Electronic Theses and Dissertation

Karies gigi merupakan salah satu permasalahan kesehatan mulut yang dapat menyebabkan kerusakan struktural pada gigi jika tidak terdeteksi dan ditangani secara dini. Deteksi dini karies gigi sangat penting untuk mencegah kerusakan lebih lanjut. Seiring dengan perkembangan dan kemajuan dibidang deep learning pada saat sekarang ini memungkinkan deteksi karies secara otomatis melalui citra. Penelitian ini mengembangkan model segmentasi gigi berbasis Feature Pyramid Network (FPN) untuk meningkatkan performa model klasifikasi karies gigi. Model segmentasi dilatih dengan transfer learning menggunakan backbone EfficientNetB1, dan dievaluasi menggunakan metrik Intersection over Union (IoU) dan Dice Score. Kemudian, model klasifikasi dilatih menggunakan citra asli dan citra tersegmentasi secara terpisah, dengan hyperparameter yang sama guna memastikan bahwa ketiga model klasifikasi dilatih dengan parameter pelatihan yang sama dan hasil pelatihan dapat dibandingkan secara adil. Perbandingan performa dilakukan menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa penerapan segmentasi pada citra gigi dapat meningkatkan akurasi klasifikasi, dengan hasil terbaik dicapai oleh arsitektur DenseNet169 pada data tersegmentasi, yang menghasilkan akurasi sebesar 89,26%. Metrik evaluasi menunjukkan bahwa segmentasi efektif dalam memfokuskan model pada area gigi yang relevan, mengurangi gangguan dari latar belakang yang tidak terkait, dan meningkatkan keandalan klasifikasi karies gigi. Dengan demikian, pendekatan segmentasi menggunakan FPN terbukti memberikan dampak positif dalam meningkatkan akurasi klasifikasi karies gigi berbasis deep learning.

Kata Kunci: Karies Gigi, Segmentasi Gigi, Deep learning, FPN, Klasifikasi Citra

Dental caries is one of the most common oral health problems that can cause structural damage to teeth if not detected and treated early. Early detection of dental caries is crucial to prevent further damage. With the advancement of deep learning, automatic detection of caries through images is now possible. This research develops a tooth segmentation model based on Feature Pyramid Network (FPN) to improve the performance of caries classification models. The segmentation model is trained using transfer learning with the EfficientNetB1 backbone and evaluated using Intersection over Union (IoU) and Dice Score metrics. Subsequently, the classification model is trained using both original and segmented images separately, with the same hyperparameters to ensure that all three classification models are trained with the same training parameters, allowing for a fair comparison of the results. Performance comparison is conducted using a confusion matrix. The results of the study show that applying segmentation to dental images improves classification accuracy, with the best result achieved by the DenseNet169 architecture on segmented data, yielding an accuracy of 89.26%. Evaluation metrics indicate that segmentation effectively focuses the model on relevant tooth areas, reducing interference from unrelated backgrounds, and improving the reliability of dental caries classification. Therefore, the segmentation approach using FPN has proven to have a positive impact on enhancing the accuracy of caries classification based on deep learning. Keywords: Dental Caries, Tooth Segmentation, Deep Learning, Feature Pyramid Network (FPN), Image Classification