Electronic Theses and Dissertation

Abstrak - Karies gigi adalah suatu penyakit yang dapat membuat struktur gigi rusak hingga mengakibatkan gigi menjadi berlubang. Namun, gejala karies sering tidak disadari hingga munculnya nyeri pada gigi yang akan berdampak pada gigi berlubang. Gigi karies yang sudah sangat parah hingga berlubang perlu dilakukan inspeksi secara langsung untuk pemeriksaan karies. Dengan diagnosa karies pada tingkat yang lebih awal, langkah-langkah pencegahan dan perawatan dapat diambil lebih awal. Ini dapat membantu mencegah perkembangan lebih lanjut dari kerusakan gigi dan mengurangi kebutuhan perawatan restoratif yang lebih invasif. Oleh karena itu, penelitian ini melakukan pengembangan model klasifikasi karies gigi menggunakan arsitektur dari Convolutional Neural Network, yaitu Residual Network (ResNet)-50, EfficientNet B4 dan MobileNet V2 dimana citra di klasifikasikan ke dalam dua kelas, yaitu gigi karies dan gigi normal. Hasil evaluasi pelatihan menunjukkan bahwa model EfficientNet B4 lebih baik dibandingan arsitektur MobileNet V2 dan Residual Network (ResNet)-50 yang digunakan untuk mengklasifikasi karies gigi. Dalam penelitian ini, EfficientNet B4 tampak bagian oklusal bawah, learning rate 10-5, batch size 16 dan epoch 200 telah menghasilkan accuracy 77%, precision 78%, recall 77% dan f1-score 77%. Model ini merupakan model dengan performa terbaik berdasarkan learning curve yang goodfitting.

Kata Kunci : Karies Gigi, Klasifikasi Karies Gigi dan Normal, Residual Network (ResNet)-50, EfficientNet B4 dan MobileNet V2.

Abstract - Dental caries is a disease that can damage the tooth structure, leading to cavities. However, the symptoms of decay are often unnoticed until the onset of toothache, which can result in cavities. Severe cases of dental caries, causing cavities, require direct inspection for examination. With early diagnosis of decay, preventive measures and treatment steps can be taken sooner. This helps prevent further development of tooth damage and reduces the need for more invasive restorative treatments. Therefore, this study develops a classification model for dental caries using Convolutional Neural Network architectures, namely Residual Network (ResNet)-50, EfficientNet B4, and MobileNet V2, where images are classified into two classes: decayed and normal teeth. Training evaluation results indicate that the EfficientNet B4 model outperforms MobileNet V2 and Residual Network (ResNet)-50 architectures in classifying dental caries. In this research, EfficientNet B4 with the lower occlusal part, a learning rate of 10^-5, batch size 16, and 200 epochs achieved an accuracy of 77%, precision of 78%, recall of 77%, and an f1-score of 77%. This model demonstrates the best performance based on a goodfitting learning curve. Keywords : Dental Caries, Classification of Dental Caries and Normal, Residual Network (ResNet)-50, EfficientNet B4, and MobileNet V2.