Perpustakaan Digital ITB

Demam Berdarah Dengue (DBD) masih menjadi penyakit yang menjangkit masyarakat Indonesia dengan jumlah kasus yang tinggi. Menurut Data Kementerian Kesehatan Republik Indonesia, tercatat bahwa terjadi kasus DBD di Indonesia pada tahun 2019 sebanyak 137.761 kasus dengan jumlah kematian sebanyak 917 orang. Jumlah kasus tersebut dapat dikurangi dengan adanya tindakan preventif untuk mengontrol vektor demam berdarah, salah satunya yaitu pemantauan nyamuk DBD menggunakan ovitrap yang belum diterapkan di Indonesia. Hal ini dilakukan dengan memanfaatkan teknologi pengolahan citra digital dan pembelajaran mendalam dalam proses perancangan sistem perhitungan telur nyamuk dan nyamuk sehingga dapat bekerja secara otomatis pada ovitrap dan dapat dipantau melalui laptop dengan memanfaatkan jaringan Wi-Fi. Sistem perhitungan telur nyamuk dirancang dengan metode pengolahan citra digital pada citra telur nyamuk yang telah diakuisisi menggunakan kamera pada handphone untuk dilakukan perhitungan dengan metode fusi berdasarkan jumlah piksel dari objek telur nyamuk. Pada metode fusi, citra telur nyamuk yang berhimpit dihitung dengan metode estimasi dan sisanya dihitung menggunakan metode komponen terhubung. Sistem klasifikasi nyamuk dirancang dengan melakukan pengolahan akustik pada audio rekaman suara nyamuk dengan fitur-fiturnya diperoleh melalui proses ekstraksi fitur mel-spectrogram serta klasifikasi nyamuk pada fitur-fitur audio dengan menggunakan pembelajaran mendalam Convolutional Neural Network (CNN). Pada penelitian ini telah berhasil dirancang sistem perhitungan telur nyamuk secara otomatis dengan tingkat akurasi relatif rata-rata sebesar 82.95%. Proses klasifikasi nyamuk pada sistem perhitungan nyamuk juga dapat berjalan dengan baik pada klasifikasi biner (Aedes Aegypti dan Culex) dan klasifikasi multiclass (Aedes Aegypti jantan, Aedes Aegypti betina, dan Culex Quinquefasciatus). Pada klasifikasi biner didapat ekstraksi fitur dan model CNN optimal yang menghasilkan akurasi prediksi dan F1-Score sebesar 91.73% dan 0.9497 pada pelatihan serta sebesar 91.76% dan 0.9230 pada pengujian. Pada klasifikasi multiclass didapat ekstraksi fitur dan model CNN optimal yang menghasilkan rata-rata akurasi prediksi dan F1-Score sebesar 93.57% dan 0.9153 pada pelatihan, serta sebesar 87.15% dan 0.8167 pada pengujian.