ANALISIS ENTROPI SHANNON PADA SENDI TIBIOFEMORAL UNTUK KLASIFIKASI KEPARAHAN OSTEOARTRITIS LUTUT BERBASIS CONVOLUTIONAL NEURAL NETWORK

Abstract

Penelitian ini bertujuan menentukan region of interest (ROI) sendi tibiofemoral, membentuk peta entropi multiskala, dan mengevaluasi model Convolutional Neural Network (CNN) untuk klasifikasi keparahan osteoartritis lutut. Data yang digunakan terdiri atas 9.251 citra lutut dari himpunan data Osteoarthritis Initiative yang diseimbangkan pada lima kelas KL. Citra diproses melalui pemisahan sisi lutut, penyeragaman orientasi, segmentasi femur dan tibia, pembentukan ROI, serta pembentukan peta entropi multiskala dengan window 9×9, 21×21, dan 41×41. Model CNN dilatih menggunakan dua jenis masukan, yaitu citra ROI satu kanal dan peta entropi tiga kanal, pada klasifikasi 5, 3, dan 2 kelas. Model berbasis citra ROI memperoleh akurasi 0,7035, 0,8229, dan 0,8643, sedangkan model berbasis peta entropi memperoleh akurasi 0,6564, 0,8004, dan 0,8387. Hasil ini menunjukkan bahwa citra ROI memberikan performa klasifikasi lebih baik, sedangkan peta entropi tetap merepresentasikan informasi tekstur yang relevan.

This study aimed to determine the tibiofemoral joint region of interest (ROI), generate multiscale entropy maps, and evaluate a Convolutional Neural Network (CNN) model for knee osteoarthritis severity classification. The dataset consisted of 9,251 knee images from the Osteoarthritis Initiative, balanced across five KL classes. The images were processed through knee-side separation, orientation standardization, femur and tibia segmentation, ROI extraction, and multiscale entropy map generation using 9×9, 21×21, and 41×41 windows. The CNN model was trained using two input types, namely one-channel ROI images and three-channel entropy maps, for 5-, 3-, and 2-class classification. The ROI image-based model achieved accuracies of 0.7035, 0.8229, and 0.8643, whereas the entropy map-based model achieved accuracies of 0.6564, 0.8004, and 0.8387. These results indicate that ROI images provided better classification performance, while entropy maps still represented relevant texture information.