KLASIFIKASI OSTEOARTRITIS LUTUT PADA CITRA RADIOGRAFI MENGGUNAKAN DEEP CNN DENGAN ARSITEKTUR RESNET-50

Klasifikasi citra adalah proses penggabungan atau pengelompokan pixel dari data citra ke dalam kelas tertentu yang mempunyai batasan yang sama. Setiap kelas memiliki label atau fitur khas yang bisa dijadikan perwakilan dari kelasnya. Pada citra radiografi x-ray lutut pada penelitian ini, klasifikasi dilakukan untuk mengetahui tingkat keparahan penyakit osteoartritis lutut. Proses klasifikasi dilakukan dengan menggunakan metode Deep Convolutional Neural Networks (Deep CNN) dengan menggunakan arsitektur ResNet-50 serta dengan tambahan algoritma optimasi Adam dan Stochastic Gradient Descent (SGD). Penelitian ini dilakukan dengan menggunakan dataset Knee OAI yang berjumlah 8260 data. Dataset dibagi menjadi 2 bagian dengan menggunakan k-Fold Cross Validation yaitu 80% bagian untuk data pelatihan dan 20% bagian untuk data pengujian. Terdapat 2 skenario utama pada penelitian ini, yaitu uji coba model menggunakan arsitektur ResNet-50 dan ResNet-50V2 dan uji algoritma optimasi. Kedua skenario uji coba utama tersebut menghasilkan rata-rata nilai AUC tertinggi sebesar 0.866 (86.6%) pada model yang dilatih dengan menggunakan arsitektur ResNet-50V2 dan dengan menggunakan algoritma optimasi Adam. Sehingga bisa disimpulkan bahwa penggunaan arsitektur ResNet-50V2 pada pelatihan model mendapatkan hasil kinerja yang lebih baik daripada penggunaan arsitektur ResNet-50 versi yang pertama. Selain itu, penggunaan algoritma optimasi Adam pada pelatihan model mendapatkan hasil kinerja yang lebih baik daripada penggunaan algoritma optimasi SGD. Oleh karena itu, pemilihan arsitektur Deep CNN dan algoritma optimasi yang tepat sangatlah penting dalam pelatihan model. Model arsitektur yang digunakan pada penelitian ini dapat dikategorikan baik dikarenakan semua nilai AUC rata-rata berada diatas 0.8 (80%).