DETEKSI SEL DARAH MENGGUNAKAN YOLOV5S DENGAN EFFICIENTNET DAN MODUL ATENSI

Kenneth Christopher Prasetya, Moh. Edi Wibowo, S.Kom., M.Kom., Ph.D.

2025 | Skripsi | ILMU KOMPUTER

Sel darah terdiri atas eritrosit, leukosit, dan trombosit yang memiliki peran 

penting dalam sistem peredaran darah manusia. Deteksi dan klasifikasi sel darah 

melalui citra mikroskopis merupakan langkah penting dalam menunjang proses 

diagnosis medis. Namun, metode manual yang selama ini digunakan bersifat 

subjektif, memerlukan waktu yang lama, serta berpotensi menimbulkan kesalahan. 

Oleh karena itu, diperlukan pendekatan otomatis berbasis deep learning. 

Penelitian ini mengembangkan model deteksi sel darah berbasis YOLOv5s 

yang dimodifikasi dengan mengganti backbone menjadi EfficientNet-B0, 

menambahkan BiFPN sebagai neck, serta mengintegrasikan modul atensi (CBAM, 

ECAM, ECA, dan CA) guna memperkuat representasi spasial dan kanal. Evaluasi 

dilakukan menggunakan dataset TXL-PBC dengan metrik precision, recall, mAP50, 

dan mAP50-95. 

Secara umum, YOLOv5s standar memberikan hasil terbaik dengan mAP50 

sebesar 0,982 dan mAP50-95 sebesar 0,821. Namun, model hasil modifikasi, 

khususnya YOLOv5s + EfficientNet + BiFPN + CBAM, menunjukkan performa 

yang mendekati baseline (mAP50 0,975 dan mAP50-95 0,757), serta memberikan 

keunggulan relatif dalam mendeteksi objek kecil seperti trombosit dan mengatasi 

kasus tumpang tindih antar sel. Dengan demikian, meskipun tidak melampaui 

mAP50 tertinggi, modifikasi arsitektur memberikan alternatif yang kompetitif dan 

layak untuk pengembangan lebih lanjut dalam deteksi sel darah otomatis.

Blood cells consist of erythrocytes, leukocytes, and platelets, which play an 

important role in the human circulatory system. Detection and classification of blood 

cells through microscopic images is an important step in supporting the medical 

diagnosis process. However, the manual method used so far is subjective, takes a 

long time, and has the potential to cause errors. Therefore, an automated approach 

based on deep learning is needed. 

This research develops a modified YOLOv5s-based blood cell detection 

model by changing the backbone to EfficientNet-B0, adding BiFPN as a neck, and 

integrating attentional modules (CBAM, ECAM, ECA, and CA) to strengthen spatial 

and channel representation. The evaluation was conducted using the TXL-PBC 

dataset with precision, recall, mAP50, and mAP50-95 metrics. 

In general, standard YOLOv5s provides the best results with mAP50 of 0.982 

and mAP50-95 of 0.821. However, the modified model, specifically YOLOv5s + 

EfficientNet + BiFPN + CBAM, showed performance close to the baseline (mAP50 

of 0.975 and mAP50-95 of 0.757), as well as providing relative advantages in 

detecting small objects such as platelets and overcoming cases of overlap between 

cells. Thus, despite not surpassing the highest mAP50, the architecture modification 

provides a competitive and viable alternative for further development in automated 

blood cell detection.

Kata Kunci : YOLO, Deteksi Sel Darah, EfficientNet, BiFPN, Attention, TXL-PBC, Deep Learning, Computer Vision