Peningkatan Kinerja Metode Faster Region-Based Convolutional Neural Network melalui Integrasi Modul Bidirectional Feature Pyramid Network dalam Identifikasi Bakteri Tuberkulosis pada Citra Ziehl–Neelsen

Mahasti Namira, Ridwan Wicaksono, S.T., M.Eng., Ph.D.

2026 | Tesis | MAGISTER TEKNIK BIOMEDIS

Tuberkulosis (TB) merupakan salah satu penyakit menular paling mematikan di dunia, dengan laporan Organisasi Kesehatan Dunia (WHO) tahun 2021 menunjukkan lebih dari sepuluh juta kasus baru dan sekitar 1,5 juta kematian setiap tahun. Penelitian terdahulu menggunakan arsitektur Faster R-CNN untuk deteksi TB telah mencapai akurasi tinggi, namun masih mengalami kesulitan dalam mendeteksi basil berukuran kecil pada citra mikroskopis akibat keterbatasan representasi fitur multi-skala. Selain itu, model tersebut umumnya membutuhkan GPU dengan kapasitas memori tinggi, sehingga penerapannya di lapangan menjadi kurang praktis. Penelitian ini mengatasi keterbatasan tersebut dengan mengembangkan kerangka kerja deep learning yang dioptimalkan untuk deteksi otomatis Mycobacterium tuberculosis pada citra sputum hasil pewarnaan Ziehl–Neelsen. Model Faster R-CNN ditingkatkan dengan integrasi modul BiFPN (Bidirectional Feature Pyramid Network) untuk memperbaiki fusi fitur multi-skala dan meningkatkan efisiensi komputasi tanpa menambah kompleksitas model secara signifikan. Dengan menggunakan dataset sebanyak 1.265 citra yang diperluas menjadi 6.375 melalui augmentasi, model yang diusulkan mencapai 93,71% mAP@0,5, dengan korelasi yang sangat kuat terhadap hasil penghitungan manual (r = 0,997; MAE = 0,22). Hasil ini menunjukkan bahwa peningkatan arsitektur jaringan secara terarah mampu mengatasi kelemahan utama metode deep learning konvensional dalam deteksi TB otomatis, sekaligus menghasilkan model yang efisien dan dapat diterapkan pada lingkungan dengan sumber daya terbatas.

Tuberculosis (TB) remains one of the world’s deadliest infectious diseases, with the World Health Organization (WHO) reporting over ten million new cases and 1.5 million deaths annually in 2021. Previous studies using Faster R-CNN for TB detection achieved high accuracy but struggled to detect small bacilli in microscopic images due to limited multi-scale feature representation. In addition, these models require high-memory GPUs, limiting their practicality in field settings. This study addresses these limitations by developing an optimized deep learning framework for automated detection of Mycobacterium tuberculosis in Ziehl–Neelsen stained sputum images. The Faster R-CNN model was enhanced using the BiFPN (Bidirectional Feature Pyramid Network) to improve multi-scale feature fusion and computational efficiency. Using a dataset of 1,265 images expanded to 6,375 through augmentation, the proposed model achieved 93.71% mAP@0.5, showing a strong correlation with manual counts (r = 0.997, MAE = 0.22). The findings demonstrate that targeted architectural enhancements can overcome the key weaknesses of conventional deep learning approaches in TB detection, providing a scalable and efficient diagnostic tool suitable for resource-limited environments.

Kata Kunci : Deteksi tuberkulosis, deep learning, Faster R-CNN, BiFPN, diagnosis otomatis/Tuberculosis detection, deep learning, Faster R-CNN, BiFPN, automated diagnosis