Mycobacterium tuberkulosis (MTB) adalah mikroorganisme yang menyebabkan penyakit
tuberkulosis (TB), penyakit yang terutama menyerang paru-paru namun mampu merusak
bagian tubuh lainnya. TBC merupakan masalah kesehatan masyarakat yang utama karena
angka kematiannya yang tinggi. Pada tahun 2022, TBC termasuk dalam sepuluh besar
penyebab kematian secara global, dengan Indonesia berada di peringkat kedua setelah
India. Diagnosis TBC melibatkan deteksi dan penghitungan bakteri MTB dalam sampel
dahak, yang biasanya dilakukan secara manual menggunakan mikroskop optik. Di negara-
negara berkembang di Asia dan Afrika, metode pewarnaan Ziehl-Neelsen (ZN) umumnya
digunakan karena keterjangkauan dan aksesibilitasnya dibandingkan metode lain seperti
mikroskop fluoresensi atau Polymerase Chain Reaction (PCR). Metode ZN mewarnai
bakteri MTB dengan warna merah dan latar belakang biru, membantu diferensiasi.
Namun pemeriksaan manual ini memakan waktu, seringkali memberikan hasil yang tidak
konsisten, dan rentan terhadap kesalahan diagnosis karena variasi kualitas slide. Untuk
meningkatkan diagnosis TBC, para peneliti telah mengembangkan teknik berbasis
komputer untuk menganalisis gambar mikroskopis digital dari sampel dahak. Metode
otomatis ini meningkatkan akurasi dan efisiensi diagnostik, membantu para profesional
medis. Salah satu alat tersebut adalah Ziehl-Neelsen Sputum Smear Microscopy Image
Database (ZNSM-iDB), sebuah kumpulan data yang tersedia untuk umum yang berisikan
berbagai kasus TBC. Dataset tersebut mencakup tujuh kategori berbeda dengan data yang
diperoleh dari tiga jenis mikroskop. Dataset ZNSM-iDB mendukung pengembangan
algoritma dengan menyediakan kumpulan data yang berfokus pada fokus otomatis,
penjahitan otomatis, dan segmentasi manual gambar mikroskop. Namun, hanya kategori
kumpulan data yang disegmentasi secara manual yang cocok untuk pelatihan model.
Kategori ini berisi gambar TB dengan objek yang ditandai secara manual (bounding box).
Meskipun demikian, pengambilan gambar manual untuk setiap Field-of-View (FoV) dapat
menyebabkan gambar tumpang tindih, dan kumpulan data ZNSM-iDB tidak memberikan
koordinat atau ukuran untuk bounding box setiap objek TB. Tujuan dari penelitian ini
adalah untuk mengembangkan sistem deteksi objek MTB yang dapat digunakan dengan
mikroskop pemindaian Field-of-View (FoV) (otomatis). Tujuan dari sistem ini adalah
untuk mengetahui tingkat keparahan penyakit TBC yang diderita pasien. FoV-Scanning
microscope digunakan untuk menangkap data gambar untuk tahap awal proses. FoV-
Scanning microscope ini dapat memfilter slide TBC secara otomatis, sehingga diharapkan
ii
dapat membantu pekerjaan tenaga medis dalam melakukan skrining slide TBC yang
sebelumnya dilakukan secara manual, memakan waktu cukup lama, dan rawan terjadinya
human error akibat kelelahan. Data yang diperoleh akan digunakan untuk melatih model
YOLO. Setelah data uji dimasukkan ke dalam model yang dihasilkan, sistem akan
mengeluarkan gambar dengan label yang mewakili bounding box dan jumlah/kuantitas
objek MTB di dalam gambar. Tingkat keparahan penyakit TBC dapat dinilai berdasarkan
jumlah objek MTB. Sistem yang dikembangkan diharapkan dapat membantu tenaga
medis dalam mengidentifikasi tingkat keparahan penyakit TBC pada pasien. Dengan
sistem ini, petugas kesehatan tidak perlu lagi memeriksa slide TB secara manual. Metode
yang diusulkan terbukti efektif dan efisien dalam mendeteksi objek MTB dari gambar
slide mikroskopis TB. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan
mencapai skor mAP 50 sebesar 0.454 dan skor mAP 50-95 sebesar 0.14, melampaui
konfigurasi YOLO V8 Medium dan V8 Large. Sistem dapat mengklasifikasikan tingkat
keparahan TBC dengan akurasi 66,67% (2 dari 3 sampel) ketika diuji dengan sediaan slide
TBC. Kesimpulan dari penelitian ini adalah sistem mikroskop otomatis berbasis AI efektif
dalam mendeteksi Mycobacterium tuberkulosis dan dapat diterapkan di fasilitas
kesehatan untuk meningkatkan efisiensi diagnosis TBC. Mikroskop pemindaian Field-of-
View yang dikembangkan berhasil melakukan pemindaian otomatis dan menangkap
gambar dengan kualitas yang memadai untuk dianalisis.