Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
Juni 2025, hlm.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
PERBANDINGAN KINERJA ARSITEKTUR CONVOLUTIONAL NEURAL
NETWORK PADA DETEKSI MALARIA MENGGUNAKAN CITRA SEL DARAH
Agung Wahyu Setiawan*1 Institut Teknologi Bandung.
Bandung Email: 1agungws@gmail.
*Penulis Korespondensi (Naskah masuk: 22 November 2023, diterima untuk diterbitkan: 20 Juni 2.
Abstrak Malaria masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama di daerah yang berstatus Standar emas penegakan diagnosis malaria adalah berbasis citra apusan atau sel darah yang diperoleh dengan menggunakan mikroskop.
Kendala utama dalam penegakan diagnosis ini adalah kurangnya tenaga ahli untuk melakukan asesmen citra sel darah.
Oleh karena itu, dilakukan diagnosis malaria berbasis citra sel darah menggunakan Artificial Intelligent (AI) / kecerdasan buatan.
Deteksi malaria berbasis AI yang dilakukan pada studi-studi sebelumnya telah menghasilkan kinerja yang sudah baik.
Namun, kinerja deteksi ini masih dapat Studi ini menggunakan 27.
558 citra sel darah yang terdiri dari 13.
779 sel darah terinfeksi dan 13.
tidak terinfeksi.
Citra-citra sel darah ini dibagi menjadi tiga kelompok, yaitu pelatihan .
%).
%).
%).
Pada studi ini, digunakan ResNet50.
ResNet101.
ResNet152.
ResNet50V2.
ResNet101V2.
ResNet152V2.
DenseNet121.
DenseNet169.
DenseNet201.
InceptionV3.
InceptionResNetV2.
VGG16.
VGG19.
dan MobileNetV2.
Tujuan utama dari studi ini adalah mencari arsitektur CNN yang memiliki kinerja terbaik dalam deteksi malaria berbasis citra sel darah.
Perbandingan kinerja diases dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under the Curve (AUC).
Arsitektur MobileNetV2 memberikan kinerja paling baik dengan nilai rata-rata pelatihan, validasi, dan pengujian tertinggi.
Nilai rata-rata akurasi mencapai 97,68%.
spesifisitas 98,61%.
sensitivitas 96,75%.
Skor F1 97,70%.
dan AUC sebesar 99,65%.
Selain itu, waktu pembuatan model arsitektur MobileNetV2 hanya sekitar 2,5 jam.
Selain itu, jumlah lapisan convolutional tidak memengaruhi kinerja deteksi malaria.
Dengan lapisan convolutional berjumlah 53.
MobileNetV2 berkinerja lebih baik dibandingkan dengan arsitektur-arsitektur lain dengan jumlah lapisan convolutional lebih banyak.
Kata kunci: citra sel darah, deteksi, kecerdasan buatan, malaria, mobilenetv2
COMPARISON OF PERFORMANCE OF CONVOLUTIONAL NEURAL NETWORKS
ARCHITECTURES ON MALARIA DETECTION USING BLOOD CELL IMAGE
Abstract Malaria is still one of the highest causes of death in the world, especially in the endemic areas.
The gold standard for diagnosing malaria is based on smears blood smears or cells image which is obtained using a microscope.
The main challenge in detecting malaria is the lack of experts to assess the blood smears.
Therefore, the detection is carried out using Artificial Intelligence (AI).
Previous studies that used AI to detect malaria have a good However, the detection performance can still be improved.
Furthermore, previous studies only used one or two or three performance metrics.
This study used 27,558 blood cell images consisting of 13,779 infected and 13,779 uninfected blood cells.
These blood cell images are divided into three groups, i.
%).
%).
and testing .
%).
In this study, several CNN architectures are used, such as ResNet50.
ResNet101.
ResNet152.
ResNet50V2.
ResNet101V2.
ResNet152V.
DenseNet121.
DenseNet169.
DenseNet201.
InceptionV3.
InceptionResNetV2.
VGG16: VGG19: and MobileNetV2.
The main objective of this study is to find the CNN architecture that has the best performance in blood cell image-based malaria detection.
Comparison of performance of CNN architectures are assessed using accuracy, sensitivity, specificity.
F1 score, and Area Under the Curve (AUC) values.
The MobileNetV2 architecture provides the best performance with the highest average values of training, validation, and testing.
The average accuracy value of 97.
specificity of 98.
of 96,75%.
F1 Score of 97.
and AUC of 0.
In addition, the time to build the MobileNetV2 model is about 5 hours, the fastest one.
This study shows that the number of convolutional layers does not affect malaria detection performance.
With 53 convolutional layers.
MobileNetV2 has the best performance.
Keywords: artificial intelligent, blood cell image, detection, malaria, mobilenetv2 644 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Juni 2025, hlm.
PENDAHULUAN
Menurut data dari World Health Organisation (WHO) dalam laporan malaria dunia .
orld malaria repor.
, di tahun 2021 terjadi peningkatan jumlah penderita dibandingkan tahun 2020.
