PERBANDINGAN EFFICIENTNETV2 DAN CONVNEXT UNTUK KLASIFIKASI OSTEOPOROSIS LUTUT BERBASIS CITRA X-RAY ANALISIS AKURASI DAN EFISIENSI KOMPUTASI

Osteoporosis merupakan penyakit penurunan kepadatan tulang yang berisiko menyebabkan patah tulang sehingga deteksi dini melalui citra X-ray penting dilakukan. Namun, sebagian besar penelitian klasifikasi osteoporosis masih berfokus pada peningkatan akurasi tanpa mempertimbangkan biaya komputasi yang merupakan aspek penting untuk penerapan pada lingkungan dengan sumber daya terbatas. Oleh karena itu, penelitian ini membandingkan dan menganalisis performa serta biaya komputasi dua arsitektur deep learning, yaitu EfficientNetV2 dan ConvNeXt dalam mengklasifikasikan osteoporosis lutut berbasis citra X-ray ke dalam tiga kelas, yaitu normal, osteoporosis dan osteopenia. Penelitian ini dibatasi pada varian EfficientNetV2-S dan ConvNeXt-Tiny menggunakan dataset publik berjumlah 1.947 citra yang diproses dengan median filter, CLAHE, normalisasi dan augmentasi tiga kali lipat. Kedua arsitektur dilatih menggunakan tiga strategi, yaitu pelatihan dari awal, feature extraction dan fine-tuning kemudian digabungkan dengan ensemble soft voting. Evaluasi dilakukan dengan menggunakan confusion matrix yang meliputi akurasi, presisi, recall dan F1-score serta analisis biaya komputasi, seperti jumlah parameter, FLOPs, latensi, throughput, waktu pelatihan, RAM dan GPU. Hasil penelitian menunjukkan ConvNeXt-Tiny dengan strategi fine-tuning memperoleh akurasi tertinggi sebesar 92% sedangkan ensemble model hanya mencapai 90% sehingga tidak melampaui model individual terbaik meskipun biaya komputasinya tinggi. Dengan demikian, peningkatan biaya komputasi pada ensemble model tidak sebanding dengan manfaatnya dan ConvNeXt-Tiny fine-tuning menjadi model dengan keseimbangan terbaik antara akurasi dan efisiensi komputasi.