KOMPARASI ARSITEKTUR YOLOV8, YOLOV10, YOLO11, DAN YOLO26 UNTUK DETEKSI BAKTERI MYCOBACTERIUM TUBERCULOSIS PADA CITRA MIKROSKOPIS
Technologia : Jurnal Ilmiah · 30.07.2026 · 17 (3) · 595-604
DOI: 10.31602/jit.v17i3.23393 ↗Kurz gefasst
Fachartikel in der Zeitschrift Technologia : Jurnal Ilmiah, online erschienen am 30.07.2026. Verfasst von Raisha Alma Sahara und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Tuberkulosis (TBC) masih menjadi ancaman kesehatan global yang serius, khususnya di negara berkembang seperti Indonesia yang menempati peringkat kedua dengan beban TBC tertinggi di dunia. Deteksi dini berbasis citra mikroskopis apusan sputum dengan pewarnaan Ziehl-Neelsen merupakan metode diagnosis yang umum digunakan, namun proses pembacaan slide secara manual memerlukan keahlian tinggi dan rentan terhadap human error. Penelitian ini membandingkan performa delapan varian model dari empat generasi arsitektur You Only Look Once (YOLO), yaitu YOLOv8 (Nano, Small, Medium), YOLOv10 (Medium), YOLO11 (Nano dan Small), dan YOLO26 (Nano dan Small), untuk mendeteksi bakteri Mycobacterium tuberculosis secara otomatis pada citra mikroskopis pewarnaan Ziehl-Neelsen. Dataset yang digunakan terdiri dari 1.265 citra (7.027 anotasi bounding box) yang bersumber dari Kaggle, dibagi dengan rasio 70:20:10 untuk pelatihan, validasi, dan pengujian. Seluruh model dilatih dengan konfigurasi identik menggunakan optimizer SGD dengan learning rate 0,01 selama 100 epoch pada resolusi input 640×640 piksel, dengan pretrained weights dari dataset COCO. Evaluasi dilakukan berdasarkan metrik mAP@50, mAP@50-95, Precision, Recall, F1-Score, inference time, dan ukuran model TFLite sebagai indikator kelayakan edge deployment. Hasil eksperimen menunjukkan bahwa YOLO11n meraih performa terbaik secara keseluruhan dengan mAP@50 sebesar 0,850, F1-Score 0,782, inference time 10,56 ms, serta ukuran TFLite 2,85 MB hanya dengan 2,5 juta parameter, menjadikannya kandidat terkuat untuk implementasi pada perangkat edge computing seperti Raspberry Pi. Sementara itu, YOLO11s menawarkan recall tertinggi sebesar 79,2% yang lebih sesuai untuk skenario skrining awal, dan YOLOv8n menjadi alternatif terbaik ketika kecepatan inferensi menjadi prioritas utama. YOLOv10m ditemukan tidak kompatibel dengan format TFLite akibat inkompatibilitas struktural pada lapisan head-nya. Temuan ini mengkonfirmasi bahwa efisiensi desain arsitektur memiliki peran yang lebih signifikan terhadap performa dibandingkan penambahan kapasitas parameter semata, dan bahwa pemilihan model harus disesuaikan dengan prioritas klinis serta keterbatasan perangkat target.
Zitieren
APA
Sahara, R. A., Kurniawardhani, A., & Muhimmah, I. (2026). KOMPARASI ARSITEKTUR YOLOV8, YOLOV10, YOLO11, DAN YOLO26 UNTUK DETEKSI BAKTERI MYCOBACTERIUM TUBERCULOSIS PADA CITRA MIKROSKOPIS. Technologia : Jurnal Ilmiah, 17(3), 595-604. https://doi.org/10.31602/jit.v17i3.23393
Vancouver
Sahara RA, Kurniawardhani A, Muhimmah I. KOMPARASI ARSITEKTUR YOLOV8, YOLOV10, YOLO11, DAN YOLO26 UNTUK DETEKSI BAKTERI MYCOBACTERIUM TUBERCULOSIS PADA CITRA MIKROSKOPIS. Technologia : Jurnal Ilmiah. 2026;17(3):595-604. doi:10.31602/jit.v17i3.23393
BibTeX
@article{Sahara2026,
author = {Sahara, Raisha Alma and Kurniawardhani, Arrie and Muhimmah, Izzati},
title = {KOMPARASI ARSITEKTUR YOLOV8, YOLOV10, YOLO11, DAN YOLO26 UNTUK DETEKSI BAKTERI MYCOBACTERIUM TUBERCULOSIS PADA CITRA MIKROSKOPIS},
journal = {Technologia : Jurnal Ilmiah},
year = {2026},
volume = {17},
number = {3},
pages = {595--604},
doi = {10.31602/jit.v17i3.23393}
}
EUVIMED