Penyakit malaria disebabkan oleh plasmodium dan biasanya ditularkan melalui gigitan nyamuk Anopheles, transfusi darah, atau bahkan suntikan bergantian. Jika malaria tidak diobati segera, komplikasi fatal seperti kejang, gangguan kesadaran, sesak napas, dan kematian dapat terjadi. Malaria menjadi salah satu penyebab kematian dan infeksi paling umum di seluruh dunia. Penyakit ini membahayakan sekitar 2,4 miliar orang. Data saat ini menunjukkan bahwa 92 negara endemik malaria, di mana ada kantong penularan malaria di berbagai negara. Implementasi Convolutional neural network (CNN) pada penyakit malaria menggunakan citra sel darah merah karena karakteristik visual yang khas dari sel darah merah yang terinfeksi oleh parasit malaria. Pengembangan model CNN yang lebih dan efisien untuk mendeteksi gejala malaria. Namun, dengan jumlah penderita malaria yang meningkat setiap tahun, ada keterbatasan, seperti kurangnya ahli di lapangan, seperti dokter dan profesional radiologi, dan biaya konsultasi yang tinggi. Salah satu solusi adalah teknologi medis seperti pembelajaran mendalam, yang dapat membantu dokter dan radiologis membuat diagnosis yang lebih baik dengan melihat gambar medis. Tujuan penelitian ini ialah penggunaan metode Convolutional Newral Network (CNN) arsitektur VGG19 untuk mendeteksi penyakit Malaria. Hasil yang didapatkan memperoleh akurasi yang baik pada arsitektur VGG19 sebesar 93%.

Malaria is caused by Plasmodium and is typically transmitted through the bite of an Anopheles mosquito, blood transfusion, or even sharing needles. If malaria is not treated promptly, fatal complications such as seizures, altered consciousness, difficulty breathing, and death can occur. Malaria is one of the most common causes of death and infection worldwide, affecting approximately 2.4 billion people. Current data shows that there are 92 malaria-endemic countries, where pockets of malaria transmission exist in various nations. The implementation of Convolutional Neural Networks (CNNs) for malaria detection uses red blood cell images due to the distinctive visual characteristics of red blood cells infected by malaria parasites. The development of more efficient CNN models for detecting malaria symptoms is essential. However, with the increasing number of malaria cases each year, there are limitations such as a shortage of experts in the field, such as doctors and radiologists, and high consultation costs. One solution is medical technology such as deep learning, which can assist doctors and radiologists in making better diagnoses by examining medical images. The objective of this research is to use the Convolutional Neural Network (CNN) method with the VGG19 architecture to detect malaria. The results obtained show good accuracy with the VGG19 architecture, achieving 93% accuracy.