Di tahun 2020 terdapat sekitar 245 juta kasus, dan 247 juta kasus di Diperkirakan sekitar 600 ribu lebih orang meninggal dunia akibat malaria di tahun 2021 maupun 2020 (WHO, 2.
Salah satu cara penegakan diagnosis malaria adalah menggunakan tes diagnostik cepat.
Dianjurkan untuk menggunakan kit tes diagnostik cepat yang memiliki sensitivitas dan spesifisitas minimal 95% (DEPKES, 2.
Penegakan diagnosis malaria juga dapat dilakukan dengan menggunakan analisis citra sediaan darah yang diperoleh dengan menggunakan mikroskop.
Diagnosis yang kedua ini merupakan baku emas untuk mendeteksi malaria (Kusuma dkk.
, 2.
Pemeriksaan menggunakan mikroskop menghitung kepadatan parasit.
Analisis yang dilakukan berdasarkan jumlah parasit yang ditemukan dalam satu Lapangan Pandang Besar (LPB).
Tabel 1 memperlihatkan analisis jumlah parasit untuk penegakan diagnosis malaria.
Tabel 1.
Analisis Jumlah Parasit Jumlah Parasit Nilai Negatif (-) 1 Ae 10 Positif 1 ( ) 11 Ae 100 Positif 2 ( ) 1 Ae 10 Positif 3 ( ) > 10 Positif 4 ( ) LBP Kendala utama dalam program pencegahan dan penyakit malaria, penegakan diagnosis berbasis analisis citra sediaan darah adalah berkaitan dengan sumber daya manusia.
Kelemahan terkait sumber daya manusia ini baik dari sisi kuantitas maupun kualitas tenaga ahli yang memiliki kualifikasi di bidang entomologi dan diagnosis (WHO, 2.
Untuk mengatasi masalah tersebut, dikembangkan teknologi deteksi malaria berbasis kecerdasan buatan (Artificial Intelligent/AI).
Beberapa kelebihan penggunaan teknologi deteksi berbasis AI ini adalah lebih cepat dan efisien (Nakasi , 2.
, (Maturana dkk.
, 2.
Selain itu, diagnosis malaria berbasis AI dapat diterima secara klinis, terutama di daerah dengan sumber daya, baik ahli maupun peralatan yang terbatas (Liu dkk.
, 2.
Secara umum, terdapat dua metode deteksi
AI,
yaitu menggunakan pembelajaran mesin .
achine learnin.
eep Pembelajaran mesin berbasis penglasifikasi Random Forest (RF) untuk deteksi malaria menghasilkan akurasi, presisi, sensitivitas, dan skor F1 sebesar 96,1%.
97,8%.
94,4%.
dan 96,1% (Telang & Sonawane, 2.
Beberapa pembelajaran mendalam marak digunakan dalam deteksi malaria berbasis AI.
Hal ini dikarenakan beberapa keunggulan yang dimiliki metode pembelajaran mendalam, yaitu (Poostchi dkk.
, 2.
C Pengguna tidak perlu menentukan dan mengekstraksi fitur-fitur yang ada pada suatu data.
C Tidak memerlukan adanya prapemrosesan, misalnya segmentasi maupun penentuan Region of Interest (RoI).
C Tidak terpengaruh oleh variasi pencahayaan maupun proses staining.
Kinerja deteksi malaria berbasis pembelajaran Convolutional Neural Networks (CNN) lebih baik dibandingkan dengan pembelajaran mesin (Kumar.
Chandiramani, & Kashyap, 2.
Klasifikasi berbasis Support Vector Machine (SVM) memberikan nilai akurasi 85,6% dan Area Under Curve (AUC) 0,932.
Sementara, klasifikasi dengan arsitektur CNN DenseNet memberikan nilai akurasi 96,6% dan AUC 0,991 (Narayanan.
Ali, & Hardie.
Studi lain yang menggunakan kombinasi CNN untuk deteksi malaria memberikan hasil akurasi sebesar 96,5% (Huda.
Dewi, & Mahiruna, 2.
Dengan menggunakan Deep CNN, akurasi deteksi yang diperoleh mencapai 96,7% (Kumar dkk.
Model CNN terkustomisasi yang diberi nama MozzieNet menghasilkan deteksi malaria dengan akurasi 96,73%, skor F1 96,77%, dan AUC 99,35% (Asif dkk.
, 2.
Deteksi malaria dengan menggunakan arsitektur FineTuned CNN berkinerja lebih baik dibandingkan Basic CNN.
CGG-19, dan Frozen CNN.
FineTuned CNN memberikan kinerja tertinggi dengan akurasi 0,96.
sensitivitas 0,93.
spesifisitas 0,98.
presisi 0,98.
dan skor F1 0,96 (Shekar.
Revathy, & Goud, 2.
Arsitektur Shallow ConvNet-18 merupakan hasil pengembangan dari CNN memberikan klasifikasi dengan akurasi 97,8%, sensitivitas 97,9%, spesifisitas 97,8%, nilai prediksi positif 97,8%, dan skor F1 97,84% (Elangovan & Nath, 2.
Arsitektur CNN like sequential memberikan nilai akurasi pelatihan, validasi, dan pengujian sebesar 98%, 96%, dan 96% (Sinha dkk.
