ABSTRAKSI: Pendeteksian fraktur pada tulang tibia dan fibula dilakukan oleh tenaga medis berdasarkan hasil pemeriksaan citra X-Ray. Dalam kondisi mata lelah, sebagian tenaga medis tidak dapat mendeteksi fraktur pada tulang tibia dan fibula. Sehingga, adanya sistem yang dapat mendeteksi fraktur secara otomatis diteliti dan dikembangkan dengan berbagai metode. Pada penelitian sebelumnya, dirancang sistem yang dapat mendeteksi fraktur pada tulang femur dengan menetapkan threshold secara manual dari hasil algoritma scanline dengan akurasi 73.33%.
Pada tugas akhir ini dirancang sistem yang dapat mendeteksi fraktur pada tulang tibia dan fibula dalam tiga tahap, yaitu, pre-processing citra, ekstraksi ciri menggunakan algoritma scanline, dan klasifikasi menggunakan jaringan syaraf tiruan backpropagation. Total citra yang digunakan adalah 70 citra, 35 citra pada proses pelatihan dan 35 citra pada proses pengujian. Hasil ekstraksi ciri dari citra latih menjadi vektor ciri yang akan dilatih oleh jaringan syaraf tiruan backpropagation. Pada proses pengujian citra uji, jaringan hasil pelatihan citra latih akan digunakan untuk mendeteksi kondisi tulang tibia dan fibula. Akurasi sistem dihitung berdasarkan citra yang diujikan benar terhadap semua citra yang diujikan.
Akurasi tertinggi yang dihasilkan sistem pada tugas akhir ini yaitu 100% citra latih yang terdiri dari 15 citra tulang normal dan 20 citra tulang fraktur. Akurasi total citra uji yaitu 91.42%, 100% untuk 15 citra normal dan 85% untuk 20 fraktur dengan waktu pemrosesan 2.33 detik.
Kata Kunci : Kata kunci : fraktur tibia dan fibula, pengolahan citra digital, scanline, jaringan syaraf tiruan backpropagationABSTRACT: Detection fractures of the tibia and fibula performed by medical practice based on the results of X-Ray image. Under conditions of tired eyes, some medical practice can not detect fracture of the tibia and fibula. Thus, the system that can detect fracture automatically researched and developed by various methods. In previous research, designed a system that can detect fracture of the femur with manually set threshold of the scanline algorithm with accuracy 73.33%
At this final project designed the system that can detect fractures on the tibia and fibula in three stages, namely, the image pre-processing, feature extraction using scanline algorithm, and classification using artificial neural networks backpropagation. Total images that used are 70 images, 35 training image and 35 testing images. The results of feature extraction of training images be a feature vector that will be trained by artificial neural networks backpropagation. In testing the testing image, the result of network training images will be used to detect the condition of the tibia and fibula bones. Accuracy is calculated based on the system being tested right image for all images tested.
The accuracy from the system in this final project is 100% for training images, which each class consists of 15 training normal images, 20 training fracture images. The accuracy from the testing images is 91.42% for all images, 100% for 15 normal images and 85% for fracture images, with time computation about 2.33 seconds. Key words : fracture, digital image processing, scanline, ANN backpropagation.
Keyword: Key words : fracture, digital image processing, scanline, ANN backpropagation.