<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="118618">
 <titleInfo>
  <title>PERBANDINGAN MODEL KLASIFIKASI KARIES GIGI MENGGUNAKAN ARSITEKTUR RESNET-50, EFFICIENTNET B4 DAN MOBILENET V2</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>HAFIDH HABIBIE</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik Elektro dan Komputer</publisher>
   <dateIssued>2023</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>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.&#13;
&#13;
Kata Kunci : Karies Gigi, Klasifikasi Karies Gigi dan Normal, Residual Network (ResNet)-50, EfficientNet B4 dan MobileNet V2.&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>118618</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-12-22 16:06:58</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-12-27 09:36:11</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>