Tuberkulosis (TBC) merupakan salah satu tantangan kesehatan global yang mendesak, khususnya di negara berpenghasilan rendah dan menengah. Menurut data World Health Organization (WHO) pada tahun 2023, TBC mencatat lebih dari 7,5 juta kasus baru pada tahun 2022 dan menjadikannya penyakit yang mematikan kedua di dunia. Indonesia menempati peringkat kedua dengan jumlah kasus TBC terbanyak yakni sekitar 658.543 kasus yang telah dikonfirmasi oleh Kementrian Kesehatan per November 2023. Pemeriksaan dahak dengan pewarnaan Ziehl-Neelsen (ZN) menjadi salah satu metode diagnosis yang direkomendasikan oleh WHO khususnya pada negara berpenghasilan rendah dan menengah. Namun, pemeriksaan tersebut memerlukan tenaga dan konsentrasi yang kuat karena rawan terhadap variabilitas antar pemeriksa, serta dapat berpotensi memberikan diagnosis yang keliru pada 33-50 kasus aktif.
Pendekatan YOLOv8 Untuk Deteksi Bakteri TBC
Untuk mengatasi keterbatasan tersebut, penelitian ini mengembangkan sistem deteksi dan penghitungan otomatis bakteri Mycobacterium TBC pada citra dahak ZN menggunakan kerangka kerja objek deteksi YOLO dengan arsitektur YOLOv8. Sebagian besar penelitian sebelumnya hanya berfokus pada deteksi tanpa menuntaskan langkah penghitungan dan klasifikasi standar. Penelitian ini menerapkan strategi anotasi multi kelas, diantaranya adalah kategori single atau bakteri tunggal, kategori double dimana dua bakteri berdekatan, dan overlapping dimana terdapat kelompok bakteri yang tumpang tindih.
Dari Deteksi Menuju Klasifikasi IUATLD
Setiap kategori deteksi diberi bobot skor yang berbeda-beda, diantaranya adalah nilai 1 menunjukkan bakteri dalam keadaan single, nilai 2 menunjukkan bakteri dalam keadaan double, dan nilai 5 menunjukkan bakteri dalam keadaan overlapping. Hal tersebut dilakukan untuk merepresentasikan estimasi jumlah bakteri yang sesungguhnya di dalam setiap kotak deteksi. Skor tersebut kemudian akan dipetakan ke dalam kategori baku dalam International Union Against Tuberculosis and Lung Disease (IUATLD), dengan pembagian Negative, Scanty, 1+, 2+, 3+ yang kemudian hasil tersebut dapat digunakan untuk pemeriksaan klinis. Seluruh proses yang dimulai dari hasil deteksi otomatis, perhitungan, hingga klasifikasi tersebut diintegrasikan ke dalam aplikasi antarmuka (GUI) berbasis Flask yang menghasilkan laporan diagnostik dalam format CSV.
Data dan Hasil Penelitian
Data penelitian dikumpulkan dari Laboratorium Mikrobiologi Rumah Sakit Universitas Airlangga (RSUA) sebanyak 500 citra beresolusi tinggi, ditambah dengan 300 citra eksternal dari Federal University of Amazonas dan basis data terbuka Roboflow untuk memperkaya variasi kualitas pewarnaan dan kondisi pencitraan. Setelah melalui praproses dan augmentasi, dataset dikembangkan menjadi beberapa versi model diantaranya adalah v3, v6, v9, dan v10 dengan jumlah citra latih mencapai lebih dari 30.000 citra pada versi terbesar. Model dataset v9 akhirnya dipilih untuk implementasi akhir karena unggul dalam mendeteksi bakteri yang saling tumpang tindih (overlapping) dibandingkan model v10. Meskipun v10 dilatih dengan jumlah citra yang lebih banyak, hal tersebut menunjukkan bahwa penambahan jumlah data saja tidak cukup untuk mengatasi kompleksitas visual klaster bakteri yang padat.
Pada evaluasi akhir menggunakan 15 kaca sediaan dahak pasien TB (masing-masing 5 sediaan untuk kategori BTA 1+, 2+, dan 3+), sistem mencapai akurasi deteksi rata-rata sebesar 73,33%. Sistem menunjukkan performa sangat baik pada kategori BTA 1+ dengan akurasi 100%, namun menurun pada BTA 2+ (80%) dan BTA 3+ (40%). Penurunan tajam pada kategori BTA 3+ ini ditelusuri berasal dari keterbatasan perangkat keras, yaitu ketidaksesuaian Field of View (FOV) antara lensa okuler mikroskop dan sensor kamera digital, sehingga kamera hanya menangkap sebagian area pandang okuler dan menyebabkan bakteri pada sampel berkepadatan tinggi terhitung lebih sedikit dari jumlah sebenarnya. Penelitian selanjutnya direkomendasikan untuk berfokus pada kalibrasi perangkat keras demi sinkronisasi FOV serta diversifikasi dataset guna meningkatkan akurasi dan penerapan klinis sistem ini.
Penulis: Syevana Dita Musvika, Riries Rulaningtyas, Khusnul Ain, Pepy Dwi Endraswari, Savira Hayyun Audina, dan Annie Anak Joseph
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://doi.org/10.35882/jeeemi.v8i3.1111
Syevana Dita Musvika, Riries Rulaningtyas, Khusnul Ain, Pepy Dwi Endraswari, Savira Hayyun Audina, and Annie Anak Joseph, “Automated Detection and Grading of Tuberculosis Bacilli in Ziehl Neelsen-Stained Sputum Using YOLO with IUATLD-Based Classification,” Journal of Electronics, Electromedical Engineering, and Medical Informatics, Vol. 8, No. 3, 2026, pp. 1000-1016.
