Dalam dunia kesehatan, penyelesaian masalah deteksi objek dapat digunakan untuk memprediksi penyakit seperti demam berdarah, infeksi, leukemia, leukositosis, dan lain-lain. Pemeriksaan penyakit tersebut digunakan dengan media citra fluorescence microscopy. Pada skripsi ini, penulis mengimplementasikan dua algoritma supervised learning untuk mendeteksi objek pada sampel citra fluorescence microscopy, yaitu Adaptive Boosting dan Fisher Discriminant Analysis. Adaptive Boosting menggunakan bantuan fitur Haar-like untuk menghasilkan weak classifier. Fisher Discriminant Analysis memanfaatkan analisis diskriminan untuk mengklasifikasikan window pada citra sebagai bagian berobjek dan bukan. Perbandingan antara kedua algoritma ini dilihat dari sisi kecepatan dan akurasi, yaitu error deteksi, waktu komputasi, dan error koordinat.