Studi lain yang juga menggunakan CNN terkustomisasi yang disertai dengan pemfilteran bilateral memberikan kinerja akurasi 96,82%, spesifisitas 97,78%, sensitivitas 96,33% dan skor F1 96,82% (Maqsood dkk.
, 2.
Arsitektur Data Augmentation Convolutional Neural Network (DACNN) menghasilkan kinerja akurasi klasifikasi sebesar 94,79% (Oyewola dkk.
, 2.
Arsitektur berbasis CNN dengan nama Falcon, memberikan akurasi deteksi malaria sebesar 95,2 % (Banerjee , 2.
Sementara, dengan menggunakan arsitektur CNN terkustomisasi diperoleh nilai akurasi 95,90%.
presisi 95,6%.
dan skor F1 95,57% (Santoshi , 2.
Setiawan.
Perbandingan Kinerja ArsitekturA 645 Arsitektur VGG-19 memberikan hasil akurasi deteksi sebesar 96% (Kuzhaloli dkk.
, 2.
Deteksi malaria dengan menggunakan arsitektur ResNet dan MobileNet memberikan akurasi sebesar 97,2% dan 94,49% (Yebasse.
Cheoi, & Ko, 2.
Sementara, deteksi dengan menggunakan arsitektur Grad-CAM dan Grad-CAM memberikan sensitivitas lebih dari 95% (Mridha dkk, 2.
Studi lain yang membandingkan kinerja arsitektur Inception-ResNet.
VGG-16.
Inception, dan VGG-19 memberikan akurasi sebesar 95%, 92%, 93%, dan 91% (Khan , 2.
Studi lain yang memanfaatkan arsitektur InceptionV3 menghasilkan akurasi sebesar 91,04% (Verma dkk.
, 2.
Tabel 2.
Pernbandingan metode dan kinerja deteksi malaria Penulis (Tahu.
Metode Metrik Narayanan.
Ali, & Hardie .
Shekar.
Revathy, & Goud .
Vijayalakshmi .
Elangovan & Nath CNN DenseNet Sinha dkk.
CNN like Maqsood dkk.
CNN
pemfilteran DACNN Oyewola dkk.
Banerjee dkk.
Huda.
Dewi, & Mahiruna .
Kumar dkk.
Santoshi dkk.
Kuzhaloli dkk.
Yebasse.
Cheoi, & Ko .
Mridha dkk.
Khan dkk.
Dev dkk.
Asif dkk.
Verma dkk.
Murmu & Kumar .
FineTuned CNN
VGG-19
SVM
Shallow
ConvNet-18
CNN
CNN
Deep CNN akurasi 96,6%.
AUC 0,991 akurasi 96,5% akurasi 96,7% akurasi 96,73%, skor F1 96,77%.
AUC 99,35% akurasi 0,96, sensitivitas 0,93, spesifisitas 0,98, skor F1 0,96 akurasi 97,8%, sensitivitas 97,9%, spesifisitas 97,8%, skor F1 97,84% akurasi 96,67% akurasi 96,82%, spesifisitas 97,78%, sensitivitas 96,33%, skor F1 96,82% akurasi 94,79% akurasi 95,2% CNN
VGG-19
akurasi 95,90%, skor F1 95,57% akurasi 96% ResNet
akurasi 97,2% Grad-CAM
sensitivitas 95% InceptionResNet
CNN-GRUGRU
MozzieNet akurasi 95% InceptionV3 DLRFNet akurasi 91,04% akurasi 93,13%, sensitivitas 93,44%, spesifisitas 92,92%, skor F1 91,66% akurasi 94,32%, skor F1 93,78% akurasi 96,01% Salah satu teknik yang dapat digunakan untuk meningkatkan kinerja deteksi malaria berbasis citra apusan darah adalah mengombinasikan metode pembelajaran mendalam dengan pembelajaran mesin.
Kombinasi arsitektur VGG-19 dengan SVM, menghasilkan akurasi 93,13%.
sensitivitas 93,44%.
spesifisitas 92,92%.
presisi 89,95%.
dan skor F1 91,66% (Vijayalakshmi, 2.
Dengan melakukan kombinasi antara Residual CNN dengan SVM, diperoleh kinerja akurasi dan sensitivitas yang tinggi, yaitu 99,90% dan 99,98%, namun nilai spesifisitas yang diperoleh hanya 87,50% (Diker, 2.
Metode kombinasi pembelajaran mendalam dengan Random Forest (RF).
DLRFNet memberikan akurasi deteksi malaria sebesar 94,32% dan skor F1 93,78% (Murmu & Kumar, 2.
Model hibrida CNN-GRU-GRU memberikan akurasi deteksi sebesar 96,01% (Dev , 2.
Tabel 2 memperlihatkan hasil studi-studi deteksi malaria berbasis citra apusan darah menggunakan pendekatan AI berbasis CNN.
Dapat dilihat bahwa studi-studi tersebut memiliki kinerja yang tinggi, namun demikian kinerjanya masih dapat Salah satu cara yang dapat digunakan untuk meningkatkan kinerja deteksi malaria adalah menggunakan manipulasi data .
ata augmentatio.
pada saat pembuatan model.
