Deteksi Parasit Trypanosoma Evansi Pada Citra Mikroskopis Darah Kerbau Menggunakan Metode Convolutional Neural Network

Abstract

Trypanosoma evansi merupakan parasit darah yang menyerang ternak seperti kerbau dan dapat menyebabkan kerugian ekonomi yang signifikan. Di Kabupaten Sumba Timur, proses deteksi parasit saat ini masih dilakukan secara manual melalui pemeriksaan mikroskopis oleh dokter hewan. Metode tersebut membutuhkan waktu yang lama dan berisiko menghasilkan kesalahan diagnosis seperti false positive dan false negative. Penelitian ini bertujuan untuk menguji tingkat akurasi model Convolutional Neural Network (CNN) dalam klasifikasi citra secara otomatis yang merupakan salah satu metode dalam deep learning, dalam mendeteksi Trypanosoma evansi pada citra mikroskopis darah kerbau. Dataset yang digunakan terdiri dari 252 citra, terbagi ke dalam dua kelas: darah normal dan darah yang terinfeksi parasit. Tahapan preprocessing mencakup konversi RGB ke grayscale, perubahan ukuran citra menjadi 128×128 piksel, serta normalisasi. Arsitektur CNN yang digunakan terdiri dari dua lapisan konvolusi, dua max pooling, dan satu lapisan fully connected. Model dilatih menggunakan 80% data dan divalidasi dengan 20%, menggunakan optimasi Adam dan callback EarlyStopping. Evaluasi performa dilakukan dengan confusion matrix dan metrik klasifikasi. Hasil menunjukkan bahwa model mencapai akurasi sebesar 98% pada data validasi, dengan precision 0,96 dan recall 1,00 untuk kelas Normal, serta precision 1,00 dan recall 0,96 untuk kelas Terinfeksi. Nilai F1-score untuk kedua kelas sebesar 0,98, dengan macro average dan weighted average juga sebesar 0,98. Hasil ini menunjukkan bahwa CNN mampu mengklasifikasikan citra mikroskopis darah kerbau secara akurat serta menunjukkan bahwa CNN efektif sebagai sistem alat bantu diagnosis untuk deteksi parasit berbasis citra.