Perpustakaan Digital ITB

Di Indonesia, 2 dari 5 penduduk berpotensi menderita osteoporosis, penyakit tulang progresif yang ditandai penurunan densitas tulang sehingga rentan terhadap fraktur osteoporotik. Fraktur femur proksimal merupakan fraktur paling umum pada lansia dengan 200 kasus per 100.000 penduduk. Namun, tingkat kesalahan diagnosis di Instalasi Gawat Darurat mencapai 17,4% akibat kelelahan dokter dan fraktur halus yang sulit terlihat pada x-ray. Karena itu, diperlukan sistem Computer-Aided Diagnosis berbasis Deep Learning untuk mendeteksi fraktur femur proksimal pada citra x-ray dan mengevaluasi efektivitasnya dalam membantu mahasiswa koas menemukan fraktur.Penelitian ini meliputi penggunaan Dataset x-ray, Pre- processing, augmentasi, Hyperparameter Tuning, interpretabilitas model menggunakan XAI D-RISE, uji validitas dengan dokter ortopedi, dan uji efektivitas dengan mahasiswa koas. Hasil menunjukkan model YOLO11-N memberikan performa deteksi dengan Precision 83,30%, Recall 73,12%, dan mAP@50 78,10%. Setelah Post-processing, uji validitas dengan dokter ortopedi menghasilkan Precision 79%, Recall 69%, dan rata-rata IoU 62%. Uji efektivitas menunjukkan peningkatan kemampuan pendeteksian fraktur mahasiswa koas dengan rata-rata peningkatan Precision 40,26% dan Recall 35,18%, serta pengurangan variabilitas antar-peserta dari standar deviasi 5,6% menjadi 3,4%. Berdasarkan hasil tersebut, sistem Computer-Aided Diagnosis berbasis YOLO11 terbukti mampu mendeteksi fraktur femur proksimal sehingga dapat digunakan sebagai Second Opinion dan Attention Guider serta efektif meningkatkan kemampuan mahasiswa koas dalam menemukan fraktur sehingga meminimalkan terjadinya fraktur yang terlewat dalam pembacaan x-ray.