Oleh karena itu, pada studi ini digunakan beberapa parameter manipulasi data dengan nilai tertentu untuk meningkatkan kinerja deteksi malaria.
Selain itu, pada studi-studi sebelumnya, kinerja deteksi malaria diukur hanya dengan menggunakan satu atau dua atau tiga metrik sebagai berikut: akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under Curve (AUC).
Sementara, pada studi ini Kinerja deteksi malaria dievaluasi dengan menggunakan semua metrik tersebut, yaitu akurasi, sensitivitas, spesifisitas, skor F1, dan AUC.
Beberapa studi-studi sebelumnya hanya menampilkan kinerja terbaik dari pelatihan atau pengujian.
Sementara, pada studi ini ditampilkan nilai kinerja pelatihan, validasi, serta pelatihan.
Hal ini bermanfaat untuk mengevaluasi model yang dibangun dalam kondisi underfitting atau overfitting.
METODE PENELITIAN
Set Data Pada studi ini, digunakan set data citra apusan darah malaria dari National Library of Medicine (NLM).
Set data ini diperoleh dari 150 preparat apusan darah yang terinfeksi plasmodium falciparum dan 50 preparat apusan darah tidak terinfeksi.
Apusan darah ini dikumpulkan oleh Chittagong Medical College Hospital.
Bangladesh (Rajaraman dkk.
Terdapat 27.
558 citra sel darah yang diperoleh dari 150 preparat apusan darah tersebut.
Jumlah citra sel yang terinfeksi dan tidak terinfeksi masingmasing sebesar 13.
779 dan 13.
Citra-citra sel darah tersebut dibagi menjadi tiga kelompok yang digunakan untuk pelatihan, validasi, dan pengujian dengan persentase sebesar 80%, 10%, dan 10%.
Rincian jumlah citra sel darah terinfeksi dan tidak terinfeksi untuk proses pelatihan, validasi, dan pengujian dapat dilihat pada Tabel 3.
646 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Juni 2025, hlm.
Tabel 3.
Rincian Jumlah Citra Apusan Darah Tidak Terinfeksi Terinfeksi Pelatihan Validasi Pengujian Subtotal Total Contoh citra sel darah tidak terinfeksi parasit malaria dapat dilihat pada Gambar 1.
Sementara, contoh citra sel darah terinfeksi parasit malaria diperlihatkan pada Gambar 2.
Arsitektur CNN Pada studi ini, juga dilakukan perbandingan kinerja 14 arsitektur CNN yang telah umum digunakan dalam deteksi berbasis AI.
Arsitekturarsitektur CNN ini memiliki jumlah lapisan convolutional yang berbeda-beda.
Oleh karena itu, salah satu tujuan dalam studi ini adalah convolutional terhadap kinerja deteksi malaria berbasis citra sel darah.
Gambar 1.
Citra sel darah tidak terinfeksi ResNet101V2, dan ResNet152V2.
Arsitektur CNN berikutnya yang dicoba dalam studi ini adalah berbasis Dense Convolutional Network (DenseNe.
Terdapat tiga jenis DenseNet yang digunakan, yaitu DenseNet121.
DenseNet169, dan DenseNet201.
Arsitektur CNN selanjutnya berbasis Inception, yaitu InceptionV3 dan InceptionResNetV2.
Selain itu, arsitektur CNN yang dikembangkan oleh Visual Geometry Group (VGG), yaitu VGG16 dan VGG19.
Arsitektur terakhir yang digunakan dalam studi ini MobileNetV2 memerlukan sumber daya komputasi yang relatif lebih rendah dibandingkan dengan arsitektur CNN yang lain.
Tabel 4 memperlihatkan arsitekturarsitektur CNN yang digunakan dalam studi ini beserta dengan jumlah lapisan convolutional.
Tabel 4.
Jumlah Lapisan Convolutional Arsitektur
Jumlah Lapisan ResNet50
ResNet101
ResNet152
ResNet50V2
ResNet101V2
ResNet152V2
DenseNet121
DenseNet169
DenseNet201
InceptionV3
InceptionResNetV2
VGG16
VGG19
MobileNetV2 Data yang digunakan berjumlah 27.
558 citra.
Meskipun jumlah citra yang digunakan relatif banyak, namun pada studi ini tetap dilakukan proses manipulasi .
Hal ini untuk memastikan bahwa model deteksi malaria yang mendalam berbasis CNN memiliki kinerja yang lebih Parameter-parameter manipulasi data beserta nilai yang digunakan dapat dilihat pada Tabel 5.
Tabel 5.
Parameter Manipulasi Data Manipulasi Data Nilai Dimensi target citra 224 y 224 piksel Ukuran kelompok Rentang perbesaran Rentang pergeseran Pembalikan vertical Rentang pergeseran lebar Rentang pergeseran tinggi Mode pengisian Metrik Kinerja Gambar 2.
Citra sel darah terinfeksi Terdapat enam arsitektur CNN berbasis Residual Neural Network atau disebut juga dengan Residual Network (ResNe.
yang digunakan dalam studi ini, yang terdiri dari tiga ResNet versi 1 dan tiga ResNet versi 2.
