Indonesia merupakan negara dengan jumlah kasus tuberkulosis (TB) tertinggi ketiga di dunia, setelah Tiongkok dan India. TB adalah penyakit menular yang sebagian besar disebabkan oleh Mycobacterium tuberculosis. Mikroskopi apusan dahak telah diakui sebagai metode yang efisien untuk mendeteksi TB, memfasilitasi diagnosis dini, dan berkontribusi pada upaya pengendalian penyakit. Namun, diagnosis TB yang akurat masih rumit, karena sebagian besar metode yang ada saat ini bergantung pada pengenalan reaksi imun inang daripada mengisolasi patogen secara langsung. Metode diagnostik yang lebih cepat sangat penting untuk memastikan terapi yang cepat, yang merupakan kunci untuk menghentikan penularan lebih lanjut. Mengidentifikasi individu dengan TB aktif penting untuk membendung penyebaran infeksi dan memperkuat strategi intervensi. Meskipun beberapa studi tentang deteksi TB telah dikerjakan oleh peneliti sebelumnya dengan menggunakan kerangka kerja pembelajaran mendalam (deep learning) YOLOv5, tetapi studi-studi tersebut belum memasukkan ukuran penilaian yang direkomendasikan oleh International Union Against Tuberculosis and Lung Disease (IUATLD). Oleh karena itu, penelitian ini bertujuan untuk menyajikan metode klasifikasi dan enumerasi Mycobacterium tuberculosis menggunakan arsitektur YOLOv5 dengan standar evaluasi IUATLD.
Dalam penelitian ini digunakan metode klasifikasi dan perhitungan YOLOv5 untuk menunjukkan penggambaran batas bakteri yang presisi untuk meminimalkan ketidakakuratan klasifikasi dan meningkatkan kejelasan tepi. Dalam penelitian ini, digunakan sampel sputum yang berfungsi sebagai media utama untuk mengidentifikasi keberadaan Mycobacterium Tuberculosis. Setelah akuisisi citra mikroskopis TB, data diubah ukurannya dari 1632×1442 menjadi 640×480 piksel. Anotasi dilakukan menggunakan kotak pembatas YOLOv5, dan model kemudian dilatih serta diuji sesuai dengan pedoman IUATLD.
Hasil penelitian menunjukkan bahwa selama analisis, sistem klasifikasi berbasis YOLOv5 menghasilkan kinerja yang optimal. Model mencapai akurasi 84,74%, presisi 87,31%, dan skor Mean Average Precision (MAP) sebesar 84,98%. Nilai-nilai tersebut menunjukkan keandalan yang tinggi dalam mengidentifikasi Mycobacterium tuberculosis dalam dataset citra (image).
Akhirnya diperoleh kesimpulan bahwa klasifikasi dan kuantifikasi Mycobacterium tuberculosis menggunakan kerangka kerja YOLOv5 menunjukkan presisi yang tinggi, dengan skor MAP sebesar 84,98%, yang menandakan kinerja model yang kuat. Selain itu, proses penghitungan mencapai MAPE (Mean Absolute Percentage Error) sebesar 0,15%, yang mencerminkan akurasi prediksi yang sangat baik.
Penulis: Prof. Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
http://e-journal.unair.ac.id/index.php/JISEBI
Saurina, N.; Chamidah, N.; Rulaningtyas, R.; Aryati, A. (2025). Classification and Counting of Mycobacterium Tuberculosis using YOLOv5. Journal of Information Systems Engineering and Business Intelligence, 11 (2), 267-278.
DOI: 10.20473/jisebi.11.2.267-278.
