Citra Radiografi Panoramik pada Tulaog Maodibula untuk Deteksi Dini Osteoporosis deogao Metode Gray Level Cooccurence Matrix (GLCM).

M a ja la h

Ke dokte ra n

Ba ndung

Volume 46 Nomor
Desember 2014 zyxwvutsrqponmlkjihgfedcbaZYXWVU

M a ja la h

Ke dokte ra n

Ba ndung

M e dica l

8 a ndung.

Journa l


o

J:)ISSN 120.074X elSSN2338-6223 Volume 46 Nornor 4, Oesember 2014 zyxwvutsrqponmlkjihgfedcbaZYXWVUTS

Artikel Penelitian
Multidrng. ResislClI1/ Tuberculosis (MDR-TD): Tinjauan Epidemiologi dan Faktnr Risiko Efek
Samping 0"',,1 An(i T~b"(klllos.i~
Revionu, P. ,,"usnallt· o, V iclQ' Eko.l"iclcnn Pukiding, [»)'uh N U I',vidhisih

189

Jumlah Sci r"inllnldal CA3 Hipokampus Tikus I'utih .I8nl811pada Bcrbagai Model Stres Kcrja
Kronik
f'itrllolU
Arjndi, S.'i Kadarslh 5 0 ('joI1 0 . Lientje Sei-yu\\'l1ti ;\lau,;itfo;,.I\'lulyottt

197

l)an,geN tu


Citra Rudiograf Puuoramik padu Tulnng Mandibula untuk"Oi:teksl !;lini Osteoporosis dengan

203

iIIe{(ldii Grav Levd Cooccurence /iJltitri~' ((1LCM)

l~zbal'i,Suprijantu,

"udht

Diputra,

E n'da ng

.Iuliastuti,

,o\gus Zuinal

Arlfln


Pcngctahunn dan r(;:rspl1k1irM;Jhi.1~rs'\la t.cilfolig Pcnuaan dun l'l!iultJU Il-run
":1I1:ic,>,Zit. Adcscli a, Elis,abcth Rukmin!

209

Hubungan Jenls kclaruin, SlalUs I'crnik.,h:IIl, ls menggunakan SVM mcmbcriknn nkurnsi 85.71%: sensiuvitas (Iillllkul benur posirif) (1nll': negLlIi\c nne) ,\as 66.67DtJ I he he'l Iculurc recognition
\\jlS ~)bt:lillcd using a cOlublnalion of featuI"C c,)nlrnst. CUrr\1IUlion. cncrg~. and hon,o~t:ncll~ n.;;Inpul~ fbr S\'~I
clll~Slficultl)nIn conclusion. annl~~ls of the lruhcculur texture u51ngdenlul panor"dlnlc InHlg~produced b~ grJ~
_I~,el
co-occur.nros'is yuitu merupakan salah-sat u penya"it
degcnerau r yang sangar berkaitan !lengan proses
penuaan yang

ditllnjukkan

penurunan keraparan

yang cepat (fan juga pcnipisan jaringan

tulang


schingga terjadi penurunan kekuatan rnekanik
lulan!!, dalam upaya mendukung kondisi aktivitas
normal. Berdasnrkan alas deskri psi interunsjonal:
osteoporosis merupakan sunlu peuyakit tulangsistcrnik dcngan kernkterisrik massa uilang yang
rendah dan penurunan 111 ikroarsirek tur jaringan
tulang. sehingga menlngkatkan kerapui1an dan
risiko patah'tulang,' l)ntuk.,ua\ ini DEXAadaJilb
salah satu meiodc standar unruk nrendeteksi
rerjadi osteoporosis. Hasil yang diberikan pada
pcmcriksaan DEXA adalah densitas tulang,
mcrupakan

banyaknya

mineral tulang pada area

dengan satuan gram per centi meter (glcm').

