Penyakit periodontal adalah masalah kesehatan gigi yang umum terjadi dan dapat menyebabkan kehilangan gigi jika tidak diobati dengan baik. Deteksi dini dan diagnosis yang akurat sangat penting untuk mengurangi dampak penyakit tersebut. Penelitian ini membandingkan dua model Convolutional Neural Network (CNN), yaitu ResNet-50 dan EfficientNet-B3, dalam melakukan klasifikasi penyakit periodontal berbasis data citra gigi berwarna. Hasil eksperimen menunjukkan bahwa EfficientNet-B3 mencapai akurasi klasifikasi sebesar 84.09%, sementara ResNet-50 mencapai akurasi sebesar 75%. Precision dari model EfficientNet-B3 adalah 80% dibandingkan dengan 66.67% pada model ResNet. Recall dari model EfficientNet-B3 adalah 75%, sementara ResNet adalah 62.5%. F1-score dari EfficientNet-B3 adalah 77.42%, sedangkan ResNet adalah 64.52%. Perbedaan performansi ini menunjukkan keunggulan EfficientNet-B3 dalam mengklasifikasikan penyakit periodontal menggunakan citra gigi berwarna. Keunggulan dari model EfficientNet-B3 ini membuktikan adanya potensi besar dalam meningkatkan akurasi dan efisiensi diagnosis otomatis penyakit periodontal. Penggunaan model CNN memungkinkan proses diagnosis dilakukan lebih cepat dan akurat. Pengembangan lebih lanjut dapat dilakukan untuk meningkatkan akurasi dan keandalan sistem diagnostik berbasis AI di bidang kedokteran gigi, yang pada akhirnya dapat mengurangi beban kerja para profesional kesehatan gigi dan meningkatkan hasil klinis bagi pasien.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal Elektro dan Telekomunikasi Terapan agrees to the following terms:
Read more about the Creative Commons Attribution-NonCommercial 4.0 International License. here: http://creativecommons.org/licenses/by-nc/4.0/.
Privacy Statement
The names and email addresses entered in this journal site will be used exclusively for the stated purposes of this journal and will not be made available for any other purpose or to any other party.