Implementasi DETR pada Website Streamlit untuk Deteksi Fraktur Tulang pada Citra X-Ray
Keywords:
Detection Transformer, deteksi fraktur, citra X-Ray, Streamlit, object detectionAbstract
Interpretasi citra X-Ray untuk mengidentifikasi lokasi fraktur tulang masih bergantung pada pengalaman dan keahlian tenaga medis sehingga berpotensi mengalami kesalahan, terutama pada area fraktur yang sulit diidentifikasi. Penelitian ini bertujuan untuk mengimplementasikan dan mengintegrasikan model Detection Transformer (DETR) dengan backbone ResNet-50 ke dalam aplikasi web berbasis Streamlit untuk memproses citra X-Ray dan menyajikan keluaran prediksi lokasi fraktur. Fokus penelitian diarahkan pada implementasi model dan integrasinya ke dalam sistem web interaktif serta pengujian fungsional aplikasi. Sebanyak 1.434 citra X-Ray dari dataset FracAtlas yang diperoleh melalui platform Kaggle digunakan dalam penelitian ini, meliputi 717 citra dengan anotasi fraktur dan 717 citra tanpa anotasi fraktur. Model DETR dilatih menggunakan pembagian data latih, validasi, dan uji dengan rasio 70:15:15, kemudian diintegrasikan ke dalam aplikasi web berbasis Streamlit. Tahapan sistem meliputi unggah citra, pra-pemrosesan menggunakan DetrImageProcessor, inferensi model DETR, post-processing hasil prediksi, serta visualisasi keluaran prediksi dalam bentuk bounding box dan confidence score. Pengujian fungsional menggunakan metode black-box dilakukan untuk memastikan kesesuaian fungsi aplikasi dan integrasi model dengan rancangan sistem. Hasil pengujian menunjukkan bahwa seluruh fitur utama aplikasi dapat berjalan sesuai dengan rancangan dan model DETR berhasil diintegrasikan ke dalam aplikasi web berbasis Streamlit sehingga proses inferensi serta visualisasi keluaran prediksi dapat dilakukan melalui antarmuka web secara interaktif. Evaluasi kuantitatif terhadap kinerja model menggunakan metrik object detection berada di luar fokus pengujian pada penelitian ini.
References
[1]T. et al. Aldhyani, “Diagnosis and detection of bone fracture in radiographic images using deep learning approaches,” Front. Med. (Lausanne)., vol. 11, 2024, doi: 10.3389/fmed.2024.1506686.
[2]S. S. et al. Jadhav, “Bone fracture detection using image processing techniques,” Sigma Journal of Engineering and Natural Sciences, vol. 43, no. 3, pp. 748–759, Jun. 2025, doi: 10.14744/sigma.2025.00069.
[3]R. Zhang and Z. Liu, “Comparative Analysis of Object Detection Frameworks for Fracture Detection in X-Ray Image,” AI Medicine, vol. 2, no. 2, Sep. 2025, doi: 10.53941/aim.2025.100005.
[4]S. S. F. Ruhi, F. Nahar, and A. F. Ashrafi, “A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning,” vol. 1, Oct. 2024, [Online]. Available: http://arxiv.org/abs/2410.14833
[5]D. Gunawan and H. Setiawan, “Convolutional Neural Network dalam Citra Medis,” KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, vol. 2, no. 2, May 2022, doi: 10.24002/konstelasi.v2i2.5367.
[6]Z. et. al. Zou, “Object Detection in 20 Years,” Jan. 2023, [Online]. Available: http://arxiv.org/abs/1905.05055
[7]N. Carion, F. Massa, G. Synnaeve, N. Usunier, A. Kirillov, and S. Zagoruyko, “End-to-End Object Detection with Transformers,” May 2020, [Online]. Available: http://arxiv.org/abs/2005.12872
[8]M. dkk. Ikmal Tawakal, “Aplikasi Monitor dan Prediksi Tingkat Polusi Udara Berbasis Web dengan Streamlit,” Edisi Januari-Februari, vol. 7, no. 1, pp. 160–168, 2026.
[9]R. et al Buga, “Streamlit Application and Deep Learning Model for Brain Metastasis Monitoring After Gamma Knife Treatment,” Biomedicines, vol. 13, no. 2, Feb. 2025, doi: 10.3390/biomedicines13020423.
[10]A. dkk. Hassan, “Fracture Detection In X-rays Using Custom Convolutional Neural Network (CNN) And Transfer Learning Models,” Sep. 2025, [Online]. Available: http://arxiv.org/abs/2509.06228