Masalah di lndoncsia yaitu pcrangkat D6XA

masih rclatif terbatas pada rumah sakit di kola
besar dan seeing I idak rnudah melakukandiagnosis
khusus dengan rnenggtmakan iJi.:.rangkllt DEXA
t\!r$'eb:ut,~ Sci ring dengan usia. 'yang l~~ri!'lllbl1h.
tingkat kunjungan pasien Ice dokter gig] seruakln

untuk QeteKsi Dinl Osteoporosis dang-an Met~e GLGM

Analisis densiti trabckula tulang mandibula.'·ItI-13
Pada penelitian i.ni diusulkan mernilih r egion
of in/crest (ROI) yang ridak rnudah terpengaruh
faktor lokal sepcni infeksi kronik pacta proscsus
alveolar. infcksi pada akar gigi, dan beban oklusi
pada bodi mandibula. Kondilus bagian dari
mandibula mcrupakan bagian mandibula yang
perui ng untuk .dijadikan R;OI. karcnn mempunyai
beban besar clan mengandung banyak trabekula

(98,6%).'1
Unluk prediksi ost~()pl)r()sis. a"alisi~ citra

pada 11.01 citra dilakukari dcngan pcndekatan
analisis tckstur citra '11empergunakal)" prirrsij)
gna y levei co-occttr ence /rI{l/ri~ (ai_eM) dan
juga ditentukan parameter slm.istik GLqvl yang
dikenal dcnzan firur l larralic, Lulu dilakukan
proses klas;{\kasi dengan menggunakan S lip pO I"{
vector m achine (SVlvI) dengan fungai kernel
/III/IIi/aye/" perceptron. Pada tanap awal SVM

harus dilatih willik nrelakukan pemejaan dad ei[~~
panarornik dengan kondisi BMD berdasarkan
'l-score. Sel,llljutn),a .i.liltik~,kallpengujian sefelah
proses pelatihan SVM rnemprediksi klasifikasi
osteoporosis dari "olllp,(ler a ided dia gnnsis yang
divalidasi denuan kondisi 13MD herdasarkan

scrinedilakukan bcrkaiian denaan konsuliasl dan
pem,vutan terhadap korrdis: gigi dan rnulut, Citra
radiograf lianoralllik adalah jenis pcncitraan


'/:"coj'e untuk

secara ekstraoral sering aipcr.gunakan

M c to de

d()ktel' gi.gi

s~be1l1m mclakukan tindakan. (II'oSis
pos/rirCl1opnl/se.
jumlilh ~rnbekula akan m~ngengurangao harmon estcrogen yMg
m~ngatur Jlcn1(j~llIuknn matriks J),:()tein·kolagen.
nonkolugert, d

Dokumen yang terkait

Penggunaan Dental Panoramik Radiografi Dalam Mengidentifikasi Osteoporosis Pada Wanita Postmenopausal

0 44 48

TA : Identifikasi Jenis Penyakit Daun Tembakau Menggunakan Metode Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM).

28 178 71

Citra Radiografi Panoramik pada Tulang Mandibula untuk Deteksi Dini Osteoporosis dengan Metode Gray Level Cooccurence Matrix (GLCM) | Azhari | Majalah Kedokteran Bandung 338 1140 1 PB

0 0 6

Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu

0 0 8

DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS PENGOLAHAN CITRA (Detection of Colorectral Cancer (Colon Cancer) Using Methods Gray Level Cooccurence Matrix and K-Nearest Neigh

0 1 14

APLIKASI IDENTIFIKASI MOTIF BATIK MENGGUNAKAN METODE EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) BERBASIS ANDROID BATIK’S PATTERN IDENTIFICATION THROUGH FEATURE EXTRACTION METHOD, GRAY LEVEL CO – OCCURRENCE MATRIX (GLCM), BASED ON ANDROID

1 0 9

KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL CO- OCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL Types Of Cheese Quality Classification Using Gray Level Co-Occurrence Matrix (GLCM) And Support Vector Ma

1 0 8

Detection Lung Cancer Using Gray Level Co-Occurrence Matrix (GLCM) and Back Propagation Neural Network Classification

0 0 5

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN BACKPROPAGATION SKRIPSI

1 0 138

Menghitung Jumlah Orang dengan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM)

0 0 11