<![CDATA[Penyakit Tuberkulosis (TBC) masih menjadi masalah kesehatan global yang memerlukan diagnosis yang cepat dan akurat. Salah satu metode diagnosis yang umum digunakan adalah pemeriksaan mikroskopis dengan pewarnaan ZiehlNeelsen (ZN) pada sampel dahak. Namun, kualitas pewarnaan yang kurang optimal seperti Over Staining atau Less Staining dapat memengaruhi akurasi pembacaan mikroskopis dan menyebabkan kesalahan diagnosis. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sebuah aplikasi stan-dalone berbasis ML yang dapat melakukan klasifikasi kualitas pewarnaan ZN dan menghitung jumlah bakteri TBC secara otomatis. Sistem ini dibangun agar dapat berjalan secara lokal (offline) dan terintegrasi antara model klasifikasi berbasis CNN dan deteksi bakteri berbasis YOLOv11. Berdasarkan hasil pengujian terhadap dataset uji, sistem klasifikasi dengan model CNN mencapai akurasi, presisi, sensitivitas, spesifisitas, dan F1-skor sebesar 100% pada setiap kelas. Pada tahap deteksi bakteri, model YOLOv11 menunjukkan performa evaluasi dengan mAP, precision, recall, dan F1-skor lebih dari 80%. Waktu rata-rata pemrosesan gambar pada 30 laptop berbeda tercatat kurang dari 3 detik per gambar. Hasil ini menunjukkan bahwa sistem yang dikembangkan memiliki performa tinggi, fleksibel, dan siap diimplementasikan dalam skala operasionallaboratorium maupun daerah dengan keterbatasan jaringan.Kata Kunci—Aplikasi standalone, Klasifikasi gambar, Ma-chine Learning, Tuberkulosis, Ziehl Neelsen.]]>
