Tuberkulosis (TB), yang disebabkan oleh bakteri Mycobacterium tuberculosis (MTB), merupakan penyakit menular yang menyebar melalui udara dari orang yang terinfeksi. Hampir seperempat populasi global terinfeksi bakteri ini, dengan sekitar 89% kasus TB terjadi pada orang dewasa dan 11% pada anak-anak. TB tetap menjadi penyebab kematian utama setelah HIV/AIDS. Pada tahun 2020, diperkirakan 9,9 juta orang di seluruh dunia terjangkit TB. Riset Kesehatan Dasar (Riskesdas) mengidentifikasi Papua, Banten, dan Jawa Barat sebagai provinsi di Indonesia dengan prevalensi TB tertinggi, masing-masing sebesar 0,77%, 0,76%, dan 0,63% di Kementerian Kesehatan Republik Indonesia. Menurut Keputusan Menteri Kesehatan Republik Indonesia No. 364/MENKES/SK/V/2009, diagnosis TB dapat dilakukan melalui pemeriksaan dahak mikroskopis. Teknik ini, yang banyak digunakan di sebagian besar pusat kesehatan primer (PHC) di Indonesia, memberikan hasil yang lebih cepat dibandingkan dengan pemeriksaan lainnya. Sampel dahak diwarnai menggunakan metode Ziehl-Neelsen (ZN), yang mengubah bakteri MTB menjadi merah dengan latar belakang biru, sehingga terlihat jelas di bawah mikroskop. Tuberkulosis (TB) terus menjadi masalah kesehatan global yang utama, terutama di daerah dengan sumber daya terbatas di mana alat diagnostik seringkali tidak memadai. Metode deteksi TB tradisional lambat dan kurang sensitif, terutama untuk kasus tahap awal atau jumlah bakteri rendah. Oleh karena itu, dalam studi ini diperkenalkan model pembelajaran mendalam multimoda dari segmentasi citra dahak untuk mengklasifikasikan bakteri tuberkulosis menggunakan penilaian IUATLD (International Union Against Tuberculosis and Lung Disease).
Pada penelitian ini digunakan model pembelajaran mendalam multimoda baru yang mengintegrasikan segmentasi citra dahak di seluruh saluran warna RGB, hue, saturation, dan value (HSV), dan CIELAB, menggunakan model YOLOv8 untuk deteksi dan segmentasi waktu nyata. Model tersebut menggunakan skala penilaian International Union Against Tuberculosis and Lung Disease (IUATLD) untuk klasifikasi Mycobacterium tuberculosis (MTB) yang akurat.
Hasil perhitungan IUALTD seperti terlihat pada Tabel 3 berikut ini.
Tabel 3 menunjukkan bahwa dari 13 pasien terdapat satu pasien yang masuk kategori 1+, kemudian satu pasien yang masuk kategori 2+ dan sebelas pasien yang masuk kategori 3+. Berdasarkan [43] nilai MAPE sebesar 3,9% memiliki interpretasi hasil peramalan yang sangat akurat. Nilai MAPE pada penelitian ini diperoleh dengan membandingkan jumlah klasifikasi MTB yang dihasilkan oleh model usulan dengan jumlah MTB hasil perhitungan Departemen Patologi Klinik Fakultas Kedokteran 51¶¯Âþ sebanyak 1265 citra. Penelitian ini telah tercantum dalam Nomor Pengecualian Etik 53/EC/KEPK/FKUA/2023. Selisih antara nilai observasi dengan nilai peramalan sering disebut sebagai residual. Berbagai teknik dalam mengukur akurasi baik dalam bentuk angka maupun persen seperti MAPE.
Akhirnya dapat disimpulkan bahwa pendekatan pembelajaran mendalam multimoda secara signifikan meningkatkan akurasi dan kecepatan diagnostik, yang berfungsi sebagai alat yang dapat diandalkan untuk deteksi dini TB. Metode ini memanfaatkan pemrosesan gambar dan teknik pembelajaran mesin tingkat lanjut, sehingga dapat diterapkan di berbagai lingkungan perawatan kesehatan, bahkan yang memiliki sumber daya terbatas. Studi ini menunjukkan potensi menggabungkan pemrosesan gambar multimoda dan pembelajaran mendalam untuk meningkatkan hasil diagnostik, yang membuka jalan bagi eksplorasi lebih lanjut aplikasi kecerdasan buatan dalam diagnostik medis, khususnya untuk penyakit menular. Bagi masyarakat di wilayah dengan beban TB tinggi, pendekatan kami menghadirkan solusi yang menjanjikan untuk kesulitan yang terkait dengan diagnosis TB. Dengan menawarkan alat diagnostik yang lebih tepat dan mudah diakses, kami dapat meningkatkan hasil deteksi dini dan pengobatan, yang pada akhirnya dapat mengekang penyebaran TB dan memperkuat kesehatan masyarakat. Model yang diusulkan berpotensi untuk diadaptasi untuk penyakit menular lain yang memerlukan diagnostik berbasis gambar. Studi di masa mendatang mungkin menyelidiki penggabungan modalitas data tambahan, seperti informasi genomik, untuk lebih meningkatkan presisi diagnostik. Lebih jauh lagi, menciptakan perangkat diagnostik portabel yang memanfaatkan teknologi ini dapat mengubah pengujian di tempat perawatan di lingkungan terpencil dan terbatas sumber daya.
Penulis: Prof. Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
Nia Saurina, Nur Chamidah, Riries Rulaningtyas, Aryati Aryati (2025). Multimodal Deep Learning from Sputum Image Segmentation to Classify Mycobacterium Tuberculosis Using UATLD Assessment. Bulletin of Electrical Engineering and Informatics (BEEI),14(2), pp. 1579“590. DOI: 10.11591/eei.v14i2.9250.
