KLASIFIKASI OTOMATIS TINGKAT KEPARAHAN OSTEOARTRITIS LUTUT MENGGUNAKAN IMPROVISASI DENSENET-169

Klasifikasi citra adalah serangkaian proses pengelompokan piksel citra
menjadi kelas tertentu dengan batasan yang sama. Setiap kelas terdiri dari label atau
fitur khas yang dapat dijadikan perwakilan dari kelasnya. Penting adanya
klasifikasi untuk mempermudah proses pelabelan atau pengelompokan citra. Pada
citra radiografi lutut, klasifikasi dilakukan untuk mengetahui tingkat keparahan dari
Osteoartritis (OA) lutut. Data citra OA lutut mengalami praproses dengan
melakukan normalisasi dengan rata-rata dan standar deviasi dari citra dan proses
Contrast Limited Adaptive Histogram Equalization (CLAHE) sehingga
mendapatkan citra yang lebih baik untuk proses pelatihan dan pengujian. Pada
proses pelatihan citra diproses dengan menggunakan model Arsitektur DenseNet169 dengan model tambahkan transfer learning dengan inisialisasi bobot dari
ImageNet pada model tersebut. Pada proses training digunakan algoritma optimasi
Adam dan Stochastic Gradient Descent (SGD). Penelitian dilakukan dengan
menggunakan dataset citra OA lutut yang diperoleh dari NDA OAI sebanyak 8260
data citra OA lutut yang terdiri dari 4130 pasang data citra x-ray lutut. Dataset
dibagi menjadi dua bagian yaitu 80% untuk data pelatihan dan 20% untuk data
pengujian. Terdapat empat skenario uji coba untuk penelitian ini yaitu uji coba
model dengan kombinasi metode praproses normalisasi dengan algoritma
optiomasi Adam, kombinasi metode praproses normalisasi dengan algoritma
optimasi SGD, kombinasi metode praproses CLAHE dengan algoritma optimasi
Adam, serta kombinasi metode praproses CLAHE dengan algoritma optimasi SGD.
Keempat uji coba tersebut menghasilkan rata-rata nilai f1-score, akurasi, dan AUC
tertinggi sebesar 65.46%, 67.00%, dan 0.891 pada model yang dilatih dengan
kombinasi metode praproses normalisasi dengan algoritma optiomasi Adam.
Sehingga dapat disimpulkan bahwa penggunaan kombinasi metode praproses
normalisasi dan algoritma optimasi Adam pada pelatihan model mendapatkan hasil
kinerja yang lebih baik daripada kombinasi lainnya untuk pelatihan model.