Diagnosis Tuberkulosis (TB) umumnya bergantung pada pengamatan mikroskopis spesimen dahak secara manual yang melelahkan dan rentan terhadap inkonsistensi. Di sisi lain, sistem autofokus mikroskop berbasis deep learning saat ini kerap mengabaikan dinamika sekuensial transisi citra dari buram ke tajam. Penelitian ini mengembangkan sistem autofokus otomatis yang memadukan kecepatan pencarian mekanik dan presisi kecerdasan buatan pada mikroskop Olympus CX23. Pergerakan kenop fokus dikendalikan oleh mikrokontroler OpenRB-150 dan motor servo Dynamixel AX-12A. Metode yang diusulkan menggunakan pipeline dua fase. Pertama, Ternary Search digunakan untuk pencarian kondisi gambar mendekati fokus yang dipandu nilai metrik ketajaman Brenner. Kedua, model Gated Recurrent Unit (GRU) menyempurnakan fokus halus dengan memprediksi offset koreksi sudut berdasarkan analisis urutan temporal enam metrik ketajaman (Brenner, Tenengrad, Laplacian, Sobel, Local Variance, dan Entropy). Pendekatan dinamis ini efektif menghindari jebakan local focus yang sering terjadi pada penggunaan metrik tunggal. Evaluasi terhadap 175 pengujian pada lima lapang pandang menunjukkan bahwa sistem terintegrasi sukses mencapai Mean Absolute Error (MAE) sebesar 2,366° terhadap titik ground truth. Sistem mencatat presisi 67,0% pada toleransi ±2,0° dan 83,5% pada ±3,0°, dengan rata-rata waktu pencarian 20,27 detik. Pengujian simulasi modifikasi input citra yang mensimulasikan input dari kamera mikroskop yang berbeda turut membuktikan ketahanan sistem. Model GRU tetap adaptif tanpa perlu dilatih ulang yang ditunukkan dengan perolehan MAE 2,65° dan memangkas waktu eksekusi menjadi 18,22 detik. Secara keseluruhan, sistem ini berpotensi besar diterapkan untuk meringankan beban screening TB di berbagai variasi perangkat keras laboratorium.