KOMBINASI METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DAN K-NEARST NEIGHBOR (KNN) DALAM KLASIFIKASI CITRA SEL DARAH MERAH YANG TERINFEKSI PENYAKIT MALARIA

Firi Ariyani, Dita (2025) KOMBINASI METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DAN K-NEARST NEIGHBOR (KNN) DALAM KLASIFIKASI CITRA SEL DARAH MERAH YANG TERINFEKSI PENYAKIT MALARIA. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (327kB)
	Text BAB II.pdf Restricted to Registered users only Download (444kB)
	Text BAB III.pdf Restricted to Registered users only Download (238kB)
	Text BAB IV.pdf Restricted to Registered users only Download (995kB)
	Text BAB V.pdf Download (151kB)
	Text BAB V.pdf Download (151kB)
	Text DAFTAR PUSTAKA.pdf Download (173kB)

Abstract

Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles. Deteksi dini dan akurat sangat penting untuk mencegah komplikasi yang lebih serius, khususnya di wilayah endemis. Penelitian ini mengusulkan kombinasi metode Convolutional Neural Network (CNN) dan K-Nearest Neighbor (K-NN) untuk klasifikasi citra sel darah merah yang terinfeksi malaria. CNN digunakan untuk mengekstraksi fitur secara otomatis dari citra mikroskopis, kemudian fitur tersebut diklasifikasikan menggunakan algoritma K-NN. Pengujian dilakukan menggunakan dataset citra sel darah merah terinfeksi dan tidak terinfeksi malaria. Berdasarkan hasil evaluasi, metode CNN menghasilkan akurasi sebesar 95,57%, presisi 95,56%, recall 95,65%, dan F1-score 96,50%. Sementara metode K-NN memperoleh akurasi 95%, presisi 98%, recall 93%, dan F1-score 95%. Adapun kombinasi CNN + K-NN menghasilkan akurasi 95,23%, presisi 97,74%, recall 92,60%, dan F1-score 95,10%. Meskipun akurasi kombinasi sedikit lebih rendah dari CNN tunggal, presisi yang lebih tinggi menunjukkan potensi pendekatan ini dalam meminimalkan kesalahan klasifikasi positif palsu. Dengan demikian, metode ini dapat menjadi alternatif dalam pengembangan sistem diagnosis malaria berbasis citra yang lebih akurat dan efisien.

Actions (login required)

View Item