SISTEM DETEKSI ANEMIA MENGGUNAKAN ALGORITMA CNN DENGAN ARSITEKTUR VGG19 PADA CITRA MATA BAGIAN KONJUNGTIVA

(Studi Kasus: Rsud Dr. Drajat Prawiranegara)

Abstrak

Anemia merupakan kondisi penurunan kadar hemoglobin dalam darah yang masih menjadi masalah kesehatan besar, dengan prevalensi tinggi pada kelompok rentan seperti ibu hamil dan remaja di Indonesia. Metode diagnosis konvensional melalui pemeriksaan laboratorium bersifat invasif, mahal, dan memerlukan fasilitas lengkap, sehingga sulit diakses masyarakat di daerah dengan layanan kesehatan terbatas. Penelitian ini bertujuan merancang sistem deteksi anemia non-invasif berbasis citra konjungtiva palpebra menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG19 melalui pendekatan transfer learning dari bobot ImageNet dan fine-tuning selektif, yang dikemas dalam prototipe aplikasi web. Pengujian fungsional dilakukan menggunakan metode Blackbox Testing, sedangkan performa model dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan seluruh fitur aplikasi berfungsi baik, dan model VGG19 mencapai akurasi 97,0%, presisi 86,5%, recall 81,5%, spesifisitas 87%, serta F1-Score 96%. Penilaian pengguna melalui kuesioner juga menunjukkan tingkat penerimaan sangat positif. Sistem ini diharapkan menjadi alternatif skrining anemia yang objektif, cepat, dan terjangkau bagi fasilitas kesehatan tingkat pertama.

Anemia, a reduction in blood hemoglobin levels, remains a major health problem with high prevalence among vulnerable groups such as pregnant women and adolescents in Indonesia. Conventional diagnosis through laboratory examination is invasive, costly, and requires complete facilities, limiting access in areas with poor healthcare services. This study designs a non-invasive anemia detection system based on conjunctiva images using a Convolutional Neural Network (CNN) with a VGG19 architecture via transfer learning from ImageNet weights and fine-tuning, packaged as a web prototype. Functional testing used the Blackbox Testing method, while model performance was evaluated using a confusion matrix. Results show all features function properly, and the VGG19 model achieved an accuracy of 97.0%, precision of 86.5%, recall of 81.5%, specificity of 87%, and F1-Score of 96%. User evaluation showed a positive acceptance level. The system is expected to serve as an objective, fast, affordable anemia screening alternative for primary healthcare facilities.