Electronic Theses and Dissertation

Karies gigi adalah penyakit pada jaringan gigi yang ditandai dengan kerusakan jaringan yang meluas dari email, apabila tidak segera dibersihkan dan ditambal karies akan berkembang ke lapisan dentin dan akhirnya mencapai pulpa yang menjadi tempat saraf dan pembuluh darah. Sehingga menyebabkan sakit kepala, gigi tanggal dan infeksi sistemik, serta infeksi gusi yang menyebabkan pembengkakan, kemerahan, atau bahkan abses gusi. Pemeriksaan karies gigi yang dilakukan dokter gigi dilakukan secara manual dengan mengamati gigi yang terkena karies. Oleh karena itu penerapan deep learning digunakan untuk mempermudah dokter gigi, dengan dilakukannya pengembangan model klasifikasi gigi karies dan gigi normal menggunakan ResNet50. Namun dalam penerapannya hasil akurasi yang didapat pada penelitian sebelumnya masih belum maksimal dikarenakan citra pada dataset yang sedikit buram sehingga perlu adanya preprocessing tambahan berupa Contrast Limited Adaptive Histogram Equalization (CLAHE) yang dapat secara efektif meningkatkan kontras untuk meningkatkan visualisasi detail dan tekstur pada citra gigi. Hasil penelitian menunjukkan bahwa model ResNet50 yang dikembangkan berhasil mengklasifikasikan gigi karies dan gigi normal dengan akurasi yang baik. Gambar yang telah melalui tahap preprocessing memberikan performa lebih baik dibandingkan gambar non-CLAHE. Evaluasi dilakukan berdasarkan metrik seperti akurasi, precision, recall, specificity, dan F1-score. Akurasi terbaik ditunjukkan pada learning rate 10-4 dengan batch size 16 dengan akurasi pengujian pada citra tanpa CLAHE sebesar 79% dan dengan citra menggunakan CLAHE sebesar 84% akan tetapi terdapat perbedaan yang jauh antara akurasi training dan akurasi validasi. Sebaliknya kurva terbaik pada learning rate 10-6 batch size 32 dengan akurasi pengujian pada citra tanpa CLAHE mencapai 70%, sedangkan citra yang diproses dengan CLAHE mencapai akurasi sebesar 75%.

Dental caries is a disease of dental tissue characterized by tissue damage that extends from the enamel, if not immediately cleaned and patched caries will progress to the dentin layer and eventually reach the pulp which houses nerves and blood vessels. Thus causing headaches, tooth loss and systemic infections, as well as gum infections that cause swelling, redness, or even gum abscesses. Dental caries examination by dentists is done manually by observing teeth affected by caries. Therefore, the application of deep learning is used to make it easier for dentists, by developing a classification model for carious teeth and normal teeth using ResNet50. However, in its application, the accuracy results obtained in previous studies were still not optimal due to the image in the dataset which was slightly blurry so that additional preprocessing in the form of Contrast Limited Adaptive Histogram Equalization (CLAHE) was needed which could effectively increase contrast to improve visualization of detail and texture in dental images. The results showed that the ResNet50 model developed successfully classified caries teeth and normal teeth with good accuracy. Images that have undergone pre-processing stage perform better than non-CLAHE images. Evaluation is done based on metrics such as accuracy, precision, recall, specificity, and F1-score. The best accuracy is shown at a learning rate of 10-4 with a batch size of 16 with a testing accuracy on images without CLAHE of 79% and with images using CLAHE of 84% but there is a large difference between training accuracy and validation accuracy. Conversely, the best curve at a learning rate of 10-6 batch size 32 with testing accuracy on images without CLAHE reached 70%, while images processed with CLAHE reached an accuracy of 75%.