Evaluasi Sensitivitas dan Spesifisitas Deteksi Fasciola Menggunakan

Kecerdasan Buatan Object Detection YOLOv4 Terhadap Sampel

Laboratorium Telur Fasciola sp Segar Dan Awetan Formalin

Jauri Bima Arli Nur Rachmat1, Widi Nugroho2

Fakultas Kedokteran Hewan Universitas Brawijaya
Puncak Dieng Eksklusif, Kalisongo, Kecamatan Dau, Kabupaten Malang, Jawa
Timur 65151
Email: jbanr21@student.ub.ac.id

ABSTRAK

Fascioliasis pada hewan ternak, merupakan penyakit yang umum ditemui dan
menjadi permasalahan yang serius. Fascioliasis dapat menyebabkan penurunan
produktifitas susu, penerunan berat badan, menurunya kualitas karkas, hingga
kematian hewan ternak. Prevalensi fasciolosis di indonesia cukup tinggi berkisar 40-
90%. Terdapat berbagai macam teknik diagnosa yang dipakai pada saat ini, antara
lain, pemeriksaan feses, pemeriksaan serologi, biopsi hati, dan ELISA. Beberapa
teknik tersebut masih dilakukan secara manual sehingga rawan terjadinya kesalahan
membaca hasil, dengan perkembangan teknologi yang semakin maju teknik
pemeriksaan khususnya dalam pemeriksaan feses dapat dilakukan, secara otomatis
salah satunya algoritma YOLOv4. Tujuan penelitian ini adalah untuk
mengembangkan diagnosa fasciolosis pada sapi menggunakan kecerdasan buatan,
untuk mempermudah dan mempercepat proses diagnosa. Pada penelitian ini
digunakan sampel telur Fasciola sp. segar dari empedu sapi yang mengalami
fasciolosis dan awetan formalin dari gerusan cacing Faciola sp. dewasa. Sampel
kemudian diamati dengan mikroskop dan diambil gambar menggunakan kamera
ponsel. Data citra telur pada penelitian ini digunakan untuk membangun diagnosa
object detection. Pada penilitan ini menggunakan 55 gambar dengan 25 gmabar
Fasciola sp. segar, 25 Fasciola sp. awetan formalin, dan 5 gambar gabungan
keduanya. Proses object detection dilakukan menggunakan algoritma deep learning
dengan alat bantu YOLOv4, luaran dari object detection yang dilakukan adalah untuk
mengetahui sensitivitas dan spesifisitas. Proses training, validasi, dan testing
menggunakan cloud computing Google Colaboratory. Diperlukan Proses validasi
menggunakan cross validation. Hasil penelitian menunjukkan nilai spesifisitas dan
nilai sensitivitas dan spesifisitas masing-masing adalah 100% dan 30% sehingga
algoritma ini mampu mengenali telur Fasciola sp segar namun belum mampu secara
maksimal membedakan antara Fasciola sp. segar dan awetan formalin. Algortitma
ini masih belum bisa digunakan langsung di lapangan dan perlu dikembangangkan
lebih lanjut.
Kata kunci: Fascioliasis, Kecerdasan Buatan, Uji Sensitivitas, Uji Spesifisitas,
YOLOv4.

ABSTRACT

Fascioliasis in livestock is a common disease and is a serious problem.

