Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium dan masih menjadi masalah kesehatan serius di Indonesia, khususnya wilayah timur. Diagnosis malaria yang cepat dan akurat sangat penting untuk mencegah komplikasi serta memutus rantai penularan. Penelitian ini bertujuan mengimplementasikan metode transfer learning menggunakan arsitektur Convolutional Neural Network (CNN) ResNet-50 dalam mendeteksi sel darah terinfeksi malaria pada citra mikroskopis. Dataset yang digunakan terdiri atas citra sel darah yang dikategorikan menjadi dua kelas, yaitu terinfeksi (parasitized) dan tidak terinfeksi (uninfected). Model dilatih dengan pembagian data training, validation, dan testing. Hasil penelitian menunjukkan bahwa ResNet-50 mencapai akurasi sebesar 93,00%, dengan presisi 96,00%, recall 97,00%, F1-score 93,00%, serta nilai AUC 98,00%. Dengan performa tersebut, pendekatan ini berpotensi menjadi solusi pendukung diagnosis malaria yang lebih cepat, objektif, dan efisien, serta dapat diintegrasikan sebagai sistem skrining laboratorium maupun decision support bagi tenaga medis, sekaligus mendukung penelitian lanjutan.

Kata Kunci: Malaria, Plasmodium, Deep Learning, CNN, ResNet-50, Transfer Learning.