Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dalam Klasifikasi Jenis Penyakit Malaria pada Citra Darah Manusia Berbasis YOLO 11

Abstract

Malaria merupakan penyakit menular yang masih menjadi permasalahan kesehatan global, terutama di daerah endemis. Deteksi dini dan klasifikasi jenis penyakit malaria sangat penting untuk memastikan penanganan yang tepat. Namun, metode konvensional berbasis analisis mikroskopis oleh tenaga medis memiliki keterbatasan dalam hal akurasi dan efisiensi. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam mengklasifikasikan jenis penyakit malaria berdasarkan citra darah manusia yang telah dideteksi menggunakan YOLO 11. Metode yang digunakan terdiri dari beberapa tahap, yaitu pengunduhan dataset berlabel, preprocessing data melalui augmentasi dan normalisasi citra, serta pelatihan YOLO 11 untuk mendeteksi parasit malaria. Citra hasil deteksi kemudian diproses lebih lanjut dengan teknik cropping dan ekstraksi fitur menggunakan ResNet-50 sebagai model transfer learning. Fitur yang diekstrak digunakan sebagai input untuk model klasifikasi SVM dan Random Forest, yang kemudian dilatih dan dievaluasi menggunakan metrik akurasi, presisi, Recall, dan F1-Score. Penelitian ini diharapkan dapat menentukan algoritma klasifikasi yang lebih optimal dalam mendeteksi jenis malaria dengan tingkat akurasi yang lebih tinggi. Untuk meningkatkan keterjangkauan pengguna, sistem dikembangkan dalam antarmuka berbasis GUI menggunakan Pyqt5, yang memungkinkan input gambar, deteksi otomatis, serta visualisasi hasil klasifikasi dan evaluasi model. Dengan pendekatan ini, penelitian ini berkontribusi dalam menyediakan sistem pendukung diagnosis yang lebih cepat dan akurat, sehingga membantu efisiensi dalam identifikasi malaria.