Pengembangan Deteksi Parasit Darah Theileria equi dan Babesia caballi  secara Otomatis menggunakan Algoritma YOLOv8

Ridi Arif; Arifin Budiman Nugraha; Feni Gemala Kedaton; Wishnu Kusumo Agung Erlangga; Bagas Dwi Suryo Wibowo

doi:10.22146/jsv.104069

Pengembangan Deteksi Parasit Darah Theileria equi dan Babesia caballi secara Otomatis menggunakan Algoritma YOLOv8

https://doi.org/10.22146/jsv.104069

Ridi Arif^(1*), Arifin Budiman Nugraha⁽²⁾, Feni Gemala Kedaton⁽³⁾, Wishnu Kusumo Agung Erlangga⁽⁴⁾, Bagas Dwi Suryo Wibowo⁽⁵⁾

(1) Divisi Parasitologi dan Entomologi Kesehatan, Sekolah Kedokteran Hewan dan Biomedis, IPB University
(2) Divisi Parasitologi dan Entomologi Kesehatan, Sekolah Kedokteran Hewan dan Biomedis, IPB University
(3) Program Pendidikan Dokter Hewan, Sekolah Kedokteran Hewan dan Biomedis, IPB University
(4) PT. Voxeu Digital Kreatif
(5) PT. Voxeu Digital Kreatif
(*) Corresponding Author

Abstract

Piroplasmosis pada kuda merupakan penyakit parasit darah yang disebabkan oleh Theileria equi dan Babesia caballi, menyebabkan anemia, ikterus, kegagalan organ, serta pembatasan aktivitas kuda, termasuk larangan mengikuti kompetisi. Deteksi piroplasmosis secara rutin masih mengandalkan pemeriksaan mikroskopis ulas darah untuk melihat morfometrik parasitnya sehingga membutuhkan keahlian tinggi dan memerlukan waktu relatif lama. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis parasit T. equi dan B. caballi berbasis algoritma YOLOv8 untuk meningkatkan kecepatan dan akurasi identifikasi mikroskopis. Pengambilan data dilakukan dengan pembuatan preparat ulas darah dari kuda yang terdiagnosis positif piroplasmosis yang telah divalidasi oleh ahli dari Laboratorium Protozoologi SKHB IPB. Preparat diwarnai menggunakan giemsa 10%, dilakukan pengambilan gambar, pembuatan dataset, anotasi data, pelatihan model YOLOv8, serta pengujian performa sistem. Hasil penelitian menunjukkan performa model mendeteksi parasit dengan mAP50 sebesar 69,8%, mAP50-95 sebesar 40,5%, dan kecepatan deteksi 5,4 ms. Evaluasi performa manual menunjukkan akurasi 91%, presisi 98%, recall 92%, dan F1-score 95% dibandingkan pemeriksaan mikroskopis. Penelitian ini menyimpulkan bahwa sistem berbasis YOLOv8 mampu melakukan deteksi T. equi dan B. caballi secara otomatis dengan presisi tinggi dan waktu deteksi cepat sehingga berpotensi digunakan sebagai alat bantu diagnosis piroplasmosis yang lebih efisien.

Keywords

Babesia caballi; Piroplasmosis; Theileria equi; deteksi; YOLO

Full Text:

PDF

References

Almazán, C., Scimeca, R.C., Reichard, M. V., Mosqueda, J. (2022). Babesiosis and Theileriosis in North America. Pathogens. 11(2):1–21. doi:10.3390/pathogens11020168.

Alomari, A., Faris, H., Castillo, P.A. (2023). Specialty detection in the context of telemedicine in a highly imbalanced multiclass distribution. PLoS One. 18(11):1–17. doi:10.1371/journal.pone.0290581.

Ayunda, N.A., Haryatmi, E., Riyadi, T.A. (2023). Classification of tomato ripeness based on convolutional neural network methods. Journal of Information Systems and Informatics. 5(4):1658–1675. doi:10.51519/journalisi.v5i4.613.

Chitraningrum, N., Banowati, L., Herdiana, D., Mulyati, B., Sakti, I., Fudholi, A., Saputra, H., Farishi, S., Muchtar, K., Andria, A.(2024). Comparison study of corn leaf disease detection based on deep learning YOLO- v5 and YOLO-v8. Journal of Engineering and Technological Sciences. 56(1):61–70. doi:10.5614/j.eng.technol.sci.2024.56.1.5.

