seperti Conv2D, MaxPooling2D, Flatten, dan Dense, digunakan untuk klasifikasi citra sel darah. Model yang sudah dibuat dilatih menggunakan optimizer adam dan loss function categorical_crossentropy mencapai akurasi sebesar 96.93%. Penerapan teknik augmentasi data terbukti meningkatkan akurasi model. Web berbasis Flask dirancang untuk memungkinkan pengguna mengunggah citra sel darah dan menerima hasil deteksi secara cepat dan akurat. Sistem ini diharapkan membantu tenaga medis dan masyarakat di daerah endemik malaria dalam mendapatkan diagnosis yang cepat dan tepat, terutama di wilayah dengan akses terbatas terhadap fasilitas laboratorium dan tenaga ahli. Penelitian ini menunjukkan bahwa integrasi teknologi deep learning dan aplikasi web memiliki potensi besar dalam meningkatkan efisiensi diagnosis malaria di dunia nyata.