IMPLEMENTASI ARSITEKTUR MOBILENETV2 SEBAGAI BACKBONE DALAM DETEKSI PLASMODIUM MALARIA PADA SAMPEL DARAH MENGGUNAKAN YOLOV11

Mutawazin, Achmad Azril (2025) IMPLEMENTASI ARSITEKTUR MOBILENETV2 SEBAGAI BACKBONE DALAM DETEKSI PLASMODIUM MALARIA PADA SAMPEL DARAH MENGGUNAKAN YOLOV11. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 2. Cover_123200058_Achmad Azril Mutawazin.pdf Download (216kB)
	Text 3, Abstrak_123200058_Achmad Azril Mutawazin.pdf Download (232kB)
	Text 4. Lembar Pengesahan_123200058_Achmad Azril Mutawazin.pdf Download (279kB)
	Text 5. Daftar isi_123200058_Achmad Azril Mutawazin.pdf Download (288kB)
	Text 6. Daftar Pustaka_123200058_Achmad Azril Mutawazin.pdf Download (185kB)
	Text 1.Skripsi Fulltext_123200058_Achmad Azril Mutawazin.pdf Restricted to Repository staff only Download (2MB)

Abstract

Diagnosis malaria masih menjadi tantangan besar di dunia kesehatan, terutama
di daerah endemiknya seperti Sub-Sahara Afrika dan Asia Tenggara, di mana penyakit
ini termasuk dalam 10 penyebab kematian utama. Berbagai studi yang sudah dilakukan
dengan menggunakan metode NasNet dan Random Forest, belum mampu menganalisis
fase plasmodium dalam sampel darah dan memerlukan komputasi yang besar, sehingga
kurang praktis untuk daerah-daerah tertinggal yang menjadi endemik penyakit tersebut.
Dalam penelitian ini arsitektur MobileNetV2 digunakan untuk mengatasi
masalah beban komputasi karena arsitekturnya berupa depth-wise separable
convolution mampu mengurangi besar komputasi namun tetap mempertahankan nilai
akurasi dari deteksi objeknya. Arsitektur tersebut dikombinasikan dengan detection
heads berupa YOLOv11 menggunakan blok C3k2 (Cross Stage Partial kernel size 2)
yang ikut mengurangi jumlah komputasi sebesar 22% dari versi blok YOLO
sebelumnya berupa C2f namun tetap mempertahankan keakuratan deteksi.
Evaluasi performa model yang dikembangkan, dilakukan dengan mengukur
nilai mAP (Mean Average Precision) sebagai nilai akurasi dan localization dari
bounding box prediction, dan besar kebutuhan komputasi pada model deteksi. Hasil
evaluasi mAP menggunakan MobileNetV2 dan YOLOv11 didapatkan nilai mAP
sebesar 0,86 atau akurasi sebesar 86% di data training dan validasi dan besar komputasi
sebanyak 2,823,926 parameter atau sebesar 10.77 MB dalam base model. Hal ini
menunjukkan implementasi arsitektur MobileNetV2 dalam model YOLOv11 mampu
mengatasi masalah beban komputasi dari deteksi objek berupa sampel darah pasien
terjangkit malaria.
Kata kunci : Implementasi; MobileNetV2; Deteksi plasmodium malaria;
Convolutional Neural Network; YOLOv11

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Implementasi; MobileNetV2; Deteksi plasmodium malaria; Convolutional Neural Network; YOLOv11
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > Informatika (S1)
Depositing User:	A.Md Eko Suprapti
Date Deposited:	25 Apr 2025 02:43
Last Modified:	25 Jul 2025 06:47
URI:	http://eprints.upnyk.ac.id/id/eprint/42473

Actions (login required)

View Item