Integrasi Convolutional Block Attention Module ke dalam CNN untuk Meningkatkan Deteksi Malaria pada Citra Sel Darah Mikroskopis

Abstrak

Malaria merupakan penyakit yang mengancam jiwa yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk yang terinfeksi. Deteksi yang akurat dan dini sangat penting untuk pengobatan dan pengendalian yang efektif. Dalam penelitian ini, kami mengusulkan pendekatan deep learning yang ditingkatkan dengan menggunakan Convolutional Neural Network (CNN) yang dioptimalkan dengan Convolutional Block Attention Module (CBAM) untuk mengklasifikasikan citra sel darah merah sebagai terinfeksi malaria atau tidak terinfeksi. Mekanisme CBAM memungkinkan model untuk lebih fokus pada fitur spasial dan saluran yang paling informatif, sehingga meningkatkan kemampuannya dalam mendeteksi pola-pola halus pada citra apusan darah mikroskopis. Kami membandingkan kinerja CNN yang dioptimalkan dengan CBAM terhadap CNN dasar (baseline) berdasarkan metrik akurasi, presisi, recall, dan skor F1. Hasil eksperimen menunjukkan bahwa penambahan CBAM secara signifikan meningkatkan performa klasifikasi, dengan akurasi deteksi yang lebih tinggi serta ketahanan yang lebih baik terhadap gangguan visual dan variasi. Penelitian ini menyoroti efektivitas optimasi berbasis attention dalam tugas klasifikasi citra medis, terutama di lingkungan dengan sumber daya terbatas di mana diagnosis otomatis dan andal sangat diperlukan.

Identifier

• OpenAlex: https://openalex.org/W4416933381
• DOI: https://doi.org/10.52958/iftk.v21i3.11106