IMPLEMENTASI DEEP LEARNING UNTUK SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN YOLOv8

Luqyana, Mahdiyah (2024) IMPLEMENTASI DEEP LEARNING UNTUK SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN YOLOv8. S1 thesis, Universitas Andalas.

	Text (COVER DAN ABSTRAK) COVER DAN ABSTRAK.pdf - Published Version Download (255kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Download (200kB)
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Download (161kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Download (170kB)
	Text (SKRIPSI FULL TEXT) FULL SKRIPSI.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Kedokteran gigi modern semakin bergantung pada teknologi pencitraan digital untuk membantu diagnosis dan perencanaan perawatan. Citra panoramik gigi merupakan salah satu metode pencitraan yang penting karena memberikan gambaran lengkap tentang struktur gigi dan tulang rahang. Namun, segmentasi manual citra gigi sering kali membutuhkan waktu dan tenaga ahli yang signifikan, sehingga muncul kebutuhan untuk mengembangkan metode otomatis yang dapat meningkatkan efisiensi dan akurasi. Penelitian ini bertujuan untuk menerapkan algoritma deep learning YOLOv8 dalam segmentasi citra panoramik gigi guna memfasilitasi diagnosis dan analisis penyakit gigi secara lebih akurat dan efisien. Metode yang digunakan melibatkan proses pemilihan ROI (Region Of Interest) yang dilakukan pada platform roboflow untuk memisahkan setiap gigi berdasarkan nomenklatur gigi. Dataset yang digunakan terdiri dari 302 citra panoramik gigi dengan 32 kelas gigi, dan total 9009 gigi telah dilabeli secara manual sesuai dengan jenis masing-masing gigi. Hasil penelitian menunjukkan bahwa model YOLOv8 mampu mencapai akurasi sebesar 93,72%, precision 92,67%, recall 98,88%, dan F1-Score sebesar 95,58%. Nilai F1-Score ini mengindikasikan keseimbangan yang baik antara kemampuan model dalam mengidentifikasi objek gigi secara tepat dan menangkap semua objek gigi yang ada. Meskipun demikian, terdapat 1,44% kasus false negative, yang menunjukkan bahwa beberapa sampel gigi gagal terdeteksi oleh model, sehingga dapat mempengaruhi confidence score dalam diagnosis. Secara keseluruhan, implementasi YOLOv8 menunjukkan potensi besar dalam segmentasi gigi otomatis, meskipun penyesuaian lebih lanjut diperlukan untuk mencapai hasil yang lebih optimal. Penelitian ini diharapkan dapat berkontribusi pada pengembangan teknologi berbasis kecerdasan buatan untuk meningkatkan efisiensi dan akurasi diagnosis dalam bidang kedokteran gigi.

Actions (login required)

View Item