Salah satu masalah kesehatan yang seringkali ditemukan di dunia adalah tuberkulosis (TBC), ternasuk di negara berkembang seperti Indonesia. TBC disebabkan oleh bakteri Mycobacterium Tuberculosis yang menyebar melalui udara. Tercatat sebanyak 397.377 kasus TBC di Indonesia pada tahun 2021, yang didapat dari laman Kementrian Kesehatan RI. Kasus ini diperkirakan bisa lebih jauh lebih tinggi. Hal tersebut dapat dipicu oleh keterlambatan diagnosis yang berpotensi fatal bagi pasien.
Salah satu metode yang umum digunakan dalam diagnosis TBC adalah pemeriksaan mikroskopik apusan sputum (dahak) yang diwarnai dengan metode Ziehl-Neelsen (ZN). Dengan metode pewarnaan tersebut, bakteri TB akan tampak berwarna kemerahan di bawah mikroskop karena sifatnya yang tahan asam. Namun, identifikasi manual oleh tenaga laboratorium membutuhkan waktu lama dan rentan terhadap kesalahan subjektif, terutama ketika ketebalan pewarnaan bervariasi antar sampel. Variasi ketebalan pewarnaan inilah yang menjadi tantangan besar. Apabila apusan terlalu tipis, maka bakteri akan sulit terlihat. Sementara apusan yang terlalu tebal membuat latar belakang ikut berwarna sehingga mempersulit identifikasi. Dengan ini, diperlukan sebuah sistem komputasi yang mampu mengenali bakteri TB secara otomatis, baik dari kondisi pewarnaan maupun ketebalan apusan.
Kombinasi Deep learning dalam Mendeteksi Bakteri
Penelitian ini mengembangkan sistem deteksi otomatis bakteri M. Tuberkulosis dengan menggunakan pendekatan deep learning yakni algoritma Faster Region-based Convolutional Neural Network (Faster R-CNN) dengan backbone ResNet-50. Faster R-CNN bekerja dalam dua tahap utama diantaranya adalah jaringan proposal region (RPN) mengusulkan lokasi-lokasi kandidat di mana objek kemungkinan berada, kemudian CNN mengklasifikasikan dan memperhalus bounding box di setiap kandidat lokasi tersebut. Adapun ResNet-50 dipilih sebagai ekstraktor fitur karena kemampuannya yang unggul dalam mengenali objek berukuran kecil, dimana fitur ini sangat relevan mengingat bakteri TB hanya berukuran 1鈥4 渭m. Arsitektur ResNet-50 terdiri dari 50 lapisan dengan koneksi residual yang membantu mencegah masalah ‘vanishing gradient’ yang memungkinkan pelatihan jaringan yang lebih dalam dan akurat.
ResNet-50 tidak melatih model dari nol, melainkan memanfaatkan bobot yang telah dipelajari dari dataset ImageNet yang berisi jutaan gambar. Dengan ini, model sudah mengenali fitur dasar gambar seperti tepi, tekstur, dan bentuk sebelum masuk secara khusus untuk mengenali bakteri TB. Pendekatan ini efektif meningkatkan akurasi.
Data dan Hasil Penelitian
Sebanyak 600 gambar data apusan sputum dengan pewarnaan ZN digunakan dalam penelitian. Terdapat tiga kondisi pada data apusan diantaranya adalah tipis, standar, dan tebal yang diperoleh dari 东京热 menggunakan mikroskop dengan pembesaran 1000 kali. Augmentasi menggunakan platform RoboFlow diterapkan pada penelitian ini guna mencegah keterbatasan data dan overfitting. Jumlah data setelah augmentasi adalah sebanyak 1.700 gambar. Teknik augmentasi meliputi rotasi acak, flipping horizontal/vertikal, serta empat variasi pengolahan warna diantaranya yaitu variasi hue (3%), peregangan saturasi (5%), peregangan kecerahan (10%), dan peregangan eksposur.
Model dilatih dengan variasi jumlah pelatihan, diantaranya 1.000, 3.000, dan 5.000 langkah. Hasilnya menunjukkan adanya peningkatan performa yang konsisten seiring bertambahnya langkah pelatihan. Pada 5.000 langkah pelatihan, model mencapai akurasi 88%, presisi 94%, recall 93%, dan F1-score 94%. Model juga berhasil menghasilkan output berupa gambar beranotasi yang menandai lokasi bakteri TB dengan bounding box beserta persentase kepercayaan deteksinya (92鈥99%).
Jika dibandingkan dengan penelitian yang menggunakan Faster R-CNN dengan arsitektur VCG-16 tanpa augmentasi warna dan menghasilkan F1-Score sebesar 0.897 dan 0.912. Sistem yang diusulkan berhasil memberikan peningkatan nilai presisi menjadi 0.94 dengan F1-Score yang lebih tinggi. Hal tersebut menujukkan bahwa strategi augmentasi warna yang komprehensif meliputi variasi saturasi, kecerahan, dan eksposur mampu meningkatkan robusitas model terhadap variasi ketebalan pewarnaan yang menjadi tantangan utama dalam diagnosis TB berbasis mikroskopi.
Sistem berpotensi besar untuk diintegrasikan ke dalam alur diagnostik TB di fasilitas kesehatan dengan sumber daya terbatas. Dengan waktu komputasi yang relatif singkat (15鈥40 menit untuk pelatihan) dan kemampuan mendeteksi bakteri dari berbagai kondisi pewarnaan, teknologi ini dapat menjadi asisten diagnostik yang andal bagi tenaga laboratorium, mengurangi beban kerja manual sekaligus meningkatkan konsistensi dan kecepatan diagnosis TB.
Penulis: Riries Rulaningtyas, Fashalli Giovi Bilhaq, Deby Kusumaningrum, Ronald Eric, Sayyidul Istighfar Ittaqillah, Herri Trilaksana, Dicky Bagus Widhyatmoko, dan Annie Anak Joseph
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Riries Rulaningtyas et al., “Automated Mycobacterium tuberculosis Detection in Multivariant Digitized Ziehl-Neelsen Staining Using Faster RCNN Method”, International Journal of Biomedical Imaging, Volume 2026, Article ID 6692222.
