Abstract:
Anemia merupakan salah satu masalah kesehatan yang masih banyak ditemukan
dan umumnya didiagnosis melalui pemeriksaan laboratorium yang bersifat
invasif. Perkembangan teknologi kecerdasan buatan memungkinkan deteksi awal
anemia dilakukan melalui pendekatan berbasis citra medis secara non-invasif.
Penelitian ini bertujuan merancang dan mengimplementasikan sistem deteksi
anemia menggunakan metode deep learning berbasis transfer learning dengan
memanfaatkan citra konjungtiva palpebral sebagai sumber informasi visual.
Model klasifikasi dibangun menggunakan arsitektur MobileNetV2 dengan bobot
pretrained ImageNet yang berperan sebagai feature extractor. Tahapan penelitian
meliputi preprocessing citra berupa resizing, normalisasi nilai piksel, serta
augmentasi data untuk meningkatkan variasi dataset. Strategi pelatihan dilakukan
secara bertahap melalui proses feature extraction dan fine-tuning guna
memperoleh performa model yang stabil dan memiliki kemampuan generalisasi
yang baik terhadap data baru. Model dilatih menggunakan optimizer Adam dan
fungsi loss binary crossentropy dengan metrik evaluasi accuracy dan Area Under
Curve (AUC). Hasil pelatihan menunjukkan model mampu mempelajari pola citra
dengan baik dengan akurasi pelatihan mencapai sekitar 82%, akurasi validasi
sebesar 79,82%, serta nilai AUC 0,9003 pada epoch terbaik. Evaluasi
menggunakan data uji menghasilkan akurasi sebesar 90,71%, yang menunjukkan
kemampuan klasifikasi yang stabil dan memiliki generalisasi yang baik terhadap
citra baru. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi
mobile berbasis React Native dengan dukungan backend Flask sehingga proses
deteksi dapat dilakukan secara real-time melalui perangkat Android. Hasil
pengujian implementasi menunjukkan aplikasi mampu melakukan klasifikasi citra
baru secara konsisten dengan hasil yang sesuai terhadap kondisi sebenarnya.
Dengan demikian, sistem yang dikembangkan berpotensi menjadi alat bantu
skrining awal anemia yang praktis, cepat, dan non-invasif berbasis perangkat
mobile.