Keenam versi ResNet tersebut adalah ResNet50.
ResNet101.
ResNet152.
ResNet50V2.
Metrik yang digunakan untuk mengukur kinerja deteksi malaria berbasis citra sel darah menggunakan pembelajaran mendalam didasarkan pada nilai True Positive (TP).
True Negative (TN).
False Positive (FP), dan False Negative (FN).
Ilustrasi nilai-nilai ini dapat dilihat pada confusion matrix di Gambar 3.
Setiawan.
Perbandingan Kinerja ArsitekturA 647 Gambar 3.
Citra sel darah terinfeksi Akurasi dihitung dengan membagi nilai prediksi yang benar (TP dan TN) dengan semua data seperti pada persamaan .
Pada persamaan .
, sensitivitas atau disebut juga dengan True Positive Rate (TPR) dihitung dengan membagi nilai TP dengan semua nilai positif sebenarnya (TP dan FN).
Pada persamaan .
, nilai spesifisitas dihitung dengan membagi nilai TN dengan semua nilai negatif sebenarnya (TN dan FP).
Selain ketiga metrik tersebut, metrik lain yang digunakan dalam studi ini adalah skor F1.
Metrik ini fokus tidak hanya pada nilai FP tetapi juga FN.
Skor F1 dihitung dengan menggunakan persamaan .
ycNycE ycNycA Akurasi = ycNycE ycNycA yaycE yaycA dengan penjelasan dan ilustrasi pada Gambar 4, 5, dan 6, yaitu 0,5 Ae 1,0.
Rentang nilai ini dibagi menjadi lima kualitas, yaitu Excellent, sangat baik, baik, cukup, dan kurang.
Secara umum, diagram blok sistem deteksi malaria menggunakan citra sel darah berbasis CNN yang diusulkan dalam studi ini dapat dilihat pada Gambar 4.
Terdapat dua proses utama, yaitu klasifikasi berbasis CNN dan pengukuran kinerja Kinerja ini diukur dengan metrik berupa akurasi, sensitivitas, spesifisitas, skor F1, dan AUC yang digunakan untuk memilih model klasifikasi ycNycE Sensitivitas = TPR = ycNycE yaycA ycNycA Spesifisitas = ycNycA yaycE 2yycNycE Skor F1 = 2yycNycE yaycE yaycA FPR = 1 Oe ycIycyyceycycnyceycnycycnycycayc = ycNycA yaycE Metrik terakhir yang digunakan dalam studi ini adalah AUC-ROC.
Metrik AUC sering digunakan untuk menganalisis kinerja deteksi ketika jumlah data positif dan negatifnya seimbang.
Selain itu.
AUCROC berfungsi dengan baik dalam mengarekterisasi kinerja model deteksi atau klasifikasi (Erickson & Kitamura.
AUC menggunakan nilai TPR pada persamaan .
dan FPR pada persamaan .
Nilai FPR dapat dipengaruhi oleh nilai spesifisitas.
Semakin tinggi nilai spesifisitas, maka nilai FPR akan semakin kecil dan Kurva ROC merupakan grafik antara FPR dengan TPR pada nilai cut-off tertentu.
Pada saat cutoff probabilitas dikurangi akan meningkatkan sensitivitas / TPR dan menurunkan spesifisitas, sehingga meningkatkan FPR .
- spesifisita.
Ketika cut-off Tabel 6.
Arti Nilai AUC Nilai AUC Kualitas 0,9 Ae 1,0 Excellent 0,8 Ae 0,9 Sangat Baik 0,7 Ae 0,8 Baik 0,6 Ae 0,7 Cukup 0,5 Ae 0,6 Kurang Arti kualitas rentang nilai AUC diperlihatkan dalam Tabel 6 (Trifonova.
Lokhov, & Archakov`1.
Rentang nilai AUC yang diberikan ini sesuai .
Gambar 4.
Diagram blok sistem deteksi malaria menggunakan citra sel darah berbasis CNN
HASIL DAN PEMBAHASAN
Kinerja deteksi malaria menggunakan citra sel darah berbasis pembelajaran mendalam dengan arsitektur CNN diukur dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan AUC.
Untuk masing-masing metrik kinerja tersebut, terdapat empat nilai yang dihasilkan, yaitu pelatihan.
dan rata-rata.
Arsitektur
ResNet50
ResNet101
ResNet152
ResNet50V2
ResNet101V2
ResNet152V2
DenseNet121
DenseNet169
DenseNet201
InceptionV3
InceptionResNetV2
VGG16
VGG19
MobileNetV2 Tabel 7.
Akurasi
PelaValitihan 96,11 96,73 95,77 96,77 95,89 96,84 96,07 97,17 95,64 96,59 95,40 96,59 97,03 97,35 97,03 97,57 97,39 97,17 96,01 96,73 97,46 97,24 94,93 95,90 94,92 96,08 97,47 97,64 Pengujian 96,74 96,88 97,10 97,17 96,92 96,77 97,53 97,93 98,01 97,14 97,86 96,59 96,66 97,93 Ratarata
96,53
96,47
96,61
96,80
96,38
96,25
97,30
97,51
97,52
96,63
97,52
95,81
95,89
97,68
Nilai akurasi untuk masing-masing arsitektur CNN yang digunakan dalam studi ini dapat dilihat 648 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Juni 2025, hlm.
pada Tabel 7.
