KLASIFIKASI KEPARAHAN OSTEOARTRITIS LUTUT MENGGUNAKAN FASTER REGION CONVOLUTIONAL NEURAL NETWORK (R-CNN)

Klasifikasi citra merupakan proses penggabungan piksel citra ke dalam kelas tertentu yang kemudian diukur dan dilakukan pemeringkatan kedalam beberapa grade dengan batasanya masing-masing. Setiap grade memiliki label atau fitur khas yang bisa dijadikan perwakilan dari kelasnya. Adanya klasifikasi penting untuk mempermudah proses pengelompokan dan pelabelan citra. Dalam klasifikasi citra osteoartritis lutut dilakukan untuk menunjukkan suatu citra diketahui menderita osteoarthritis lutut atau tidak dan seberapa tingkat keparahannya. Data citra yang digunakan adalah citra lutut yang diambil dari NDA OAI sebanyak 8260 data citra tulang lutut, terdiri dari 4130 citra lutut kanan dan 4130 citra lutut kiri. Data dibagi menjadi dua kelompok besar yaitu 80% sebagai data pelatihan dan 20% sebagai data pengujian. Data citra yang digunakan mengalami praproses dengan dilakukan normalisasi citra menggunakan nilai rata-rata dan standar deviasi dari citra sehingga didapatkan citra dengan kualitas seragam untuk digunakan dalam tahap pelatihan dan pengujian. Proses pengujian citra diproses menggunakan metode Faster Region Convolutional Neural Network (R-CNN) dengan arsitektur CNN ResNet-50. Skenario yang digunakan dalam penelitian ini adalah dengan menguji masing-masing data yaitu citra lutut kanan, lutut kiri dan gabungan yang diterapkan dalam metode yang digunakan. Dari tiga skenario yang dilakukan terhadap data yang berbeda tersebut dihasilkan rata-rata nilai akurasi f1-score , akurasi, dan AUC tertinggi sebesar 65.98%, 67.6 % dan 0.818 dimana masing-masing nilai tertinggi didapatkan ketika menggunakan data citra lutut gabungan. Dari hasil uji coba, dapat disimpulkan bahwa semakin banyak dataset yang digunakan maka kinerja sistem semakin baik dan dari nilai AUC yang diperoleh dalam penelitian sebesar 0.818 maka dapat dikategorikan kedalam kategori baik.