Analisis Penerapan Deep Learning CNN untuk Kepentingan Klasifikasi Kondisi Gigi Berbasis Citra X-Ray
Tahun 2025 · Penulis: Mario Ari Refangga
Faculty of Teacher Training and Education, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kesehatan gigi dan mulut merupakan salah satu aspek penting dari kesehatan seseorang yang tidak boleh diabaikan. Masalah umum seperti gigi berlubang, implan gigi, impaksi gigi, dan gigi tambalan dapat dicegah atau diatasi dengan perawatan yang tepat. Teknologi citra X-Ray memainkan peran penting dalam diagnosis dan perawatan masalah ini, membantu mendeteksi kerusakan, menentukan posisi implan, dan mengevaluasi hasil perawatan. Namun, interpretasi manual citra X-Ray memiliki keterbatasan seperti waktu yang lama dan hasil yang bervariasi. Teknologi deep learning, khususnya Convolutional Neural Network (CNN) telah menunjukkan potensi besar dalam mengotomatiskan serta meningkatkan akurasi diagnosis pada klasifikasi citra. Terkait hal ini kondisi yang akan klasifikasi terdiri dari 5 kelas yaitu Normal, Cavity, Impacted Tooth, Impacted, dan Fillings. Convolution Neural Network (CNN) memiliki tiga layer, diataranya yaitu input layer, feature learning/hidden layer, dan output layer. Pada input layer terdapat data input berupa citra klasifikasi kondisi gigi yang terdiri dari 5 kelas yang sudah dilakukan resize dengan ukuran 32 × 32 piksel dengan 3 channel warna (RGB). Arsitektur CNN melalui dua tahapan yaitu ekstraksi fitur dan klasifikasi. Proses ekstraksi fitur dalam CNN mencakup beberapa hidden layer, yaitu lapisan konvolusi, lapisan aktivasi (ReLU), dan lapisan pooling. Sedangkan pada proses klasifikasi menggunakan fully-connected layer. Dua tahapan tersebut diakhiri dengan fungsi aktivasi (softmax) untuk optimasi pada proses CNN sehingga didapatkan probabilitas setiap kelas untuk prediksi akhir. Proses evaluasi model dilakukan menggunakan metode (K-fold Cross-Validation) dengan membagi menjadi 5 fold, dengan parameter pelatihan berupa jumlah epoch sebanyak 100, ukuran batch 64, Kemudian data juga dibagi menjadi Training dan Testing. Pada data Training akan dilakukan pelatihan, dan pada data Testing akan dilakukan prediksi model pada data yang sudah dilatih untuk menghasilkan probabilitas untuk setiap kelas. Hasil pengujian model menunjukkan bahwa nilai metrik pada confusion matrix seperti Recall 92.11%-100%, precision 88.24%-100%, accuracy 97%-100% dan F1-Score 92.54%-100%. Hasil ini menunjukkan bahwa model CNN mampu mengenali dan mengklasifikasikan seluruh data uji dengan baik.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,864
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild,
- Cosine 0,844
Tahun 2026 · Penulis: Nailatul Khoiriyah
Klasifikasi Tingkat Konsentrasi Larutan Berdasarkan Citra Pola Difraksi Menggunakan Metode Convolutional Neural Network (CNN)
Menentukan konsentrasi larutan adalah parameter penting dalam berbagai bidang ilmiah, seperti kimia, fisika, dan industri. Salah satu metode yang dapat digunakan untuk mengidentifikasi konsentrasi solusi adalah melalui analisis pola difraksi cahaya yang terben
- Cosine 0,832
Tahun 2023 · Penulis: Aldhilah Ilham Permana Triaji
"Prostetik Robot Robot Robot Perancangan" Tangan Berbasis Convolutional Neural Network - "Long-short Term Memory Menggunakan Electromiograph"
Kehilangan bagian tubuh pada manusia terutama bagian tangan dapat disebabkan oleh dua faktor yaitu kelainan kongenital dan atau amputasi dikarenakan kecelakaan. Robot prostetik tangan diharapkan dapat menggantikan fungsi tangan manusia dalam kegiatan sehari-ha