Perpustakaan Digital ITB

Penyakit gigi merupakan masalah kesehatan global yang signifikan. Berdasarkan studi Global Burden of Disease tahun 2017, sekitar 3,5 miliar orang di seluruh dunia mengalami penyakit gigi, termasuk karies yang tidak diobati, kerusakan periodontal parah, dan kehilangan gigi yang berat. Radiografi panoramik (PRs) adalah salah satu metode yang sering digunakan untuk pemeriksaan gigi karena kemampuannya untuk menunjukkan gambaran menyeluruh struktur rahang yang menyeluruh dalam satu citra. Namun, PRs juga memiliki keterbatasan seperti ketidakhadiran tiga dimensi dan potensi artefak yang dapat menghambat interpretasi yang akurat oleh para klinisi. Penelitian ini bertujuan untuk mengembangkan Computer Aided Diagnosis (CAD) berbasis kecerdasan buatan (AI) yang memanfaatkan PRs untuk meningkatkan akurasi dan efisiensi deteksi kelainan gigi. Metodologi yang diterapkan melibatkan pelatihan dua model, yaitu Mask R-CNN untuk Instance Segmentation (ISeg) yang mencakup segmentasi sekaligus penentuan bounding box (Bbox) dan ResNet50 untuk klasifikasi. Mask R-CNN dilatih menggunakan dataset tanpa label penyakit sementara ResNet50 menggunakan hasil cropping dari dataset yang berlabel penyakit. Kedua model tersebut kemudian digabungkan melalui transfer learning dan dilatih lebih lanjut dengan dataset yang berlabel penyakit untuk meningkatkan performa sistem secara keseluruhan. Hasil penelitian menunjukkan bahwa sistem AI yang dikembangkan mencapai skor 90,1% untuk akurasi Segmentasi dan Bbox. Sementara untuk klasifikasi menunjukkan skor Precision sebesar 90%, Recall 91,2%, Accuracy 91,2%, dan F1 Score 90,5%. Sistem ini terbukti meningkatkan efisiensi dan objektivitas dalam analisis citra PRs gigi serta mampu memproses citra lebih cepat dibandingkan metode konvensional. Meskipun demikian, masih terdapat tantangan dalam deteksi akurat untuk kelainan seperti Deep Caries dan Periapical Lesions, yang menunjukkan perlunya pengembangan lebih lanjut pada model untuk meningkatkan akurasi deteksi pada kelas-kelas tersebut. Kata Kunci : Radiografi Panoramis, Mask R-CNN, Kecerdasan Buatan, Kelainan Gigi, Instance Segmentation, Classification, ResNet50