Medan – Malaria masih menjadi salah satu penyakit menular berbahaya di Indonesia. Data Kementerian Kesehatan menunjukkan peningkatan kasus malaria di sejumlah wilayah, termasuk Sumatera Utara yang mencatat lonjakan dari 998 kasus di tahun 2020 menjadi 2.529 kasus di tahun 2021. Untuk menjawab tantangan ini, tim peneliti dari Universitas Potensi Utama bersama Politeknik Kesehatan Kemenkes Medan melakukan penelitian inovatif yang membandingkan dua metode klasifikasi canggih: Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengidentifikasi jenis dan stadium parasit malaria.

Penelitian yang berlangsung selama 6 bulan pada tahun 2023 ini diketuai oleh Dr. Rika Rosnelly, S.Kom., M.Kom., bersama anggota tim Dr. Bob Subhan Riza, S.T., M.Kom. (Universitas Potensi Utama) dan S. Suparni, S.Si., M.Kes. (Politeknik Kesehatan Kemenkes Medan). Dengan anggaran penelitian sebesar Rp20.000.000 dari pendanaan internal Universitas Potensi Utama, tim berhasil mengembangkan algoritma ekstraksi fitur baru yang diberi nama PEMA & KEHE.

Metode pemeriksaan mikroskopis konvensional untuk malaria sangat bergantung pada keahlian manusia, sementara metode Rapid Diagnostic Test (RDT) dan Polymerase Chain Reaction (PCR) dinilai tidak terjangkau, terutama di daerah terpencil. Tim peneliti pun mengembangkan sistem otomatis dengan memanfaatkan 446 citra parasit malaria yang diperoleh dari Laboratorium Kesehatan Provinsi Sumatera Utara. Citra tersebut mencakup empat spesies plasmodium (falciparum, vivax, malariae, dan ovale) serta empat stadium (ring, trophozoite, schizont, dan gametocyte).

Algoritma PEMA & KEHE yang dikembangkan tim peneliti menggabungkan ekstraksi fitur bentuk dan tekstur, meliputi:

Set melalui proses segmentasi Otsu thresholding, operasi morfologi, hingga ekstraksi fitur menggunakan Gray-Level Co-occurrence Matrix (GLCM), tim peneliti melakukan perbandingan kinerja antara metode SVM (dengan kernel polynomial) dan CNN.

Hasilnya menunjukkan bahwa SVM secara signifikan mengungguli CNN dalam identifikasi parasit malaria:

"Temuan ini sangat penting, terutama untuk daerah dengan sumber daya terbatas. Metode SVM dengan ekstraksi fitur PEMA & KEHE terbukti lebih efektif dibandingkan CNN ketika dataset yang tersedia tidak terlalu besar. Ini solusi yang lebih efisien dan akurat untuk diagnosis malaria otomatis," ujar Dr. Rika Rosnelly, Ketua Tim Peneliti.

Penelitian ini tidak hanya menghasilkan perbandingan kinerja antar metode, tetapi juga menyediakan algoritma ekstraksi fitur yang dapat diimplementasikan dalam sistem diagnosis berbasis citra. Ke depan, teknologi ini berpotensi dikembangkan menjadi alat bantu diagnosis malaria yang cepat, akurat, dan terjangkau, terutama di wilayah-wilayah endemis malaria seperti Papua, Nusa Tenggara Barat, dan Sumatera Utara.

Tim peneliti merekomendasikan agar penelitian selanjutnya memperbesar jumlah dan keragaman dataset, menerapkan teknik normalisasi warna yang lebih canggih, serta mengeksplorasi pendekatan hybrid ensemble untuk meningkatkan performa klasifikasi. Penerapan metode explainable AI (XAI) seperti saliency maps atau Grad-CAM juga disarankan agar sistem lebih transparan dan dapat diandalkan secara klinis.

Penelitian ini merupakan salah satu wujud komitmen Universitas Potensi Utama dalam mendorong riset-riset terapan di bidang teknologi kesehatan. Dengan kolaborasi lintas disiplin dan institusi, universitas terus berupaya memberikan kontribusi nyata bagi peningkatan kualitas layanan kesehatan nasional.