Penelitian ini memanfaatkan metode deep learning untuk mendeteksi objek pada citra leukosit manusia menggunakan metode Faster R-CNN dengan memodifikasi anchor yang disesuaikan dengan karakteristik himpunan data. Data citra dan file anotasi yang digunakan sebanyak 56 basofil, 129 eosinofil, 86 limfosit, 69 monosit, dan 260 neutrofil. Himpunan data dibagi menjadi data latih dan data uji menggunakan metode 3-fold cross validation. Himpunan data tersebut juga melalui tiga tahap preprocessing yaitu mengubah citra RGB menjadi BGR, resize citra, dan normalisasi. Pada saat pelatihan dilakukan tiga eksperimen pengaturan skala dan rasio aspek anchor untuk memperoleh hasil yang paling optimal. Pemilihan model terbaik ditentukan berdasarkan nilai mean Average Precision (mAP) yang merupakan rata-rata dari Average Precision (AP). Dari hasil penelitian berdasarkan 3-fold cross validation diperoleh bahwa model original yang memiliki skala [128, 256, 512] dan rasio [1:2, 1:1, 2:1] menghasilkan nilai mAP sebesar 79.80%. Selanjutnya, modifikasi anchor 1 dengan skala [128, 256, 512] dan rasio [1:1] menghasilkan nilai mAP sebesar 82.50%. Sementara model terbaik diperoleh modifikasi anchor 2 yaitu ketika skala dan rasio aspek anchor dimodifikasi menjadi [64, 128, 256, 512] dan [1:1] dengan nilai mAP sebesar 83.85%.
Kata Kunci: Leukosit, Faster-RCNN, Deteksi Objek, Kotak Anchor