Electronic Theses and Dissertation

Osteoporosis merupakan penyakit tulang yang dapat mengakibatkan kerusakan tulang dan risiko patah tulang. Kelainan pada tulang ini sulit disembuhkan karena gejala yang tidak terdeteksi secara visual. Penyakit ini dapat ditentukan berdasarkan kepadatan tulang yang dapat dilihat pada citra X-Ray. Citra X-Ray cenderung memiliki noise dan kontras citra yang rendah sehingga tingkat kepadatan tulang menjadi semakin sulit untuk dideteksi. Penelitian ini bertujuan untuk membangun model deep learning menggunakan dataset citra CLAHE (Contrast Limited Adaptive Histogram Equalization) dengan arsitektur ResNet-50 dan ResNet-101. Algoritma CLAHE digunakan sebagai teknik peningkatan kontras pada citra X-Ray. Model yang dibangun menggunakan dua dataset yang berbeda yaitu dataset citra asli dan dataset citra CLAHE untuk melihat perbandingan performa dalam mendeteksi osteoporosis. Learning curve yang dihasilkan oleh model dengan dataset citra CLAHE cukup stabil dengan akurasi ResNet-50 sebesar 99,5% dan menggunakan ResNet-101 sebesar 99,1%. Hasil pengujian yang didapatkan oleh ResNet-50 citra CLAHE yaitu nilai akurasi 0,95, precision 0,94, specificity 0,93, recall 0,97 dan F1-score 0,95. Hasil pengujian yang didapatkan oleh ResNet-101 citra CLAHE yaitu nilai akurasi 0,9583, precision 0,95, specificity 0,95, recall 0,97 dan F1-score 0,96. Hasil penelitian menunjukkan bahwa dengan menggunakan algoritma CLAHE, citra yang dihasilkan memiliki kontras yang tinggi dan terlihat lebih baik dalam menampilkan fitur pada citra sehingga mampu menghasilkan model dengan performa yang lebih baik.

Osteoporosis is a bone disease that can cause bone damage and the risk of fractures. This bone disorder is difficult to cure because the symptoms are not detected visually. This disease can be determined based on bone density which can be seen on X-Ray images. X-Ray images tend to have noise and low image contrast so that the level of bone density becomes increasingly difficult to detect. This study aims to build a deep learning model using the CLAHE (Contrast Limited Adaptive Histogram Equalization) image dataset with the ResNet-50 and ResNet-101 architectures. The CLAHE algorithm is used as a contrast enhancement technique in X-Ray images. The model was built using two different datasets, namely the original image dataset and the CLAHE image dataset to see performance comparisons in detecting osteoporosis. The learning curve produced by the model with the CLAHE image dataset is quite stable with an accuracy of 99.5% for ResNet-50 and 99.1% for ResNet-101. The test results obtained by ResNet-50 CLAHE imagery are accuracy value 0.95, precision 0.94, specificity 0.93, recall 0.97 and F1-score 0.95. The test results obtained by ResNet-101 CLAHE imagery are accuracy value 0.9583, precision 0.95, specificity 0.95, recall 0.97 and F1-score 0.96. The results showed that by using the CLAHE algorithm, the resulting image has high contrast and looks better at displaying features in the image so as to produce a better performance model.