Pendeteksian osteoartritis lutut (knee OA) secara otomatis melalui citra X-ray menjadi tantangan karena keterbatasan data medis dan risiko overfitting dalam model deep learning, khususnya Convolutional Neural Networks (CNNs). Penelitian ini mengusulkan penggunaan lima arsitektur CNN—AlexNet, ResNet50, MobileNet v2, ShuffleNet v2, dan EfficientNet v2 yang dioptimalkan menggunakan algoritma Adaptive Moment Estimation (Adam). Optimasi ini bertujuan mempercepat konvergensi, mengurangi penggunaan memori, dan meningkatkan kemampuan generalisasi model.
Penelitian dilakukan dalam dua fokus utama: (1) mengevaluasi konvergensi dan regularisasi model berdasarkan grafik training loss dan validation loss, serta (2) menilai performa klasifikasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa EfficientNet v2 memiliki stabilitas pelatihan terbaik tanpa indikasi overfitting, sementara ShuffleNet v2 dan EfficientNet unggul dalam akurasi klasifikasi.
ShuffleNet v2 menempati peringkat tertinggi dengan akurasi 98%, diikuti oleh EfficientNet (96%) dan MobileNet (93%). Selain efisiensi komputasi yang tinggi, ShuffleNet juga mencatat skor recall tertinggi (95%), yang sangat penting dalam konteks diagnosis medis untuk meminimalkan kasus positif yang terlewat. Arsitektur ini terbukti ideal untuk aplikasi pada sistem dengan keterbatasan sumber daya.
Meski performa model cukup tinggi, sensitivitas terhadap noise gambar dan ketergantungan pada kualitas input tetap menjadi tantangan. Oleh karena itu, penelitian mendatang diarahkan pada peningkatan akurasi, penanganan ketidakseimbangan kelas, dan penguatan robusta model melalui integrasi berbagai dataset dari lingkungan klinis berbeda.
Dengan pencapaian ini, pendekatan berbasis CNN yang dioptimalkan dengan Adam dapat menjadi solusi efektif dalam mendukung diagnosis cepat dan akurat untuk osteoartritis lutut, serta berpotensi diterapkan lebih luas dalam sistem pendukung keputusan medis berbasis citra.
Penulis: Dr. Miswanto, M.Si.
Detail tulisan ini dapat dilihat di:
https://www.iieta.org/journals/mmep/paper/10.18280/mmep.120404
