Deteksi Kelainan Tulang Belakang Berdasarkan Citra Medis Digital Dengan Menggunakan Gray Level Co-occurrence Matrix (glcm) Dan K-nearest Neighbor (knn)

Abstract

ABSTRAK Kelengkungan dan postur tulang belakang sangat penting dalam mengukur tingkat masalah kesehatan pada tubuh manusia. Kondisi postur tulang belakang yang salah dapat mempengaruhi kesehatan pada tubuh seperti ketegangan pada otot dan sakit pada punggung. Skoliosis adalah salah satu kelainan pada tulang yang membuat tulang belakang dapat melengkung ke sisi kiri dan kanan. Sehingga kelainan tersebut dapat mengganggu efektifitas pada fungsi tulang belakang tersebut. Tugas akhir ini bertujuan untuk membuat sebuah sistem yang dapat mendeteksi kelainan pada tulang belakang pada hasil citra rontgen, sehingga sistem dapat secara otomatis memilah kelaianan skoliosis sesuai dengan arah kemiringannya dan dokter hanya tinggal menentukan besar derajat kemiringannya. Dibuatnya sistem ini diharapkan dapat membantu proses pemilahan data klasifikasi citra rontgen, sehingga diharapkan dapat membantu proses pengklasifikasian data dengan cepat dan akurat. Pada Tugas Akhir ini citra yang digunakan merupakan hasil CT imaging dari hasil rontgen yang terdiri dari beberapa proses penghitungan. Sistem menggunakan metode ekstraksi ciri Gray Level Co-Occurance Matrix (GLCM) untuk mendapatkan extract level dari citra alat diagnostik kesehatan dengan format .jpg. Kemudian hasil extract level tersebut diklasifikasikan dengan K-Nearest Neighbor (KNN) sehingga akan dihasilkan 3 klasifikasi yaitu tulang punggung manusia normal, kelainan dekstroskoliosis dan kelainan levoskoliosis. Untuk pengujian ini, dilakukan pengujian dengan 128 citra tulang belakang, dengan komposisi masingmasing kelas citra memilki 53 citra normal, 36 citra dekstroskoliosis, dan 39 citra levoskoliosis. Sehingga didapatkan akurasi terbaik sebesar 84,84% pada sistem yang menggunakan parameter GLCM orde dua dikeempat parameter, jarak sebesar 3 piksel dengan arah (0o , 45o , 90o , 135o ) , dan level kuantisasi 8 , sedangkan pada parameter KNN dengan nilai k = 1 di keempat parameter KNN yang digunakan . Kata kunci: Skoliosis, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN) ABSTRACT The curvature and posture of the spine is very important in in measuring the level of health problems in the human body. The wrong posture of the spine can affect health in the body such as muscle tension and back pain. Scoliosis is one of the abnormalities in the bones that make the spine curl to the left and right sides. So the abnormality can interfere with the effectiveness of the spine function. This final project aims to create a system that can detect abnormalities in the spine on X-ray images, so that the system can automatically sort the scoliosis gap according to the direction of slope and the doctor only determines the degree of slope. The creation of this system is expected to help sort out X-ray image classification data, so that it is expected to help the data classification process quickly and accurately. In this Final Project, the image used is the result of CT imaging from X-ray results which consists of several counting processes. The system uses the extraction method feature Gray Level Co-Occurance Matrix (GLCM) to get extract level from the image of the health diagnostic tool with the .jpg format. Then the extract level results are classified with K-Nearest Neighbor (KNN) so that there will be 3 classifications namely normal human backbone, dextroscoliosis disorder and levoskoliosis disorder. This testing is conducted using 128 images of spinal, with the composition of each image class having 53 normal images, 36 decstroscoliosis images and 39 levoskoliosis images. So that obtained the best accuracy ISSN : 2355-9365 e-Proceeding of Engineering : Vol.5, No.3 Desember 2018 | Page 4675 2 of 84.84% in a system that uses second-order GLCM parameters in four parameters, a distance of 3 pixels with direction (0o , 45o , 90o , 135o ), and the quantization level of 8, while the KNN parameter with a value of k = 1 in the four KNN parameters used. Keywords: Scoliosis, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN)