Klasifikasi Tingkat Keparahan Osteoarthritis Lutut Menggunakan Arsitektur ResNeXt-50

Osteoarthritis merupakan peradangan sendi kronis akibat dari kerusakan
tulang rawan. Penderita osteoarthritis di dunia diperkirakan antara 2.3% hingga
11.3% termasuk dalam kategori tinggi. Klasifikasi Citra adalah proses
pengelompokan dan pelabelan kelompok piksel atau vektor dalam citra berdasarkan
aturan tertentu yang masing-masing label setiap kelas akan memiliki fitur khusus
yang mewakili setiap kelasnya. Adanya klasifikasi penting untuk mempermudah
proses pengelompokan dan pelabelan citra. Pada citra x-ray lutut, klasifikasi
dilakukan untuk mengetahui tingkat keparahan dari Osteoartritis. Proses klasifikasi
citra terbagi menjadi dua proses yakni training testing berserta evaluasi. Sebelum
citra dimasukkan ke tahap proses training dan testing citra x-ray dilakukan
normalisasi data dengan rata-rata dan standar deviasi dari citra, setelah dilakukan
normalisasi data, citra akan dibagi menjadi dua bagian yaitu 80% untuk data
training dan 20% untuk data testing menggunakan k-fold cross validation.
Penelitian dilakukan dengan menggunakan dataset citra yang diambil dari OAI -
NIMH Data Archive (NDA OAI) sebanyak 8260 data citra Osteoarthritis (OA) lutut
yang terdiri dari lutut kiri sebanyak 4130 data dan lutut kanan sebanyak 4130 data.
Pada proses training citra diproses dengan menggunakan model Arsitektur
ResNeXt-50 dan optimizer Adam atau Stochastic Gradient Descent (SGD).
Terdapat dua scenario uji coba dalam penelitian ini, yaitu jenis jumlah data dan
algoritma optimizer. Dari kedua skenario tersebut dihasilkan nilai akurasi dan Area
Under The Curve (AUC) tertinggi yakni 66.64% untuk akurasi dan 89.1% untuk
AUC pada Skenario 1C dengan semua jumlah data yakni 8260 dengan jenis data
seluruhnya (lutut kanan dan kiri) menggunakan optimizer Adam. Sehingga bisa
disimpulkan pemilihan optimizer yang tepat pada pelatihan model, dapat
mendapatkan kinerja yang lebih baik. Oleh karena itu pemilihan optimizer
sangatlah penting dalam training model. Untuk Pengunaan jenis dan jumlah data
tidak terlalu berpengaruh signifikan pada peningkatan akurasi dan hanya
memperlama waktu training model pada dataset citra OA.