Deteksi Kondisi Gigi Manusia pada Citra Intraoral Menggunakan YOLOv5

Abstract

Proses identifikasi dan pencatatan rekam medis pada praktik kedokteran gigi masih dilakukan secara manual. Akibatnya, proses tersebut memakan waktu yang cukup lama. Pada penelitian ini metode deteksi objek dimanfaatkan untuk membantu dokter melakukan identifikasi pada gigi pasien. YOLOv5 dipilih untuk dilatihkan pada dataset citra intraoral dengan lima kelas kondisi gigi (normal, karies, tumpatan, sisa akar, dan impaksi). Dataset yang digunakan berjumlah 1.767 data citra intraoral yang diambil dan dilabeli oleh dokter gigi. Dataset dibagi menjadi tiga bagian, 10% digunakan untuk data testing dan 90% digunakan untuk data training dan validation. Dilakukan komparasi performa berdasarkan nilai metrik evaluasi terhadap tiga jenis model YOLOv5 (S, M, L). Dari hasil pelatihan, YOLOv5 M sebagai model terbaik mendapatkan nilai mAP sebesar 84%, dan 82% nilai akurasi testing. Penelitian ini telah memenuhi tujuan utama untuk membangun sebuah model deep learning yang robust untuk mendeteksi dan mengklasifikasi beberapa kondisi gigi pada manusia.