Electronic Theses and Dissertation

Kesehatan gigi dan mulut merupakan masalah krusial yang membutuhkan sistem deteksi dini yang akurat. Deteksi dini sangat penting karena berperan dalam mencegah kerusakan gigi yang lebih parah serta menghindari komplikasi serius. Namun, model deteksi yang ada saat ini masih kurang efektif, terutama ketika hanya mengandalkan model klasifikasi individu. Pendekatan tersebut menghadapi berbagai tantangan, seperti akurasi yang terbatas dan hasil prediksi yang tidak stabil. Kelemahan ini pada akhirnya dapat menghambat proses diagnostik, memperlambat pengambilan keputusan klinis, serta meningkatkan risiko kesalahan dalam perawatan pasien. Untuk mengatasi tantangan ini, studi ini mengusulkan pendekatan ensemble voting yang mengintegrasikan lima model deep learning, seperti ResNet152, MobileNetV2, InceptionV3, NasNetMobile, dan EfficientNetB5, untuk meningkatkan akurasi dan stabilitas deteksi karies gigi. Setiap model dilatih dan diuji secara independen pada dataset citra medis yang sama. Hasil prediksi kemudian digabungkan menggunakan metode soft voting dan hard voting, di mana kelas akhir ditentukan berdasarkan aturan mayoritas dari lima model untuk hard voting dan probablitas setiap model untuk soft voting. Pendekatan ini memanfaatkan keunggulan komplementer dari masing-masing model, sehingga mampu mengurangi kelemahan model individu dan menghasilkan prediksi yang lebih konsisten. Hasil evaluasi menunjukkan bahwa metode ensemble voting, khususnya hard voting secara signifikan mengungguli model tunggal terbaik, yaitu EfficientNetB5. Akurasi meningkat dari 84,85% menjadi 88,64%, meningkat 3,79%, F1-score dari 85,92% menjadi 89,21%, meningkat 3,29%, dan recall dari 92,42% menjadi 93,94% meningkat 1,52%. Selain itu, nilai AUC sebesar 0,89 pada kurva ROC menunjukkan kemampuan diskriminatif yang sangat baik dan stabil dalam membedakan kasus karies dan normal. Metode ini juga terbukti tangguh terhadap variasi kualitas dan karakteristik citra, sehingga menghasilkan prediksi yang seimbang dan andal. Dengan demikian, penelitian ini berkontribusi pada pengembangan teknologi diagnostik berbasis kecerdasan buatan untuk deteksi karies gigi yang lebih cepat, akurat, dan stabil. Temuan ini menegaskan bahwa integrasi model melalui ensemble hard voting mampu memberikan peningkatan kinerja yang signifikan dibandingkan pendekatan model tunggal.

Keywords: Karies gigi, Deep learning, Klasifikasi individu, Ensemble voting, Hard Voting, Peningkatan kinerja

Oral health, particularly dental caries, is a critical issue that requires an accurate early detection system. Early detection plays a vital role in preventing severe tooth decay and serious complications. However, current models are still ineffective and inaccurate, with the use of individual classification models for caries detection still facing significant challenges, such as limited accuracy and unstable prediction results. These weaknesses can hinder the diagnostic process, delay clinical decision-making, and increase the risk of errors in patient care. To address these challenges, this study proposes an ensemble voting approach that integrates five advanced deep learning models, including ResNet152, MobileNetV2, InceptionV3, NasNetMobile, and EfficientNetB5, to enhance the accuracy and stability of dental caries detection. Each model was trained and tested independently on the same medical image dataset. Predictions were then combined using an ensemble voting method, where the final class was determined based on the majority rule among the five models for hard voting, and the probability of prediction for each model for soft voting. This approach leveraged the complementary strengths of each model, thereby reducing individual weaknesses and producing more consistent predictions. Evaluation results showed that the ensemble voting, especially the hard voting ensemble method, significantly outperformed the best single model, EfficientNetB5. Accuracy increased from 84.85% to 88.64%, an increase of 3.79%, the F1 score from 85.92% to 89.21%, a rise of 3.29%, and recall from 92.42% to 93.94%, an increase of 1.52%. Additionally, an AUC value of 0.89 on the ROC curve indicates excellent and stable discriminatory ability in distinguishing between caries and non-caries cases. This method also demonstrates strong robustness against variations in image quality and characteristics, resulting in balanced and reliable predictions. The ensemble voting method effectively utilises the complementary strengths of each deep learning model to improve the detection accuracy and stability of fast, reliable, and accurate dental caries early detection prediction. These findings demonstrate that model integration through ensemble hard voting yields a significant performance enhancement over an individual model approach. Keywords: Dental caries; Deep learning; Individual classification; Ensembel voting; Hard voting; Performance enhancement