Evaluasi Kinerja Empat Generasi YOLO dalam Deteksi Acid-Fast Bacilli pada Citra Apusan Mikroskopis Tuberculosis
Files
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
DOI
Abstract
Tuberkulosis (TB) merupakan salah satu penyakit menular yang masih menjadi permasalahan kesehatan global, termasuk di Indonesia. Diagnosis TB secara mikroskopis menggunakan cairan sputum masih banyak digunakan karena relatif sederhana dan ekonomis. Namun, proses identifikasi bakteri Mycobacterium tuberculosis secara manual membutuhkan ketelitian tinggi, waktu yang cukup lama, serta rentan terhadap subjektivitas pengamat. Perkembangan teknologi kecerdasan buatan, khususnya pada bidang computer vision, membuka peluang untuk mengotomatisasi proses deteksi bakteri TB melalui pemanfaatan algoritma deteksi objek berbasis deep learning. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk membandingkan performa model YOLO dalam mendeteksi bakteri Mycobacterium tuberculosis pada citra mikroskopis apusan sputum serta menentukan model yang paling optimal untuk implementasi pada lingkungan edge computing. Dataset yang digunakan merupakan Tuberculosis Image Dataset yang diperoleh dari Kaggle yang terdiri atas 1.265 citra dengan resolusi asli 1.632 x 1.224 piksel. Penelitian ini menggunakan delapan model yang merepresentasikan varian nano dan small dari masing masing arsitektur, yaitu YOLOv8n, YOLOv8s, YOLOv10n, YOLOv10s, YOLO11n, YOLO11s, YOLO26n, dan YOLO26s. Seluruh model dilatih menggunakan platform Google Colab dengan konfigurasi pelatihan yang sama untuk menjamin keadilan proses komparasi. Evaluasi performa dilakukan menggunakan metrik mAP@50, mAP@50-95, Precision, Recall, dan F1-Score. Selain itu, model terbaik dikonversi ke format TensorFlow Lite (TFLite) dengan kuantisasi INT8 untuk mengevaluasi efisiensi komputasi berdasarkan ukuran model dan waktu inferensi. Hasil penelitian menunjukkan bahwa seluruh model mampu mendeteksi bakteri Mycobacterium tuberculosis dengan tingkat performa yang baik. YOLO11n memperoleh performa terbaik dengan mAP@50 sebesar 0,834, mAP@50-95 sebesar 0,407, Precision sebesar 0,781, Recall sebesar 0,771, dan F1-Score sebesar 0,776 setelah konversi ke format TFLite INT8. Dari sisi efisiensi, YOLO11n memiliki ukuran model sebesar 2,85 MB dan waktu inferensi rata-rata sebesar 119,05 ms, sehingga tetap kompetitif dibandingkan model lainnya. Berdasarkan kombinasi performa deteksi dan efisiensi komputasi, pada penelitian ini YOLO11n ditetapkan sebagai model yang paling optimal untuk implementasi sistem deteksi bakteri Mycobacterium tuberculosis pada perangkat edge computing dengan sumber daya terbatas.