Fascioliasis can cause decreased milk productivity, decreased body weight,
decreased carcass quality, and even death of livestock. The prevalence of fasciolosis
in Indonesia is quite high, ranging from 40-90%. There are various diagnostic
techniques used today, including stool examination, serological examination, liver
biopsy, and ELISA. Some of these techniques are still carried out manually so that
they are prone to errors in reading the results. With the development of increasingly
advanced technology, examination techniques, especially in the examination of
feces, can be carried out automatically, one of which is the YOLOv4 algorithm. The
aim of this research is to develop a diagnosis of fasciolosis in cattle using artificial
intelligence, to simplify and speed up the diagnosis process. In this study, Fasciola
sp. egg samples were used. fresh from the bile of a cow experiencing fasciolosis and
preserved in formalin from the scouring of Faciola sp. mature. The samples were
then observed under a microscope and pictures were taken using a cellphone
camera. Egg image data in this study is used to develop object detection diagnostics.
In this research using 55 images with 25 images of Fasciola sp. fresh, 25 Fasciola
sp. preserved formalin, and 5 combined images of both. The object detection process
is carried out using a deep learning algorithm with the YOLOv4 tool, the output of
the object detection is to determine the sensitivity and specificity. The training,
validation and testing process uses Google Colaboratory cloud computing.
Required validation process using cross validation. The results showed that the
specificity and sensitivity and specificity values were 100% and 30%, respectively,
so that this algorithm was able to recognize fresh Fasciola sp eggs but was not able
to maximally distinguish between Fasciola sp. fresh and preserved in formalin. This
algorithm still cannot be used directly in the field and needs to be developed further.
Keywords: Fascioliasis, Artificial Intelligence, Sensitivity Test, Specificity Test,
YOLOv4.

