IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM SISTEM KLASIFIKASI SPERMA UNTUK MENDUKUNG DIAGNOSIS INFERTILITAS PRIA DI INDONESIA

Abstract

Infertilitas pria merupakan salah satu faktor utama penyebab ketidaksuburan pada pasangan, di mana motilitas sperma menjadi parameter penting dalam menentukan kualitas sperma. Evaluasi motilitas secara manual masih umum digunakan di laboratorium klinis Indonesia, namun memiliki keterbatasan dalam hal subjektivitas dan efisiensi waktu. Penelitian ini bertujuan mengembangkan sistem klasifikasi motilitas spermatozoa berbasis deep learning menggunakan arsitektur 2D Convolutional Neural Network (CNN) sebagai solusi otomatis yang objektif dan terjangkau. Data penelitian berupa video mikroskopis sperma yang diproses melalui tahapan konversi format, normalisasi, ekstraksi frame, serta pelabelan berdasarkan tiga kategori motilitas (Progressive, Non-Progressive, dan Immotile). Model CNN dibangun dengan beberapa lapisan konvolusi, batch normalization, ReLU activation, dan max pooling, serta dilatih menggunakan optimizer Adam dan CrossEntropyLoss. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 90%, menandakan performa yang stabil di ketiga kelas. Pendekatan ini menunjukkan potensi tinggi dalam mendukung analisis sperma otomatis di laboratorium diagnostik dengan biaya rendah, serta dapat dikembangkan lebih lanjut menggunakan arsitektur berbasis video seperti 3D-CNN untuk meningkatkan pemahaman pola temporal pergerakan sperma.