Pengaruh Preprocessing Kontras dan Pencahayaan pada Kinerja Model VGG16 dalam Deteksi Sel Malaria
Main Article Content
Abstract
Malaria adalah penyakit serius yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles, dengan jutaan kasus terjadi setiap tahun dan dampak besar di negara berkembang. Diagnosis yang cepat dan akurat sangat penting untuk pengendalian penyakit ini, namun metode konvensional seperti mikroskopi dan tes diagnostik cepat memiliki keterbatasan, termasuk ketergantungan pada tenaga ahli serta biaya yang tinggi. Penelitian ini memanfaatkan Convolutional Neural Network (CNN) berbasis arsitektur VGG-16 yang dioptimalkan menggunakan pendekatan transfer learning untuk mendeteksi malaria pada citra sel darah merah. Teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) digunakan dalam tahap pemrosesan gambar guna meningkatkan kualitas citra sebelum dilakukan klasifikasi. Hasil penelitian menunjukkan bahwa penerapan CLAHE mampu menghasilkan akurasi tertinggi sebesar 96% dengan meningkatkan kontras gambar tanpa menambah noise secara signifikan, sehingga pola penting pada citra menjadi lebih mudah dikenali. Pendekatan ini membuktikan bahwa kombinasi VGG-16 dan CLAHE efektif dalam mendukung diagnosis malaria dengan cepat dan akurat, serta berpotensi memperkuat upaya pengendalian penyakit ini.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Minarno, A. E., Aripa, L., Azhar, Y., & Munarko, Y. (2023). Classification of Malaria Cell Image using Inception-V3 Architecture. JOIV : International Journal on Informatics Visualization, 7(2), 273.
Ross, N. E., Pritchard, C. J., Rubin, D. M., & Dusé, A. G. (2006). Automated image processing method for the diagnosis and classification of malaria on thin blood smears. Medical & Biological Engineering & Computing, 44(5), 427-436.
Jain, N., Chauhan, A., Tripathi, P., Moosa, S. B., Aggarwal, P., & Oznacar, B. (2020). Cell image analysis for malaria detection using deep convolutional network. Intelligent Decision Technologies, 14(1), 55-65.
Kamal, K., & EZ-ZAHRAOUY, H. (2023). A comparison between the VGG16, VGG19 and ResNet50 architecture frameworks for classification of normal and CLAHE processed medical images. https://doi.org/10.21203/rs.3.rs-2863523/v1.
Alok, N., Krishan, K., & Chauhan, P. (2021). Deep Learning‐Based Image Classifier for Malaria Cell Detection. Machine Learning for Healthcare Applications, 187-197.
Cardenas, J. S., Fong Amaris, W., Salazar, C., Castañeda, M., Martínez, O., Suárez, D. R., & Martinez, C. (2024). Image-Based Detection and Classification of Malaria Parasite, Leukocytes Detection, and Quality Assessment of Romanowsky-Stained Thick Blood Smears. https://doi.org/10.2139/ssrn.4877780.
Rajaraman, S., Antani, S. K., Poostchi, M., Silamut, K., Hossain, M. A., Maude, R. J., Jaeger, S., & Thoma, G. R. (2018). Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ, 6.
Jameela, T., Athota, K., Singh, N., Gunjan, V. K., & Kahali, S. (2022). Deep Learning and Transfer Learning for Malaria Detection. Computational Intelligence and Neuroscience, 2022, 1-14.
Hasan, M. M., Islam, S., Dey, A., Das, A., & Tista, S. C. (2022). Detection of Malaria Disease Using Image Processing and Machine Learning. Lecture Notes in Networks and Systems, 457-466.
Sunarko, B., Djuniadi, Bottema, M., Iksan, N., Hudaya, K. A. N., & Hanif, M. S. (2020). Red blood cell classification on thin blood smear images for malaria diagnosis. Journal of Physics: Conference Series, 1444(1), 012036.
Narayanan, B. N., Ali, R. A., & Hardie, R. C. (2019). Performance analysis of machine learning and deep learning architectures for malaria detection on cell images. Applications of Machine Learning, 29.
Chima*., J. S., Shah., A., Shah, K., & Ramesh, D. R. (2020). Malaria Cell Image Classification using Deep Learning. International Journal of Recent Technology and Engineering (IJRTE), 8(6), 5553-5559.