Nilai akurasi paling rendah diperoleh pada deteksi menggunakan arsitektur VGG16, dengan nilai rata-rata hanya 95,81%.
Sementara, nilai tertinggi dicapai dengan menggunakan arsitektur MobileNetV2 dengan nilai rata-rata mencapai 97,68%.
Gambar 5 memperlihatkan grafik pembuatan model deteksi malaria berbasis MobileNetV2.
Dari grafik tersebut terlihat bahwa nilai akurasi pelatihan dan validasi berimpitan setelah epoch ke-10.
Sehingga model deteksi malaria yang MobileNetV2 ini dalam kondisi best fitting.
Gambar 5.
Grafik pembuatan model deteksi malaria berbasis MobileNetV2 Parameter lain yang digunakan dalam studi ini adalah sensitivitas dan spesifisitas.
Kedua parameter kinerja ini sangat umum digunakan dalam deteksi atau diagnosis di bidang medis.
Tabel 8 memperlihatkan nilai sensitivitas dari pelatihan, validasi, pengujian, beserta rata-ratanya.
Arsitektur VGG19 memberikan nilai rata-rata terrendah, yaitu sekitar 97,42%.
Sementara.
Arsitektur MobileNetV2 memberikan nilai rata-rata tertinggi, yaitu mencapai 98,61%.
Tabel 8.
Sensitivitas PelaValiArsitektur
ResNet50
97,11
97,53
ResNet101
97,09
97,97
ResNet152
97,08
97,97
ResNet50V2
97,02
97,68
ResNet101V2
96,92
97,97
ResNet152V2
96,92
97,89
DenseNet121
97,78
97,82
DenseNet169
97,65
98,11
DenseNet201
98,04
97,82
InceptionV3
97,02
97,82
InceptionResNetV2
98,31
97,60
VGG16
96,53
97,60
VGG19
96,69
97,10
MobileNetV2
98,24
98,55
Pengujian 98,98 98,62 98,55 98,77 98,77 98,33 98,69 98,69 98,62 98,62 98,55 98,62 98,48 99,06 Ratarata
97,87
97,89
97,87
97,82
97,88
97,71
98,10
98,15
98,16
97,82
98,16
97,59
97,42
98,61
Nilai spesifisitas dari pelatihan, validasi, pengujian, dan rata-ratanya diperlihatkan pada Tabel Nilai rata-rata spesifisitas terrendah diperoleh dengan menggunakan arsitektur VGG16 yaitu hanya sebesar 94,03%.
Sementara.
Arsitektur MobileNetV2 memberikan nilai rata-rata sensitifitas sebesar 96,75%.
Nilai rata-rata tertinggi diperoleh dengan DenseNet201 InceptionResNetV2 sebesar 96,88%.
Tabel 9.
Spesifisitas PelaValiArsitektur
ResNet50
95,11
95,93
ResNet101
94,46
95,57
ResNet152
94,71
95,72
ResNet50V2
95,12
96,66
ResNet101V2
94,36
95,21
ResNet152V2
93,89
95,28
DenseNet121
96,28
96,88
DenseNet169
96,42
97,02
DenseNet201
96,74
96,51
InceptionV3
95,00
95,64
InceptionResNetV2
96,60
96,88
VGG16
93,33
94,19
VGG19
93,14
95,06
MobileNetV2
96,71
96,73
Pengujian 94,49 95,14 95,65 95,58 95,07 95,21 96,37 97,17 97,39 95,65 97,17 94,56 94,85 96,81 Ratarata
95,18
95,06
95,36
95,79
94,88
94,79
96,51
96,87
96,88
95,43
96,88
94,03
94,35
96,75
Parameter kinerja keempat yang digunakan dalam studi ini adalah skor F1.
Parameter kinerja ini juga sering digunakan dalam deteksi atau diagnosis medis berbasis pembelajaran mendalam.
Pada studi ini, rata-rata skor F1 terrendah dicapai dengan menggunakan arsitektur VGG16 yang mencapai 95,88%.
Sedangkan arsitektur MobileNetV2 memberikan nilai rata-rata skor F1 tertinggi, yaitu sebesar 97,70%.
Detail nilai pelatihan, validasi, pengujian, dan rata-rata skor F1 dari beberapa arsistektur CNN yang digunakan dalam studi ini ditampilkan pada Tabel 10.
Parameter kinerja terakhir yang digunakan dalam studi ini adalah AUC.
Parameter kinerja ini juga sering digunakan untuk melakukan asesmen kinerja deteksi atau diagnosis medis berbasis pembelajaran mendalam.
Pada studi ini, skor F1 terrendah dihasilkan oleh arsitektur VGG19 dengan nilai sebesar 98,79%.
Nilai tertinggi dicapai oleh arsitektur DenseNet201 dengan nilai sebesar 99,67%.
Sementara, nilai AUC dari arsitektur MobileNetV2 mencapai 99,65%.
