ANALISIS KOMPARATIF RESNET50V2 DAN MOBILENETV2 UNTUK KLASIFIKASI PARASIT BABESIA PADA CITRA SEL DARAH MERAH

Parasit Babesia merupakan protozoa intraeritrosit yang memiliki kemiripan
morfologi dengan Plasmodium, sehingga berpotensi menyebabkan kesalahan
identifikasi pada pemeriksaan mikroskopis. Deep Learning yang menggunakan
Convolutional Neural Network (CNN) memberikan kemungkinan untuk
mengotomatisasi proses klasifikasi citra medis, tetapi masih diperlukan analisis
perbandingan kinerja berbagai arsitektur CNN dalam klasifikasi parasit Babesia.
Penelitian ini bertujuan untuk membandingkan kemampuan ResNet50V2 dan
MobileNetV2 dalam mengklasifikasikan parasit Babesia pada citra sel darah merah
dan menentukan model yang paling efektif. Penelitian ini menggunakan 10.500
gambar yang terdiri dari tiga kategori yaitu Babesia, Plasmodium, dan Normal.
Kedua model tersebut dilatih dengan metode Transfer Learning dan dievaluasi
menggunakan Stratified 5-Fold Cross Validation, dengan mengukur berdasarkan
metrik klasifikasi, waktu komputasi, serta uji Wilcoxon Signed-Rank Test.
ResNet50V2 menghasilkan rata-rata accuracy, precision, recall, dan F1-score
sebesar 98,62–98,63%, AUC 99,91%, dan specificity 99,31%. MobileNetV2
memperoleh rata-rata accuracy, precision, recall, dan F1-score sebesar 98,20–
98,22%, AUC 99,83%, dan specificity 99,10%, dengan waktu komputasi lebih
efisien, yaitu 2.757,56 detik dibandingkan ResNet50V2 sebesar 3.573,834 detik. Uji
Wilcoxon menghasilkan p-value 0,250 (>0,05), sehingga perbedaan tingkat
accuracy antara kedua model tidak memiliki arti statistik yang signifikan.
Meskipun begitu, ResNet50V2 tetap dipilih sebagai model terbaik karena memiliki
nilai rata-rata metrik yang lebih unggul dan mencapai akurasi sebesar 99,38% pada
pengujian akhir. Model terbaik berikutnya diintegrasikan dengan mekanisme Outof-Distribution, Grad-CAM, serta prototipe situs web BabeDetect. Secara umum,
ResNet50V2 memiliki performa dalam klasifikasi yang lebih baik, sementara
MobileNetV2 memberikan efisiensi dalam penggunaan komputasi yang lebih
optimal.
Kata kunci: Babesia, Klasifikasi Citra Sel Darah Merah, ResNet50V2,
MobileNetV2, Deep Learning, Transfer Learning, Grad-CAM.