Electronic Theses and Dissertation

Osteoarthritis adalah penyakit sendi degeneratif progresif yang ditandai dengan kerusakan pada tulang rawan sendi dan struktural sendi diarthrodial. Sekitar 80% pasien osteoarthritis akan mengalami keterbatasan dalam gerakan dan 25% tidak dapat melakukan aktifitas harian. Saat ini, tahapan diagnosa osteoarthritis adalah melalui pengamatan visual dari penyempitan celah sendi dan osteofit yang terdapat pada gambar sinar-X melalui pengamatan para ahli radiologi yang meninjau gambar sinar-X dan menilai tingkat keparahan gangguan. Namun demikian, tahapan diagnosa diatas membutuhkan waktu yang relatif lama dan ketelitian yang tinggi dari tenaga medis atau ahli radiologi. Penelitian ini mengusulkan sebuah CAD (Computer Aided Design) sebagai sistem pendukung untuk mendeteksi osteoarthritis lutut berdasarkan gambar Sinar-X dengan melalui teknik Deep Learning. Dalam perancangan CAD (Computer Aided Design) tersebut akan dilakukan evaluasi arsitektur terkait, termasuk ResNet, VGG, EfficientNet-B4, dan Inception V3 dalam membangun model prediktif menggunakan Convolutional Neural Network (CNN) yang berbasis aplikasi mobile dan komputasi sehingga mampu mengklasifikasi antara osteoarthritis lutut dan lutut normal dengan persentase hasil pengujian setiap arsitektur adalah ResNet sebesar 93.17%, VGG sebesar 95.26%, InceptionV3 sebesar 94.64% dan EfficientNet-B4 sebesar 96.59%.

Osteoarthritis is a progressive degenerative joint disease characterized by damage to joint cartilage and structural joint diarthrodial. As many as 80% of osteoarthritis patients will experience limitations of movement and 25% cannot carry out daily activities. At present, the stages of osteoarthritis diagnosis are through visual observations of the narrowing of joint and osteophyte gaps contained in X-ray images through the observation of radiology and assessing the severity of disorders. This study proposes a CAD (Computer Aided Design) as a support system to detect knee osteoarthritis based on X-ray images with deep learning techniques. In the design of the CAD related architecture evaluation, including ResNet, VggNet, EfficientNet, and InceptionV3 in building a predictive model using the Convolutional Neural Network (CNN) based on Mobile Application and Cloud Computing so as to be able to classify normal knee and knee osteoarthritis with the percentage of testing accuracy each architecture is 93.17% on ResNet, 95.26% on VggNet, 94.64% in InceptionV3 and 96.59% on EfficientNet.