Electronic Theses and Dissertation

Karies Gigi adalah penyakit yang merusak gigi dan jaringan keras gigi, yaitu email, dentin dan sementrum didalam mulut. Karies gigi disebabkan oleh bakteri Streptococcus mutans yang merupakan kuman kariogenik karena mampu membuat lubang pada gigi. Karies gigi juga dapat menghambat perkembangan gizi, peradangan dimulut, timbul nanah hingga penyakit jantung. Selama ini dokter gigi melakukan inspeksi secara langsung untuk pemeriksaan karies, metode itu diangggap sudah tidak efisien dan memakan waktu. Oleh karena itu, penelitian ini bertujuan mengumpulkan dataset primer citra klinis gigi yang terdiri dari dua kelas yaitu karies dan normal. Gambar diambil dibawah pencahayaan ruangan dengan jarak 20 cm antara lensa dengan subjek serta diperlukan cermin intraoral dan dental mouth gate untuk membantu agar gigi dapat difoto dengan jelas. Kemudian akan dibangun model deep learning menggunakan dataset yang telah dikumpulkan lalu dilakukan evaluasi model dengan arsitektur ResNet-50. Pelatihan model dilakukan menggunakan hyperparameter yang telah ditentukan. Hasil terbaik yang diperoleh dari penelitian ini adalah model mampu membedakan kelas karies dan normal dengan learning rate 10-5, batch size 32 dan epoch 300 dimana performa model mendapatkan hasil pengujian yaitu nilai akurasi 71%, precision 71%, recall 71% dan F1-Score 71%.

Dental Caries is a disease that damages teeth and the hard tissues of teeth, namely enamel, dentin, and pulp within the mouth. Dental caries is caused by the Streptococcus mutans bacteria, which are cariogenic bacteria capable of creating cavities in teeth. Dental caries can also hinder nutritional development, lead to oral inflammation, the formation of pus and even heart disease. Until now, dentists have conducted direct inspections for the examination of cavities, but this method is considered inefficient and time-consuming. Therefore, this research aims to collect a primary dataset of clinical tooth images consisting of two classes cavities and normal. The images are taken under room lighting conditions, with a 20 cm distance between the lens and the subject and require the use of intraoral mirror and dental mouth gate to help ensure clear dental photography. Subsequently, a deep learning model will be built using the collected dataset, and the model will be evaluated using the ResNet-50 architecture. Model training will be done using predetermined hyperparameters. The best results obtained from this research show that the model can distinguish between cavities and normal classes with a learning rate of 10-5, a batch size of 32, and 300 epochs, where the model's performance achieved test results of an accuracy of 71%, precision of 71%, recall of 71%, and an F1-Score of 71%.