Lightweight Deep Learning Architecture Dua Tahap pada Resource Constrained Device Raspberry Pi 4B untuk Deteksi dan Klasifikasi Parasit Plasmodium Multi-Kelas

Rayhan Adi Wicaksono, Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE.;Ridwan Wicaksono, S.T., M.Eng., Ph.D.

2025 | Skripsi | TEKNOLOGI INFORMASI

Diagnosis Malaria yang digunakan saat ini masih bergantung pada pemeriksaan mikroskopis secara manual, yang mana memakan waktu dan membutuhkan spesialis terlatih. Proses ini menjadi tantangan pada daerah dengan infrastruktur kesehatan terbatas yang mengarah pada keterlambatan atau ketidakakuratan diagnosis. Penelitian ini bertujuan untuk mengembangkan metode lightweight deep learning dua tahap yang dapat mendeteksi dan mengklasifikasikan parasit Plasmodium berdasarkan spesies dan daur hidup, serta dapat di-deploy pada resource constrained devices seperti Raspberry Pi 4 Model B. Metode yang diusulkan menggunakan arsitektur YOLOv11 Nano untuk deteksi objek dan arsitektur EfficientNetB0 untuk klasifikasi multi-kelas. Kedua model telah di-fine-tune menggunakan dataset PlasmoID yang meliputi gambar dari empat spesies Plasmodium dengan masing-masing tiga tahap daur hidup. Metode dievaluasi menggunakan teknik cross-validation dan diuji pada perangkat dengan komputasi terbatas untuk mengukur performa, latensi, dan penggunaan sumber daya komputasi.

Hasil penelitian menunjukkan bahwa metode yang diusulkan memberikan performa yang kompetitif dalam tugas deteksi dan klasifikasi, dengan tetap mempertahankan kebutuhan komputasi yang rendah sehingga cocok untuk edge deployment. Metode akhir mencapai skor sensitivitas di atas 90% untuk deteksi dan klasifikasi 13 kelas. Penelitian ini menunjukkan potensi metode diagnosis malaria berbasis deep learning untuk di-deploy pada perangkat keras yang terjangkau dan memiliki sumber daya komputasi terbatas, membuka potensi untuk screening Malaria dini pada daerah rural. Validasi klinis lebih lanjut diperlukan sebelum metode ini digunakan dalam diagnosis dunia nyata.

Malaria diagnosis remains heavily reliant on manual microscopic examination, which is time-consuming and requires trained specialists. This process poses a significant challenge in regions with limited healthcare infrastructure and contributes to delayed or inaccurate diagnosis. This research aims to develop a two-stage lightweight deep learning architecture that can detect and classify Plasmodium parasites by species and life cycle stage, and is suitable for deployment on resource-constrained devices such as the Raspberry Pi 4 Model B. The proposed method uses a YOLOv11 nano model for object detection and an EfficientNetB0 model for multi-class classification. Both models were fine-tuned using the PlasmoID dataset, which includes images of four Plasmodium species across three life stages. The method was evaluated through cross-validation and tested on-device for performance, latency, and resource usage.

Results show that the method achieves competitive accuracy in both detection and classification tasks, while maintaining low computational demands suitable for edge deployment. The final method attained a sensitivity score above 90% for detection and classification accuracy across 13 classes. This study demonstrates the potential of deep learning-based malaria diagnosis methods to be deployed on affordable, low-resource hardware, offering a promising step toward early and accessible malaria screening in underserved areas. Further clinical validation is essential before the method can be adopted in real-world medical settings.

Kata Kunci : deteksi parasit, malaria, pembelajaran mendalam, perangkat sumber daya terbatas, visi komputer