PENDAHULUAN sapi dipelihara untuk diambil, daging,

susu maupun kulitnya. Daging sapi
Sapi merupakan salah satu jenis
mengandung banyak nutrisi antara lain
hewan ternak yang banyak dipelihara
karbohidrat, protein, vitamin dan
oleh manusia. Sebagai hewan ternak
mineral . Konsumsi daging sapi per laboratorium berupa pemeriksaan feses,
kapita per tahun di Indonesia sejak biopsi hati, dan serologis. Pemeriksaan
tahun 2015-2019 cenderung mengalami laboratorium dilakukan melalui
peningkatan, pada tahun 2015 dan 2016 pemeriksaan feses, biopsi hati, uji
nilainya 0,417 per kapita per tahun serologi untuk deteksi antibodi dan
sedangakan tahun 2017, 2018, 2019 antigen serta western blotting.
nilainya 0,469 per kapita per tahun. Pemeriksaan feses untuk deteksi telur
Untuk produk susu dengan berbagai cacing terkendala dengan durasi
vaiasi olahanya , juga mengalami infestasi F.gigantica, karena telur baru
peningkatan pada tahun 2015-2019 dapat ditemukan setelah 15 minggu
(Makmun, dkk., 2020). hewan terinfestasi, sedangkan untuk
Sapi merupakan salah satu jenis infestasi F.hepatica, telur baru dapat
hewan ternak, tidak menutup ditemukan setelah 10 minggu hewan
kemungkinan terserang penyakit. Salah terinfestasi. Telur yang keluar secara
satu penyakit yang menyerang sapi intermiten tergantung pada
adalah Fascioliasis. Fascioliasis pengosongan kantong empedu. Telur
merupakan penyakit akibat cacing Fasciola serupa dengan telur
trematoda Fasciola sp yang paramphistomum. Telur Fasciola
berpredileksi di hati. Menurut Suardana berwarna kekuningan, sedangkan telur
(2015) spesies yang ada di indonesia Paramphistomum berwarna keabu-
disebabkan oleh F. gigantica. abuan. Uji serologis menggunakan
Fascioliasis tidak hanya menginfeksi metoda ELISA untuk deteksi antibodi
sapi atau kambing, tetapi juga dapat dan antigen, serta dapat didukung
menginfeksi manusia atau bersifat dengan western blotting untuk
zoonosis. Di indonesia sendiri menggetahui pita protein Fasciola.
prevalensi F. gigantica berkisar antara Melalui uji ELISA, infestasi dini, yaitu
40-90% (Fatmawati & Herawati, 2018). antara 2-4 minggu sudah dapat
Peneguhkan diagnosa dapat terdeteksi (Ayaz dkk, 2014). Pada uji
dilakukan dengan pemerikasaan ELISA MM3-SERO merupakan uji
lanjutan berupa pemeriksaan yang sangat sensitif dan spesifik
menggunakan sampel susu (Rana dkk., ukur, pipet tetes, mikropipet, blue tip
2014). 1000μL, object glass, cover glass,
Pada penelitian ini , penulis mikroskop cahaya, centrifuge, beaker
akan menggunakan alat bantu baru glass, tabung falcon 15 ml, glove,
dalam pemeriksaan feses menggunakan masker, dudukan ponsel, ponsel
kecerdasan buatan bebasis YOLOv4. android, perangkat komputer.
Alat ini diharapkan dapat membantu Perangkat komputer yang digunakan
dokter hewan maupun peternak dalam meliputi hardware berupa laptop
memeriksa sampel feses, sehingga peneliti serta komputer server milik
pemeriksaan bisa lebih akurat dan cepat. Google, sedangkan software yang
Algoritma ini memanfaatkan data-data digunakan berupa Microsoft Visual
gambar yang telah diambil dan Studio 2022, OpenCV, Yolo Mark,
dipelajari sebelumnya, sehingga untuk Google Chrome, YOLOv4, Google
data-data gambar yang berikutnya dapat Drive dan Google Colaboratory. Bahan
diketahui klasifikasi jenis yang digunakan adalah telur Fasciola
gambar/datanya untuk menentukan sp. segar, telur Fasciola sp. awetan
apakah adanya telur Fasciola sp atau formalin, air steril, formalin 10% dan
tidak. Alat ini dapat mengenali telur methylene blue.
Fasciola sp yang didigitalisasi menjadi
objek berupa gambar. Algoritma Metode Penelitian
YOLOv4 dapat dikembangkan melalui Pada penelitian ini
bebabagai platform mulai dari telepon menggunakan 25 gambar telur
seluler maupun komputer. Fasciola sp., segar, 25 gambar telur
