Bivalvia seperti kerang, remis, dan tiram merupakan komoditas penting dalam ekonomi biru yang rentan terhadap serangan parasit seperti cacing dan teritip. Infestasi parasit dapat menurunkan kualitas dan meningkatkan risiko kematian Bivalvia. Deteksi parasit pada cangkang Bivalvia umumnya masih dilakukan secara konvensional, yang memerlukan waktu lama dan keahlian khusus. Penelitian ini mengusulkan deteksi parasit cacing pada cangkang Bivalvia menggunakan Detection Transformer (DETR) dengan backbone ResNet-50 dan ResNet-101 untuk membedakan Bivalvia sehat dan yang terinfestasi parasit secara dini. Dataset terdiri atas 521 citra Bivalvia, yang terbagi dalam kelas parasit dan non-parasit, 381 data merupakan data sekunder dari Google Images, dan 140 lainnya merupakan data primer. Berbagai strategi dilasi konvolusional diuji untuk meningkatkan performa model. Hasil eksperimen menunjukkan bahwa DETR dengan ResNet-50 secara konsisten mengungguli ResNet-101. Performa terbaik diperoleh saat dilasi diterapkan pada konvolusi di stage 4 ResNet-50, dengan capaian AP@50 sebesar 67,7%, AP@75 sebesar 60,0%, mAP sebesar 59,0%, dan AR sebesar 61,0%. Penerapan dilasi pada stage akhir ResNet memungkinkan model mampu memahami konteks yang lebih besar dalam gambar, sehingga meningkatkan kemampuan deteksi objek kecil. Evaluasi kualitatif juga menunjukkan kemampuan DETR mendeteksi parasit dalam kondisi alami meskipun menghadapi tantangan lingkungan seperti pencahayaan tidak merata, pergerakan air, dan gangguan visual. Penelitian ini merupakan salah satu upaya menuju pengembangan sistem deteksi parasit otomatis pada budidaya Bivalvia, yang ke depannya dapat diperluas untuk mendeteksi parasit lain seperti teritip.