Electronic Theses and Dissertation

Karies gigi merupakan tantangan kesehatan global yang memerlukan deteksi dini guna mencegah kerusakan permanen dan beban ekonomi kesehatan yang tinggi. Meskipun teknologi Deep Learning menunjukkan potensi besar, terdapat keterbatasan signifikan pada ketahanan model terhadap variasi citra dari perangkat mobile kelas bawah serta efisiensi komputasi pada lingkungan terbatas. Penelitian ini bertujuan untuk mengonstruksi sebuah model deteksi karies yang robust dan efisien melalui optimalisasi arsitektur MobileNetV2 dengan fokus pada adaptabilitas perangkat edge.
Metodologi yang diusulkan mengintegrasikan teknik Fine-Tuning pada lapisan Deep Layers guna mempertajam ekstraksi fitur morfologi tekstur demineralisasi karies yang dikombinasikan dengan strategi Mixup untuk mengatasi ketidakseimbangan data dan memperluas batas keputusan model (decision boundary). Untuk mendukung implementasi pada perangkat dengan sumber daya terbatas dilakukan optimasi melalui Quantization yang secara efektif mereduksi redundansi parameter model guna mempercepat waktu inferensi tanpa mengorbankan akurasi klinis secara signifikan.
Hasil eksperimen pada dataset aktual menunjukkan performa superior dengan Akurasi sebesar 96,00% serta nilai Presisi dan Recall masing-masing sebesar 0,96, yang terbukti signifikan secara statistik (p

Dental caries represents a significant global health challenge that necessitates early detection to prevent permanent damage and high healthcare economic burdens. While Deep Learning technology shows great potential, there are significant limitations regarding model robustness against image variations from low-end mobile devices and computational efficiency in constrained environments. This study aims to construct a robust and efficient caries detection model through the optimization of the MobileNetV2 architecture, focusing on edge device adaptability. The proposed methodology integrates Fine-Tuning techniques on Deep Layers to sharpen the feature extraction of caries demineralization texture morphology, combined with a Mixup strategy to address data imbalance and expand the model's decision boundary. To support implementation on resource-constrained devices, optimization is performed through Quantization, which effectively reduces model parameter redundancy to accelerate inference time without significantly sacrificing clinical accuracy. Experimental results on an actual dataset demonstrate superior performance with an Accuracy of 96.00% and Precision and Recall values of 0.96 each, which are proven to be statistically significant (p