Fasciola sp. awetan formalin dan 5
gambar gabungan telur Fasciola sp
segar dan awetan formalin . Dilakukan
MATERI DAN METODE
training dan testing dengan metode
Materi Penelitian Cross Validation. 40 Sampel foto telur
Alat yang digunakan dalam dua kelompok tersebut yang
penilitian ini meliputi laptop, gelas digunakan untuk validasi akan dibagi
ke dalam 5 kelompok dengan
kelompok untuk training dan
kelompok untuk pengujian. Dari hasil
pengujian menggunakan YOLOv4
akan diperoleh data berupa positif
benar, positif palsu, negatif benar dan
negatif palsu yang akan digunakan
untuk perhitungan uji sensitifitas dan
spesifisitasnya.
HASIL DAN PEMBAHASAN
Hasil
Cross validation memiliki 2
tahap yaitu training dan testing sebagai
validasi yang dijalankan melalui
Google Colaboratory secara cloud
computing. Perbedaan dengan testing
tahap final perintah yang digunakan
terletak pada pengaturan terletak pada
konfigurasi file obj.data dan bobot yang
digunakan. Penggunaan Google
Colaboratory dalam proses training
sampai dengan testing akan saling
berhubungan dengan Google Drive.
Perintah dari Google Colaboratory
digunakan untuk mengaktifkan Google
Drive dan menciptakan folder yang
akan digunakan sepanjang proses
pelatihan dan pengetesan algoritma.
Data yang digunakan berupa gambar,
4 file obj.names, obj.data dan train.txt
1 atau test.txt (sesuai proses yang
dijalankan) dimasukan ke dalam
Google Drive pada direktori
Training/darknet/data, saat proses
dijalankan, Google Drive secara
otomatis akan menyimpan data-data
yang diperoleh ketika proses training
dan testing. Pada penelitian digunakan
40 gambar training dan validasi yang
dibagi menjadi 5 kelompok (K=5),
masing-masing kelompok terdiri 4
gambar dengan rincian 4 gambar telur
Fasciola segar dengan simbol S dan 4
gambar telur Fasciola awetan formalin
dengan simbol F. Ambarwari dkk.
(2020) menjelaskan bahwa cross
validation akan membagi kumpulan
data menjadi 2 yaitu data latih dan data
uji, data uji digunakan sebagai validasi.
Cross validation merupakan suatu
metode statistik yang digunakan dalam
evaluasi kinerja algoritma, metode ini
merupakan salah satu metode terbaik
yang digunakan dalam memvalidasi
data. Cross validation bekerja dengan
cara total data dibagi menjadi n
kelompok, iterasi atau fold ke 1, yaitu
bagian ke 1 menjadi testing, bagian
sisanya digunakan sebagai
training.
Berdasarkan hasil training dan
testing pada tahap cross validation
dengan iterasi 6000 dan mAP@0.50
memeliki nilai yang bervariasi dengan
rata rata diatas 90%. Meskipun terdapat
salah satu sampel yang bernilai 54% hal
tersebut tergolong wajar. Dengan
demikian menandakan bahwa sistem
telah siap digunakan untuk test. mAP
(Mean Average Precision) merupakan
rata-rata dari nilai Average Precision
sebagai pengukuran
mengevaluasi object detection. Apabila
dataset memiliki N class categories,
maka mAP berupa rata-rata
(Liunanda, dkk., 2020). Semakin tinggi
skornya, semakin akurat model dalam
pendeteksiannya. Nilai mAP dalam
Tabel 1 Hasil deteksi dalam tahap testing
data penelitian yang digunakan merupakan
default dari sistem. Pada hasil, 50 objek
yang terdapat pada gambar dapat
terdeteksi, dengan nilai confidence
seluruhnya diatas 50%,. Menurut
Geraldy & Lubis (2020) YOLO bekerja
dengan menggunakan pendekatan
jaringan saraf tiruan (JST) untuk
mendeteksi objek pada sebuah citra.
Jaringan ini membagi citra menjadi
beberapa wilayah dan memprediksi
setiap kotak pembatas dan probabilitas
untuk setiap wilayah. Pada gambar S6
untuk muncul 2 prediksi dengan 2 nilai
confidence yang kemungkinan
disebabkan karena gambar tersebut
AP memiliki kemiripan dengan 2 jenis kelas
sehingga muncul 2 prediksi, namun
yang dipakai prediksi yang memiliki
nilai confidence diatas 50%.

