Prediksi Usia dan Jenis Kelamin dari Citra Sefalogram Vertebra Serviks Menggunakan Model Convolutional Neural Network

Yudhantorro, Bayu Azra (2024) Prediksi Usia dan Jenis Kelamin dari Citra Sefalogram Vertebra Serviks Menggunakan Model Convolutional Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231026-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Memahami proses pertumbuhan sangat penting dalam menentukan waktu yang optimal untuk perawatan ortopedi dentofasial. Hal ini dilakukan untuk meminimalisir terjadinya serta memperbaiki ketidakharmonisan tulang dengan memastikan perkembangan tulang anak sesuai dengan usianya. Untuk mengurangi paparan radiasi, metode baru untuk menilai kematangan tulang menggunakan tulang leher (vertebra serviks) digunakan. Estimasi usia serta jenis kelamin juga digunakan dalam identifikasi manusia pada bidang forensik dan proses kriminal serta perdata. Dalam kasus dimana tengkorak utuh tidak dapat ditemukan, tulang leher saja dapat membantu dalam penentuan jenis kelamin dan usia. Namun, tantangan yang dihadapi saat ini adalah proses analisis manual membutuhkan waktu yang lama. Banyak bagian dari sefalogram yang harus diukur dan disesuaikan dengan kondisi secara umum. Karena itu teknologi pembelajaran mesin computer vision digunakan untuk menjawab tantangan ini. Tujuan dari penelitian ini adalah membuat model pembelajaran mesin untuk melakukan klasifikasi jenis kelamin dan estimasi usia pada sefalogram dengan fokus vertebra serviks. Metode yang digunakan adalah Convolutional Neural Network (CNN). Luaran yang diharapkan penelitian adalah model yang dihasilkan dapat membantu bidang medis dan forensik untuk mengotomasi proses identifikasi usia dan jenis kelamin dengan hanya berdasarkan tulang leher dan tengkorak. Terdapat tiga model CNN yang dibangun yaitu model klasifikasi jenis kelamin, model estimasi usia, dan model klasifikasi kelompok usia. Model terbaik untuk klasifikasi jenis kelamin mencapai akurasi sebesar 94 %, model terbaik untuk estimasi usia mencapai MAE sebesar 3.54 tahun, dan model terbaik untuk klasifikasi kelompok usia mencapai akurasi sebesar 68%. Model yang dibangun dengan citra vertebra serviks menghasilkan peningkatan sebesar 0.59% dan 1.09% untuk prediksi jenis kelamin dan estimasi usia. Untuk klasifikasi kelompok usia, peningkatan ini mencapai angka 9.21%. Penelitian ini menemukan bahwa model yang dibangun dengan citra vertebra serviks mencapai performa yang serupa atau bahkan lebih baik dari model dengan input sefalogram. Hal ini dapat mengkonfirmasi bahwa tulang leher saja dapat digunakan untuk kebutuhan prediksi usia dan jenis kelamin
=============================================================================================
Understanding the growth process is crucial in determining the optimal timing for dentofacial orthopaedic treatment, with the aim of correcting bone disharmony. To reduce radiation exposure, a relatively new method of assessing bone maturity is using the cervical vertebrae. In the forensic field, age is one of the important factors in determining a person's identity. Estimates of age and sex are used in human identification in forensics and criminal and civil proceedings. In cases where an intact skull cannot be found, the neck bone alone can help in determining sex and age. The challenge faced today is that the manual analysis process takes a long time. Many parts of the cephalogram have to be measured and adjusted for general conditions. Therefore, computer vision technology is commonly used to address this challenge. This research attempts to understand cephalograms with a focus on cervical vertebrates to perform sex classification and age regression. The method used is Convolutional Neural Network (CNN). The expected output of the research is that the resulting model can help the medical and forensic fields to automate the process of identifying age and gender based only on the neck and skull bones. There are three CNN models built, namely the gender classification model, age estimation model, and age group classification model. The best model for gender classification achieved an accuracy of 94%, the best model for age estimation achieved an MAE of 3.54 years, and the best model for age group classification achieved an accuracy of 68%. For the age group classification, this increase amounted to 9.21%. This study found that models built with cervical vertebra images achieved similar or even better performance than models with cephalogram inputs. This confirms that cervical vertebrae alone can be used for age and sex prediction purposes.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	CNN, Jenis Kelamin, Sefalogram, Usia, Vertebra Serviks, Age, Cephalogram, Cervical Vertebrae, CNN, Gender
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RZ Other systems of medicine
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Bayu Azra Yudhantorro
Date Deposited:	26 Jul 2024 06:49
Last Modified:	26 Jul 2024 06:49
URI:	http://repository.its.ac.id/id/eprint/109096

Actions (login required)

View Item