Fandisyah, A.F., Iriawan, N., Winahju, W.S. (2021) Deteksi Kapal Laut di Indonesia Menggunakan YOLOv3. Jurnal Sains dan Seni ITS. 1(10) : 2337-2520.

Hicks, S.A., Strümke, I., Thambawita, V., Hammou, M., Riegler, M.A., Halvorsen, P., Parasa, S. (2022). On evaluation metrics for medical applications of artificial intelligence. Sci Rep. 12(1):1–9. doi:10.1038/s41598-022-09954-8.

Jiang, P., Ergu, D., Liu, F., Cai, Y., Ma, B. (2022). A review of YOLO algorithm developments. Procedia Comput Sci. 199(2022):1066–1073. doi:10.1016/j.procs.2022.01.135.

Kaope, C., Pristyanto, Y. (2023). The effect of class imbalance handling on datasets toward classification algorithm performance. MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer. 22(2):227–238. doi:10.30812/matrik.v22i2.2515.

Kristiawan, K., Widjaja, A. (2021). Perbandingan algoritma machine learning dalam menilai sebuah lokasi toko ritel. Jurnal Teknik Informatika dan Sistem Informasi. 7(1):35–46. doi:10.28932/jutisi.v7i1.3182.

Malekifard, F., Tavassoli, M., Yakhchali, M., Darvishzadeh, R. (2014). Detection of Theileria equi and Babesia caballi using microscopic and molecular methods in horses in suburb of Urmia, Iran. Veterinary Research Forum. 5(2):129–133.

Nardini, R., Cersini, A., Bartolomé Del Pino, L.E., Manna, G., Scarpulla, M., Di Egidio A., Giordani, R., Antognetti, V., Veneziano, V., Scicluna, M.T. (2022). Comparison of direct and indirect methods to maximise the detection of Babesia caballi and Theileria equi infections in Central Southern Italy. Ticks Tick Borne Dis. 13(6):1–10. doi:10.1016/j.ttbdis.2022.101939.

Nugraha, A.B., Cahyaningsih, U., Amrozi, A., Ridwan, Y., Agungpriyono, S., Taher, D.M., Guswanto, A., Gantuya, S., Tayebwa, D.S., Tuvshintulga. B., et al. 2018. Serological and molecular prevalence of equine piroplasmosis in Western Java, Indonesia. Vet Parasitol Reg Stud Reports. 14(2018):1–6. doi:10.1016/j.vprsr.2018.07.009.

Onyiche, T.E., Suganuma, K., Igarashi, I., Yokoyama, N., Xuan, X., Thekisoe, O. (2019). A review on equine piroplasmosis: Epidemiology, vector ecology, risk factors, host immunity, diagnosis and control. Int J Environ Res Public Health. 16(10):1–23. doi:10.3390/ijerph16101736.

Rahayu, W.I., Prianto, C., Novia, E.A. (2021). Perbandingan algoritma k-means dan naïve Bayes untuk memprediksi prioritas pembayaran tagihan rumah sakit berdasarkan tingkat kepentingan pada PT. Pertamina (PERSERO). Jurnal Teknik Informatika. 13(2):1–8.

Sarosa, M., Muna, N. (2021). Implementasi algoritma You Only Look Once (YOLO) untuk deteksi korban bencana alam. JIIK. 8(4):787–792. doi:10.25126/jtiik.202184407.

Satria, F., Zamhariri, Syaripudin, M. (2020). Prediksi ketepatan waktu lulus mahasiswa menggunakan algoritma C4.5 pada fakultas dakwah dan ilmu komunikasi UIN Raden Intan Lampung. Jurnal Ilmiah MATRIK. 22(1):28–35.

Scoles, G.A., Ueti, M.W. (2015). Vector ecology of equine piroplasmosis. Di dalam: Annual Review of Entomology. Volume ke-60. Annual Reviews Inc. hlm 561–580.

Sheeba, F., Robinson, T., Mammen, J., Prabhu, D., Philips, J., Sathyaraj, T. (2017). Detection of poor quality peripheral blood smear images used in detection of leukocytes and erythrocytes. Di dalam: Fourth International Conference on Image Information Processing (ICIIP). Shimla, India: IEEE. hlm 1– 4.

Tirosh-Levy, S., Gottlieb, Y., Fry, L.M., Knowles, D.P., Steinman, A. (2020). Twenty years of equine piroplasmosis research: Global distribution, molecular diagnosis, and phylogeny. Pathogens. 9(11):1–32. doi:10.3390/pathogens9110926.

DOI: https://doi.org/10.22146/jsv.104069