Gambar Nilai Prediksi Hasil Deteksi

FasciolaSegar1.jpg 100% Segar

FasciolaSegar2.jpg 98% Segar

FasciolaSegar3.jpg 100% Segar

FasciolaSegar4.jpg 98% Segar

FasciolaSegar5.jpg 100% Segar

FasciolaFormalin1.jpg 100% Segar

FasciolaFormalin2.jpg 99% Segar

FasciolaFormalin3.jpg 70% Segar

FasciolaFormalin4.jpg 0 Tidak terdeteksi

FasciolaFormalin5.jpg 9 Segar

5%

Gabungan1.jpg

Fasciola sp. Formalin 0 Tidak terdeteksi

Fasciola sp. segar 100%

Gabungan2.jpg

Fasciola sp. Formalin 0 Tidak terdeteksi

Fasciola sp. segar 74% Segar

Gabungan3.jpg

Fasciola sp. Formalin 98% Segar

Fasciola sp. segar 99% Segar

Gabungan4.jpg

Fasciola sp. Formalin 95% Segar

Fasciola sp. segar 99% Segar

Gabungan5.jpg

Fasciola sp. Formalin 66% Segar

Fasciola sp. segar 96% Segar

 Pada tabel diatas terlihat semua Berdasarkan hasil testing
dilakukan analisis akurasi
gambar telur Fasciola sp. segar
menggunakan confusion matrix untuk
terdeteksi Fasciola segar oleh sistem
mengetahui sensitivitas dan
dengan nilai rentang confidendence 74- spesifisitas yang disajikan dalam
Tabel 2 Didapatkan kelima gambar
100%. Sedangkan untuk sampel telur
telur Fasciola sp. segar terdeteksi telur
Fasciola sp. formalin hanya 3 yang
Fasciola segar sehingga bernilai True
tidak terdeteksi sebagai Fasciola sp. Positive (TP) dan 5 gambar gabungan
pada semua telur Fasciola sp. segar
segar sisanya justru teredeteksi sebagai
terdeteksi sehingga dimasukan nilai
telur Fasciola sp. segar dengan rentang
True Positive (TP) adalah 10.
nilai confidence yang berkisara antara Sedangkan kelima gambar telur
Fasciola awetan formalin dan 5
66-100 %. Pada kedua jenis sampel telur
gambar gabungan didapatkan bahwa
memiliki beberapa kemiripan seperti
gambar tersebut yang tidak terdeteksi
warna dan bentuk. Perbedaan keduanya sebagai telur Fasciola sp. formalin
hanya 3 telur sisanya dideteksi sebagai
terletak pada embrio dari telur dimana
telur Fasciola sp. segar. Dari hasil
sebagian embrio telur Fasciola sp.
tersebut maka untuk nilai True
formalin yang mengalami proses Negative (TN) didapatkan nilai 3.
Sedangkan untuk nilai False Negative
penggerusan sehingga isi embrio keluar
(FN) bernilai 0 dan False Positive (FP)
dan telur tampak kosong. Hasil dari
bernilai 7.
tahapan testing akan digunakan untuk

uji sensitivitas dan spesifisitas.

Tabel 2 Tabel Confusion matrix

Kategori Prediksi Total
 Positif Negatif

TP=10 FP= 7 17

Positif
Hasil Deteksi
3

Nega tif
FN=0 TN=3

20
10 10
Total

Akumulasi dari tabel diatas

dihitung untuk menentukan
sensitivitas dan spesifisitas
menggunakan rumus sebagai berikut:
𝑇𝑃
Sensitivitas = X 100%
𝑇𝑃 + 𝐹𝑁
10
= 10+0 X 100%

