Klasifikasi Kualitas Pewarnaan Ziehl Neelsen Pada Sampel Dahak Tbc Dengan Menggunakan Machine Learning
Abstract
Penyakit Tuberkulosis (TBC) masih menjadi masalah kesehatan global yang memerlukan diagnosis yang cepat dan akurat. Salah satu metode diagnosis yang umum digunakan adalah pemeriksaan mikroskopis dengan pewarnaan ZiehlNeelsen (ZN) pada sampel dahak. Namun, kualitas pewarnaan yang kurang optimal seperti Over Staining atau Less Staining dapat memengaruhi akurasi pembacaan mikroskopis dan menyebabkan kesalahan diagnosis. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sebuah aplikasi stan-dalone berbasis ML yang dapat melakukan klasifikasi kualitas pewarnaan ZN dan menghitung jumlah bakteri TBC secara otomatis. Sistem ini dibangun agar dapat berjalan secara lokal (offline) dan terintegrasi antara model klasifikasi berbasis CNN dan deteksi bakteri berbasis YOLOv11. Berdasarkan hasil pengujian terhadap dataset uji, sistem klasifikasi dengan model CNN mencapai akurasi, presisi, sensitivitas, spesifisitas, dan F1-skor sebesar 100% pada setiap kelas. Pada tahap deteksi bakteri, model YOLOv11 menunjukkan performa evaluasi dengan mAP, precision, recall, dan F1-skor lebih dari 80%. Waktu rata-rata pemrosesan gambar pada 30 laptop berbeda tercatat kurang dari 3 detik per gambar. Hasil ini menunjukkan bahwa sistem yang dikembangkan memiliki performa tinggi, fleksibel, dan siap diimplementasikan dalam skala operasional
laboratorium maupun daerah dengan keterbatasan jaringan.
Kata Kunci—Aplikasi standalone, Klasifikasi gambar, Ma-chine Learning, Tuberkulosis, Ziehl Neelsen.
References
Kementerian Kesehatan Republik Indonesia, “Data Kondisi TBC,”
https://www.tbindonesia.or.id/pustaka/tbc/data-kondisi-tbc/,2025, di-akses pada 4 Agustus 2025.
World Health Organization, Global Tuberculosis Report 2023. Ge- neva: World Health Organization, 2023.
Kementerian Kesehatan Republik Indonesia, Petunjuk Teknis Pena- talaksanaan Tuberkulosis Resistan Obat di Indonesia. Jakarta: Kementerian Kesehatan RI, 2020.
J. G. Jang and J. H. Chung, “Diagnosis and treatment of multidrug- resistant tuberculosis,” Yeungnam University Journal of Medicine, vol. 37, no. 4, pp. 277–285, Oct. 2020.
Kementerian Kesehatan Republik Indonesia, “Strategi nasional penanggulangan tuberkulosis di indonesia 2020–2024,” https://yankes.kemkes.go.id/, 2020, diakses pada 4 Agustus 2025.
World Health Organization, WHO Consolidated Guidelines on Tuber- culosis. Module 2: Screening – Systematic Screening for Tuberculosis Disease. Geneva: World Health Organization, 2021.
A. L. Garcia-Basteiro et al., “Point of care diagnostics for tuberculo- sis,” Pulmonology, Jan. 2018.
K. R. Steingart et al., “Fluorescence versus conventional sputum smear microscopy for tuberculosis: A systematic review,” The Lancet Infectious Diseases, 2006.
T. Ha¨nscheid, “The future looks bright: Low-cost fluorescent micro- scopes for detection of Mycobacterium tuberculosis and coccidiae,” Transactions of the Royal Society of Tropical Medicine and Hygiene, vol. 102, no. 6, pp. 520–521, Jun. 2008.
R. Yudiana, Z. Zulmansyah, and H. Garna, “Hubungan kepatuhan terapi obat anti tuberkulosis kombinasi dosis tetap (oat-kdt) dengan kesembuhan pasien tuberkulosis paru dewasa di puskesmas patokebe- usi subang,” Jurnal Integrasi Kesehatan & Sains, vol. 4, no. 1, pp. 44–49, Jan. 2022.
S. U. Basundari, S. Harun, R. Ekowatiningsih, and E. Yuwarni, “Uji validitas teknik pcr (polymerase chain reaction) dan pemeriksaan mikroskopis bakteri tahan asam sebagai alat diagnosis penderita tb paru di rumah sakit persahabatan, jakarta,” Media Penelitian dan Pengembangan Kesehatan, vol. 12, no. 3, 2002.
A. Tjokronegoro and A. Yusuf, Tuberkulosis paru: pedoman penataan diagnostik dan terapi. Fakultas Kedokteran Universitas Indonesia, Jakarta, 1985.
