Publisher

UBUB

Journal The Journal of Experimental Life ScienceThe Journal of Experimental Life Science Abstract

Analisis citra komputasi dapat berfungsi sebagai alat penjelajahan dan pelengkap untuk mempelajari morfologi bakteri. Penelitian ini mengevaluasi model hibrida VGG16-LSTM untuk klasifikasi citra bakteri mikroskopik. Studi ini menggunakan subset kecil dari dataset DIBaS yang terdiri dari enam kelas bakteri: Acinetobacter baumannii, Escherichia coli, Lactobacillus plantarum, Micrococcus spp., Propionibacterium acnes, dan Pseudomonas aeruginosa. Dataset ini sangat terbatas dengan hanya 124 gambar, dengan jumlah gambar per kelas yang bervariasi antara 20 hingga 23. Dataset dibagi menjadi subset pelatihan, validasi, dan pengujian dengan rasio 70:20:10. Semua gambar mikroskopik diperbaiki ukurannya menjadi 224 x 224 piksel, dinormalisasi, dan diaugmentasi secara dinamis selama pelatihan untuk meningkatkan variasi data dalam kondisi sampel terbatas. Jaringan VGG16 yang telah dilatih sebelumnya digunakan untuk mengekstrak fitur spasial citra, dan peta fitur konvolusi akhir diubah bentuknya menjadi urutan spasial dan diproses menggunakan lapisan LSTM untuk pembelajaran fitur lebih lanjut. Tiga algoritma optimasi, yaitu Adam, RMSprop, dan stochastic gradient descent, dibandingkan. Di antara mereka, model yang dioptimalkan dengan RMSprop menunjukkan metrik tertinggi setelah 50 epoch, mencapai akurasi 92,86%, presisi 95,24%, recall 92,86%, dan skor F1 92,38%; Namun, indikator kinerja ini harus ditafsirkan dengan hati-hati karena didasarkan pada set uji yang sangat terbatas (sekitar 12 gambar). Beberapa kesalahan klasifikasi terjadi antara P. aeruginosa dan E. coli, yang mungkin disebabkan oleh morfologi batang gram negatif yang serupa. Temuan ini menunjukkan tantangan biologis yang melekat dalam membedakan spesies bakteri yang secara visual serupa hanya dari analisis citra mikroskopik, yang menekankan bahwa model-model ini tetap bersifat eksperimental dan tidak cocok untuk diagnosis klinis atau skrining lingkungan yang siap digunakan di lapangan.

Conclusion

Di antara tiga optimiser yang diuji, RMSProp mencapai kinerja terbaik setelah 50 epoch, dengan akurasi 92,86%, presisi 95,24%, recall 92,86%, dan skor F1 92,38%.Hasil ini menunjukkan bahwa model yang diusulkan dapat mengekstrak fitur mikroskopik yang berguna dari data citra bakteri yang terbatas.coli mencerminkan kesulitan biologis dalam membedakan bakteri batang gram negatif yang secara visual serupa hanya dengan menggunakan citra mikroskopik.Oleh karena itu, model harus ditafsirkan sebagai alat skrining dan dukungan keputusan awal, bukan sebagai metode identifikasi taksonomi definitif.Kerangka kerja yang diusulkan menunjukkan potensi untuk mendukung pengenalan bakteri awal dalam laboratorium mikrobiologi terapan dan ilmu kehidupan lingkungan.Validasi lebih lanjut menggunakan dataset yang lebih besar, isolat lingkungan, protokol pewarnaan yang berbeda, dan kondisi pencitraan multi-laboratorium diperlukan sebelum implementasi praktis dalam alur kerja terkait bioremediasi.

Future Research

Untuk penelitian lanjutan, disarankan untuk melakukan validasi menggunakan dataset yang lebih besar, isolat lingkungan, protokol pewarnaan yang berbeda, dan kondisi pencitraan multi-laboratorium. Selain itu, perlu dipertimbangkan untuk menguji model pada sampel yang lebih beragam, termasuk bakteri yang diisolasi dari situs terkontaminasi. Dengan demikian, penelitian ini dapat memberikan kontribusi yang lebih luas dalam mendukung pengenalan bakteri awal dalam alur kerja terkait bioremediasi dan mikrobiologi lingkungan.

References

1.  . 0 mdpi.com/2673-8007/5/3/79A 0 mdpi 2673 8007 5 3 79

Metadata

File size	601.39 KB
Pages	9
DMCA	Report