Rincian nilai AUC dari pelatihan, validasi, pengujian, dan rata-ratanya diperlihatkan pada Tabel 11.
Arsitektur
ResNet50
ResNet101
ResNet152
ResNet50V2
ResNet101V2
ResNet152V2
DenseNet121
DenseNet169
DenseNet201
InceptionV3
InceptionResNetV2
VGG16
VGG19
MobileNetV2 Tabel 10.
Skor F1
PelaValitihan 96,15 96,76 95,83 96,81 95,94 96,88 96,11 97,18 95,69 96,63 95,47 96,63 97,05 97,36 97,05 97,58 97,41 97,19 96,05 96,77 97,48 97,25 95,01 95,97 95,00 96,12 97,49 97,66 Pengujian 96,81 96,94 97,14 97,22 96,97 96,82 97,56 97,95 98,02 97,18 97,88 96,66 96,72 97,96 Ratarata
96,57
96,52
96,65
96,84
96,43
96,31
97,33
97,53
97,54
96,67
97,53
95,88
95,95
97,70
Setiawan.
Perbandingan Kinerja ArsitekturA 649
Arsitektur
ResNet50
ResNet101
ResNet152
ResNet50V2
ResNet101V2
ResNet152V2
DenseNet121
DenseNet169
DenseNet201
InceptionV3
InceptionResNetV2
VGG16
VGG19
MobileNetV2 Tabel 11.
AUC
PelaValitihan 0,9910 0,9955 0,9891 0,9948 0,9903 0,9944 0,9904 0,9954 0,9891 0,9950 0,9871 0,9939 0,9945 0,9959 0,9947 0,9968 0,9957 0,9976 0,9914 0,9949 0,9952 0,9963 0,9829 0,9911 0,9817 0,9905 0,9951 0,9967 Pengujian 0,9948 0,9943 0,9953 0,9955 0,9947 0,9933 0,9964 0,9963 0,9967 0,9953 0,9970 0,9915 0,9914 0,9977 Ratarata
0,9938
0,9927
0,9933
0,9938
0,9929
0,9914
0,9956
0,9959
0,9967
0,9939
0,9962
0,9885
0,9879
0,9965
Secara umum, arsitektur MobileNetV2 memberikan kinerja yang paling baik dibandingkan dengan arsitektur-arsitektur untuk mendeteksi malaria dengan menggunakan citra sel darah.
Arsitektur MobileNetV2 memiliki nilai akurasi, sensitivitas, spesifisitas, dan skor F1 tertinggi.
Sedangkan untuk nilai AUC, arsitektur MobileNetV2 hanya selisih 0,0002 dari DenseNet201.
Hasil ini sejalan dengan studi terdahulu yang menyatakan bahwa MobileNetV2 memiliki akurasi deteksi malaria tertinggi (Kakkar dkk.
, 2.
Tabel 12.
Perbandingan Kinerja Deteksi Malaria berbasis Citra Sel Darah Aku.
Sen.
Spe.
Skor
AUC
Penulis (%) (%) (%) F1 (%) (%) Narayanan, dkk.
Shekar, dkk.
Vijayalakshmi Elangovan & 96,73 96,77 99,35 Nath Sinha dkk.
0,96
0,93
0,98
0,96
Maqsood dkk.
97,84
Oyewola dkk.
96,67
Banerjee dkk.
96,82
97,78
96,33
96,82
Kuzhaloli dkk.
Yebasse, dkk.
Verma dkk.
94,32
93,78
Setiawan.
97,68
98,61
96,75
97,70 99,65
Tabel 13.
Nilai Rata-rata Metrik Kinerja Deteksi Malaria Berbasis CNN Dengan Menggunakan Manipulasi Data Aku.
Sen.
Spe.
Skor F1 AUC
Arsitektur
(%)
(%)
(%)
(%)
(%)
ResNet50
96,91
98,24
95,57
96,94
99,36
ResNet101
96,52
97,13
95,91
96,54
99,25
ResNet152
96,76
97,81
95,71
96,79
99,27
ResNet50V2
96,97
98,15
95,78
97,00
99,29
ResNet101V2
97,02
98,13
95,91
97,06
99,29
ResNet152V2
97,13
97,83
96,42
97,15
99,44
DenseNet121
97,61
98,57
96,65
97,63
99,65
DenseNet169
97,56
98,18
96,94
97,58
99,60
DenseNet201
97,42
98,19
96,65
97,44
99,59
InceptionV3
96,31
98,60
94,01
96,40
99,18
Inception97,73 98,59 96,86 97,75 99,70 ResNetV2
VGG16
99,62
97,91
95,33
96,66
99,24
VGG19
96,79
97,77
95,82
96,83
99,39
MobileNetV2
98,10
98,89
97,30
98,12
99,48
Deteksi malaria menggunakan citra sel darah berbasis arsitektur MobileNetV2 yang dikembangkan dalam studi ini memiliki kinerja yang lebih baik penelitian-penelitian Tabel 12 memperlihatkan perbandingan metrik kinerja deteksi yang diukur dengan menggunakan parameter Akurasi (Aku.
Sensitivitas (Sen.
