Perbandingan Metode Resnet50V2 dan Densenet201 Untuk Klasifikasi Penyakit Mulut Dengan Citra RGB
Tahun 2026 · Penulis: Ikbar Saif Fadilah
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Perbandingan Metode Resnet50V2 dan Densenet201 Untuk Klasifikasi Penyakit Mulut Dengan Citra RGB
Penyakit mulut dan gigi adalah problem kesehatan umum yang dapat mengakibatkan komplikasi serius jika tidak terdeteksi sejak dini. Diagnosa konvensional melalui pemeriksaan visual masih memiliki keterbatasan, seperti ketergantungan pada pengalaman klinis dan kompleksitas variasi visual dalam kondisi lisan. Oleh karena itu, dibutuhkan pendekatan yang objektif dan otomatis untuk mendukung klasifikasi penyakit mulut. Penelitian ini bertujuan untuk membandingkan kinerja dua Convolutional Neural Network (CNN) arsitektur, yaitu ResNet50V2 dan DesenNet201, untuk mengklasifikasikan penyakit lisan menggunakan gambar RGB. Dataset yang digunakan dalam penelitian ini adalah kombinasi dari tiga data publik: Dataset Penyakit Oral, Dataset Infeksi Oral, dan Dataset Gigi, terdiri dari enam kelas, yakni kalkulus, gingivitis, kari, diskolarasi gigi, hipodontia, dan borok. Data tersebut telah diproses melalui penetapan gambar, membelah data dengan rasio 80:10:10, dan penambahan data menggunakan suara Gaussian, gerakan kabur, dan teknik penampakan. Belajar transfer diterapkan dengan dua nilai tingkat belajar (0.001 dan 0.0.0.1) dan dua fungsi kehilangan, ategoris crossentropy dan hilangnya focal, menghasilkan delapan skenario eksperimental. Penampilan model dievaluasi menggunakan akurasi, kehilangan, presisi, mengingat, dan F1-score. Hasil percobaan menunjukkan bahwa DesenNet201 umumnya outcomals ResNet50V2, terutama ketika dikombinasikan dengan hilangnya fokus dan tingkat belajar 0,0001, mencapai kinerja yang lebih seimbang dan kuat di seluruh kelas, termasuk kelas minoritas. Temuan ini menunjukkan bahwa mekanisme konektivitas yang padat dari DrenseNet201 lebih efektif dalam mengekstrak fitur kompleks dari gambar RGB oral, membuatnya lebih cocok arsitektur untuk klasifikasi penyakit oral.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,857
Tahun 2025 · Penulis: Nabillah Salsabilla
Klasifikasi Kanker Paru Menggunakan InceptionV3 Dan EfficientNet Dengan Visualisasi Grad-CAM Untuk Mendukung Diagnosis Klinis
Kanker paru merupakan salah satu penyakit dengan penderita terbanyak didunia. Kanker paru sangat sulit diagnosis karena timbul dan menunjukkan gejala pada stadium lanjutan. Oleh karena itu, untuk meminimalisir kejadian tersebut, membutuhkan dukungan keputusan
- Cosine 0,839
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 0,826
Tahun 2026 · Penulis: Ratna Puspita Eka Putri
Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree
Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas keseh