Analisis Perbandingan Arsitektur LeNet dan ResNet untuk Malaria

Abstract

Penyakit yang akhir-akhir ini menjadi perbincangan hangat masyarakat di seluruh dunia ditemukan pertama kali pada negara Afrika dan negara lainnya mengenai malaria dan ada yang kemudian yang mengakibatkan malaria seperti Parasit yang berpotensi fatal penyebab malaria menginfeksi nyamuk Anopheles betina dan menyebar ke manusia melalui gigitan. Menurut perkiraan, terdapat 229 juta kasus malaria secara global pada tahun 2019 dan 409.000 orang meninggal akibat penyakit tersebut. Dengan adanya alat tersebut dapat membantu masyarakat agar lebih cepat dan mudah mengetahui penyakit yang diderita. Oleh karena itu, diperlukan sistem yang dapat menganalisa, mengenali, secara sensitive, akurat dan otomatis mendiagnosa manusia terkena penyakit malaria atau tidak. Metode yang disulkan untuk menyelesaikan permasalahan tersebut yaitu arsitektur LeNet dan ResNet untuk klasifikasi. Dalam penelitian ini, mengusulkan penggunaan arsitektur LeNet dan ResNet untuk membantu dalam mengklasifikasikan penyakit malaria. Dataset terdiri dari 6000 gambar sel darah yang terdiri daru 2 class. Pada scenario model menggunakan hyperparameter dengan epoch 20, batch size 64, optimizer Adam, learning rate 0.001. Model yang diusulkan mencapai kinerja dengan akurasi terbaik dengan akurasi LeNet yaitu 96% dan akurasi pada ResNet yaitu 100%. Pengujiannya berhasil serta berjalan dengan baik.