Spesifisitas (Spe.
), skor F1, dan AUC.
Nilai rata-rata akurasi, sensitivitas, spesifisitas, skor F1, dan AUC untuk deteksi malaria berbasis CNN tanpa adanya manipulasi data ditunjukkan pada Tabel 13.
Secara umum, nilai rata-rata kelima metrik ini lebih rendah dibandingkan dengan konfigurasi dengan menggunakan manipulasi data.
Pada studi ini, evaluasi kinerja deteksi malaria juga dilakukan perbandingan parameter beban komputasi yang diperlukan oleh setiap arsitektur Pembelajaran mendalam.
Kinerja ini ditentukan dengan menghitung waktu total pembuatan model arsitektur-arsitektur yang digunakan dalam studi ini.
Rincian waktu pembuatan model ini dapat dilihat pada Tabel 14.
Terlihat bahwa waktu pembuatan model tercepat didapatkan dengan menggunakan arsitektur MobileNetV2 yang hanya memerlukan sekitar 2,5 jam.
Meskipun VGG16 dan VGG19 memiliki kinerja akurasi, sensitivitas, spesifisitas, skor F1, dan AUC paling rendah.
namun memerlukan waktu pembuatan model yang relatif lama.
Bahkan, arsitektur VGG19 memerlukan waktu pembuatan model terlama, yaitu mencapai 32,5 jam.
Tabel 14.
Waktu Pembuatan Model
Waktu Arsitektur
per epoch
# epoch
ResNet50
ResNet101
ResNet152
ResNet50V2
ResNet101V2
ResNet152V2
DenseNet121
DenseNet169
DenseNet201
InceptionV3
InceptionResNetV2
VGG16
VGG19
MobileNetV2 Total Waktu (Ja.
Kinerja deteksi malaria berbasis citra sel darah menggunakan pembelajaran mendalam tidak dipengaruhi oleh jumlah lapisan convolutional.
Meskipun arsitektur MobileNetV2 memiliki jumlah lapisan 53, namun menunjukkan kinerja yang paling Selain itu, waktu pembuatan model dengan menggunakan MobileNetV2 juga paling cepat.
Hal ini sesuai dengan arsitektur MobileNetV2 yang menggunakan konvolusi mendalam yang ringan untuk memfilter fitur di lapisan ekspansi tengah.
Selain MobileNetV2 menghilangkan ketidaklinearan di lapisan sempit (Sandler dkk.
, 2.
Dengan demikian, arsitektur MobileNetV2 ini tidak terlalu banyak memelajari derau, sehingga menghasilkan kinerja yang lebih Dengan arsitektur tersebut.
MobileNetV2 menjadi sangat efisien dalam membangun model 650 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Juni 2025, hlm.
(Gjesteby dkk.
, 2.
Hasil yang diperoleh dalam studi ini bersesuaian dengan studi sebelumnya yang menyatakan bahwa arsitektur MobileNetV2 lebih unggul dibandingkan arsitektur CNN yang lain, terutama pada bidang medis (Akay dkk.
, 2.
KESIMPULAN
Pada studi ini dilakukan deteksi malaria berbasis citra sel darah berbasis arsitektur pembelajaran mendalam, yaitu: ResNet50.
ResNet101.
ResNet152.
ResNet50V2.
ResNet101V2.
ResNet152V2.
DenseNet121.
DenseNet169.
DenseNet201.
InceptionV3.
VGG16.
VGG19.
InceptionResNetV2, dan MobileNetV2.
Diperoleh hasil arsitektur MobileNetV2 memiliki kinerja lebih baik dibandingkan dengan arsitektur-arsitektur yang lain.
Kinerja ini terlihat dari nilai rata-rata akurasi 97,68%.
spesifisitas 98,61%.
sensitivitas 96,75%.
Skor F1 97,70%.
dan AUC sebesar 0,9965.
Selain itu, waktu pembuatan model tercepat diperoleh dengan menggunakan arsitektur MobileNetV2, yaitu sekitar 2,5 jam.
Pada studi ini, kinerja deteksi malaria berbasis citra sel darah menggunakan pembelajaran mendalam tidak dipengaruhi oleh jumlah lapisan Salah satu potensi pengembangan yang dapat dilakukan adalah pendeteksian malaria berbasis citra sel darah dapat dilakukan dengan MobileNetV2 diaplikasikan di sebuah smartphone yang terhubung dengan mikroskop.
Salah satu batasan pada studi ini adalah citra sel darah yang digunakan bertipe RGB.
Sehingga, penelitian lanjutan yang akan dilakukan adalah melihat pengaruh ruang warna yang lain pada deteksi malaria dengan menggunakan pembelajaran Selain itu, meskipun studi ini telah menghasilkan deteksi malaria yang lebih baik, namun masih terdapat peluang perbaikan yang dapat dilakukan untuk dapat meningkatkan akurasi, spesifisitas, skor F1, dan AUC menjadi 100%.
Salah satu cara yang dapat dilakukan adalah dengan melihat pengaruh parameter-parameter manipulasi data serta fine tuning perlu dieksplor lebih lanjut.
DAFTAR PUSTAKA