<![CDATA[Deteksi dan kuantifikasi koloni bakteri merupakan proses penting dalam berbagai bidang, seperti mikrobiologi klinis, industri farmasi, keamanan pangan, dan penelitian biomedis. Metode penghitungan manual yang masih banyak digunakan memiliki keterbatasan berupa waktu pengerjaan yang lama, potensi kesalahan manusia, serta rendahnya konsistensi hasil. Penelitian ini bertujuan membandingkan kinerja deteksi koloni bakteri menggunakan YOLOv8s standar dan YOLOv8s yang dipadukan dengan Slicing Aided Hyper Inference (SAHI). Dataset yang digunakan adalah colony_counter3 dari Roboflow Universe yang terdiri atas 4.624 citra cawan petri dengan pembagian data 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Evaluasi dilakukan menggunakan metrik precision, recall, F1-score, mAP50, mAP50-95, waktu inferensi, dan throughput. Hasil penelitian menunjukkan bahwa YOLOv8s standar memperoleh precision 96,79%, recall 93,02%, F1-score 94,87%, mAP50 85%, dan mAP50-95 62%, sedangkan YOLOv8s+SAHI memperoleh precision 48,19%, recall 18,62%, F1-score 26,86%, mAP50 92%, dan mAP50-95 71%. Meskipun SAHI meningkatkan kualitas lokalisasi objek yang ditunjukkan oleh kenaikan mAP50 dan mAP50-95, pendekatan ini menghasilkan penurunan yang signifikan pada precision, recall, dan F1-score serta meningkatkan waktu inferensi dari 9,91 ms menjadi 35,59 ms per citra. Hasil penelitian menunjukkan bahwa penerapan SAHI tidak selalu memberikan peningkatan kinerja pada deteksi koloni bakteri dan efektivitasnya sangat dipengaruhi oleh karakteristik dataset. Untuk dataset yang digunakan dalam penelitian ini, YOLOv8s standar terbukti lebih akurat dan efisien dibandingkan YOLOv8s+SAHI.]]>