= 100 %
𝑇𝑁
Spesifisitas = X 100%
𝑇𝑁 + 𝐹𝑃
3
= 3+7 X 100%

= 30 %

Pembahasan awetan formalin masing – masing

bernilai 100% dan 30%. Menurut
Sensitivitas dan spesifisitas dari
Siswosudarmo (2020) sensitivitas
algoritma object detection YOLOv4
merupakan kemampuan alat tes untuk
dalam mendeteksi telur Fasciola sp.
menunjukkan bahwa individu mana
segar terhadap telur Fasciola sp.
yang menderita sakit dari seluruh
populasi yang benar-benar sakit. pada uji sensitivitas yang tinggi
Sedangkan, spesifisitas merupakan diperoleh hasil uji spesifisitas yang
kemampuan tes untuk menunjukkan rendah. Algoritma ini masih belum
bahwa individu mana yang tidak siap digunakan karena masih belum
menderita sakit dari mereka yang mampu secara maksimal dalam
benar-benar tidak sakit. Menurut Putra membedakan jenis sampel telur.
dkk. (2016) sensitivitas dan
spesifisitas merupakan bagian dari uji KESIMPULAN
diagnostik yang berguna untuk menilai Sistem kecerdasan buatan
validitas dan reliabilitas suatu test. dengan algoritma YOLOv4 dapat
Validitas pada test menunjukan dilatih untuk mendeteksi telur Fasciola
kemampuan suatu test untuk sp segar terhadap telur Fasciola sp.
mendapatkan nilai yang sesuai dengan Algoritma ini memiliki nilai
kenyataanya. Reliabilitas merupakan sensitivitas 100% dan spesifisitas
kemampuan test untuk mendapatkan sebesar 30%. Sistem kecerdasan buatan
hasil yang sama bila dikerjakan lebih deteksi telur Fasciola sp. dengan
dari sekali pada kondisi yang sama. algoritma YOLOv4 masih belum dapat
Apabila nilai sensitivitas sangat tinggi, digunakan secara untuk mendeteksi
berarti algoritma ini mampu telur Fasciola sp. segar terhadap
mengenali gambar telur Fasciola sampel telur Fasciola sp . awetan
segar, sehingga kedepannya algoritma formalin karena memiliki nilai
ini dapat dikembangkan menjadi alat sensitivitas yang masih rendah.
bantu pemeriksaan feses untuk deteksi SARAN
fasciolosis. Pada nilai spesifisitas Penelitian automasi deteksi
yang rendah menunjukan bahwa telur Fasciola sp. ini masih dalam
algoritma belum mampu membedakan tahap awal dan masih berlu banyak
antara gambar telur Fasciola segar dan perbaikan sehingga diperlukan
awetan formalin yang memiliki penelitian dan pengembangan lebih
kesamaan yang cukup signifikan. lanjut khususnya untuk meningkatkan
Pada penelitian Mulyana dkk. (2016) spesifisitas dan mengaplikasikanya di
gadget mobile meng agar dapat ? Jurnal Sistem Informasi
mempermudah dalam melakukan (JSI), 3(2), 336-345.
pemeriksaan feses untuk diagnosis Ayaz, S., Ullah, R., AbdEl-Salam, N.,
fasciolosis. Shams, S., & Niaz, S. 2014.
DAFTAR PUSTAKA Fasciola hepatica in Some
Alasaad, S., Soriguer, R., Abu-Madi, Buffaloes and Cattle by PCR
M., Marawan, A., Jowers, M., and Microscopy. The Scientific
Michael J., P., Zhu, X.-Q. World Journal, 1-5.
2011. A TaqMan real-time Blowey, R., & Weaver, A. 2011. Color
PCR-based assay for the atlas of diseases and disorders
identification of Fasciola spp. of cattle (3rd ed.). Edinburgh ;
Veterinary Parasitology, New York: Elsevier.
179(1), 266-271. Bochkovskiy, A., Wang, Y. C., &
Ambarwari, A., Adrian, Q., & Mark Liao, H. 2020. YOLOv4:
Herdiyeni, Y. 2020. Analysis Optimal Speed and Accuracy
of the Effect of Data Scaling on of Object Detection. 17.
the Performance of the Geraldy, C., & Lubis, C. 2020.
Machine Learning Algorithm Pendeteksian Dan Pengenalan
for Plant Identification. Jurnal Jenis Mobil Menggunakan
RESTI, 4(1), 117-122. Algoritma You Only Look
Amwin, A. 2021. Deteksi dan Once dan Convolutional
Klasifikasi Kendaraan Neural Network. Jurnal Ilmu
Berbasis Algoritma You Only Komputer dan Sistem
Look Once(YOLO). Informasi, 8(2), 197.
Yogyakarta: Fakultas Han, J., Liao, Y., Zhang, J., Wang, S.,
Teknologi Industri Universitas & Li, S. 2018. Target Fusion