M. Misnarliah and M. Mudrika, “Pengaruh penundaan pewarnaan preparat bakteri tahan asam metode ziehl neelsen terhadap hasil pemeriksaan mikroskopik,” Jurnal Teknosain Kodepena, vol. 1, no. 2, pp. 58–63, 2021.
H. R. da Silva and Y. Maulani, “Perbandingan hasil pemeriksaan mikroskopis sputum bta terhadap metode pcr (genexpert) pada pasien tuberculosis paru,” Plenary Health: Jurnal Kesehatan Paripurna, vol. 1, no. 3, pp. 455–460, 2024.
A. Achmadi, M. M. Mardiah, and S. Wahyu, “Penerapan pemantapan mutu internal terhadap kualitas sediaan pewarnaan ziehl nielsen untuk deteksi mycobacterium tb,” Jurnal Ilmiah Kesehatan (JIKA), vol. 3, no. 3, pp. 124–133, 2021.
IBM Team. (2025) Apa itu convolutional neural network? [Onli- ne]. Available: https://www.ibm.com/idid/think/topics/convolutional-neural-networks
IONOS Editorial Team.(2025) Convolutional neural networks. IONOS. [Online]. Availa- ble: https://www.ionos.com/digitalguide/websites/web-development/convolutional-neural-networks/
GeeksforGeeks Editorial Team. (2025) Understanding the confusion matrix in machine learning. GeeksforGeeks. [Online]. Ava-ilable: https://www.geeksforgeeks.org/machine-learning/confusion-matrix-machine-learning/
M. Sonka, V. Hlavac, and R. Boyle, Image processing, analysis and machine vision. Springer, 2013.
Z.-Q. Zhao, P. Zheng, S.-t. Xu, and X. Wu, “Object detection with deep learning: A review,” IEEE transactions on neural networks and learning systems, vol. 30, no. 11, pp. 3212–3232, 2019.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.
J. Du, “Understanding of object detection based on cnn family and yolo,” in Journal of Physics: Conference Series, vol. 1004. IOP Publishing, 2018, p. 012029.
R. Khanam and M. Hussain, “Yolov11: An overview of the key archi- tectural enhancements. arxiv 2024,” arXiv preprint arXiv:2410.17725, 2024.
R. Khanam, M. Hussain, R. Hill, and P. Allen, “A comprehensive review of convolutional neural networks for defect detection in industrial applications,” IEEE Access, 2024.
Annisadev.(2024, November) Mengenal robo-flow: Solusi lengkap untuk pengembangan mo-del computer vision. Annisadev.[Online]. Availa-ble: https://www.annisadev.com/news/read/1012/mengenalroboflow-solusi-lengkap-untuk-pengembangan-model- computer-vision.html
DQLab. (2024) Hyperparameter tuning dalam proses pemodelan data. DQLab. [Online]. Available: https://www.dqlab.id/
D. Kurniadi, R. M. Shidiq, and A. Mulyani, “Perbandingan peng- gunaan optimizer dalam klasifikasi sel darah putih menggunakan convolutional neural network,”Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 14, no. 1, pp. 77–86, 2025.
P. S. Foundation. (2024) Apa itu python? Python.org. [Online].Available: https://www.python.org/doc/essays/blurb/
J. Salendah, P. Kalele, A. Tulenan, and J. S. R. Joshua, “Penentuan beasiswa dengan metode fuzzy tsukamoto berbasis web scholarship determination using web based fuzzy tsukamoto method,” in Seminar Nasional Ilmu Komputer (SNASIKOM), vol. 2, no. 1, 2022, pp. 81–90.
R. Ramadhan, E. Fitria, and R. Rosdiana, “Deteksi mycobacterium tuberculosis dengan pemeriksaan mikroskopis dan teknik pcr pada penderita tuberkulosis paru di puskesmas darul imarah,” Sel Jurnal Penelitian Kesehatan, vol. 4, no. 2, pp. 73–80, 2017.
S. Aulia, A. B. Suksmono, T. R. Mengko, and B. Alisjahbana, “A novel digitized microscopic images of znstained sputum smear and its classification based on iuatld grades,” IEEE Access, vol. 12, pp. 51 364–51 380, 2024.
Trivusi. (2022, August) Apa bedanya epoch dan batch size pada deep learning? Trivusi. [Online]. Available: https://www.trivusi.web.id/2022/08/epoch-danbatch-size.html
A. Sejati and L. Sofiana. (2015) Jurnal kesehatan masyarakat [Online]. Available: http://journal.unnes.ac.id/nju/index.php/kemas