Islam Indonesia. Detection of LiDAR and
Ashari, A., & Setiawan, H. 2011. Camera Based on the
Cloud Computing : Solusi ICT Improved YOLO Algorithm.
 Multidisciplinary Digital Liunanda, C., Rostianingsih, S., &
Publishing Institute, 213. Purbowo, A. 2020.
Kristiyani, F., Aini, N., & Wijayanti, Implementasi Algoritma
A. (2019). Evaluasi YOLO pada Aplikasi
Pengobatan Trematodiasis Pendeteksi Senjata Tajam di
Menggunakan Albendazol Android. Jurnal Petra, 1, 7.
pada Sapi di Kecamatan Mulyana, Y., Sutedja, E., & Suwarsa,
Pakem, Sleman, Daerah O. (2012). Validitas Hasil
Istimewa Yogyakarta. Jurnal Pemeriksaan Skin Prick Test
Sain Veteriner, 37(1), 104-11. terhadap Imunoglobulin E
RAST Tungau Debu Rumah
dan Debu Rumah pada
Kurniabudhi, M. 2014. Prevalensi
Dermatitis Atopik. Majalah
Kejadian Infeksi Cacing Hati
Kedokteran Bandung, 44(3),
(Fasciola sp) Pada Sapi Potong
186-192.
di Rumah Potong Pegirian
Surabaya Tahun 2014. Jurnal Prasanta, M., Pranata, M., Firnanda,
Krida, 24(68), 60-67. M., & Sendari, S. 2022.
Rancang Bangun Quadcopter
Laroca, R., Severo, E., Zanlorensi, L.,
Drone Untuk Deteksi Api
Oliveira, L., Goncalves, G.,
Menggunakan YOLOv4.
Schwartz, W., & Menotti, D.
CYCLOTRON, 5(1), 76-80.
2018. A Robust Real-Time
Automatic License Plate Putra, I., Sutarga, I., Kardiwinata, M.,
Recognition Based on the Suariyani, N., Septarini, N., &
YOLO Detector. 2018 Subrata, I. 2016. Modul
International Joint Conference Penelitian Uji Diagnostik Dan
on Neural Networks (IJCNN) Skrining. Denpasar: Program
(pp. 1-10). Rio de Janeiro: Studi Kesehatan Masyarakat
IEEE. Fakultas Kedokteran
Universitas Udayana.
Rahim, A., Maqbool, A., Rana, T., &
Xiang, S. 2021. Monitoring
social distancing under
various low light conditions
with deep learning and a
single motionless time of
flight camera. PLOS ONE,
16(2), 1-19.
Rahma, L., Syaputra, H., Mirza, A.,
& Purnamasari, S. 2021.
Objek Deteksi Makanan Khas
Palembang Menggunakan
Algoritma YOLO (You Only
Look Once). Jurnal Nasional
Ilmu Komputer, 213-232.
Rana, A., Roohi, N., & Khan, M. 2014.
Fascioliasis in cattle-
review. Journal of Animal and
Plant Sciences, 24, 668-675.
Robinson, M., Donnelly, S., & Dalton,
J. (2013). Helminth defence
molecules—
immunomodulators designed
by parasites! Front
Microbiol(4), 296.
Rofii, F., Priyandoko, G., Fanani, M.,
& Suraji, A. 2021.
Peningkatan Akurasi
Penghitungan Jumlah
Kendaraan dengan
Membangkitkan Urutan
Identitas Deteksi Berbasis
Yolov4 Deep Neural
Networks. Teknik, 41(2), 169-
177.
Shian, S. W., Soenggono, A., &
Pramod, S. W. 2016.
Comparison of Tissue
Preservation using Formalin
and Ethanol as Preservative
Formula. Althea Medical
Journal, 3(3), 359-360.
Siswosudarmo, R. 2020. Tes
Diagnostik (Diagnostic Test).
A Yogyakarta: UGM Press.
Smith, R. 2020. Veterinary Clinical
Epidemiology : From Patient
to Population (4 ed.). Sulte:
CRC Press.
Suardana, I. W. (2015). Buku ajar
zoonosis: Penyakit Menular
dari Hewan ke Manusia.
Sleman: PT KANISIUS.
Suartika, I., Wijaya, A., & Soelaiman,
R. 2016. Klasifikasi Citra
Menggunakan Convolutional.
 JURNAL TEKNIK ITS, 5(1),
65-66.
Taylor, M., Coop, R., & Wall, R. 2016.
Veterinary Parasitology (4th
edition ed.). Chichester: John
Wiley and Sons, Inc.
Triakoso, N. 2013. Penyakit-Penyakit
Non Infeksius Pada Ternak.
Surabaya: Fakultas
Kedokteran Hewan
Universitas Airlangga.
Wasril, A., Ghozali, M., & Mustafa,
M. 2010. Pembuatan
Pendeteksi Obyek Dengan
Metode You Only Look Once
(YOLO) Untuk Automated
Teller Machine (ATM).
Majalah Ilmiah UNIKOM, 8.
Zheng, Y., Wu, S., Liu, D., Wei, R.,
Li, S., & Tu, Z. 2020. Sleeper
Defect Detection Based on
Improved YOLO V3
Algorithm. Kristiansand: 2020
15th IEEE Conference on
Industrial Electronics and
Applications (ICIEA).