Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Muhammad Cahya Rifqi
Universitas Pamulang
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Efektivitas Model Convolutional Neural Network (CNN) dalam Mendiagnosis Maloklusi Gigi Berdasarkan Foto Senyum Muhammad Cahya Rifqi; Intan Kumalasari
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12881

Abstract

Maloklusi merupakan kondisi susunan gigi atau hubungan antara rahang atas dan rahang bawah yang tidak berada pada posisi sebagaimana mestinya, dan pemeriksaannya pada umumnya dilakukan secara langsung oleh dokter gigi atau ortodontis. Perkembangan teknologi kecerdasan buatan membuka peluang pemanfaatan citra digital untuk membantu proses pengenalan kondisi gigi secara otomatis. Penelitian ini menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mengklasifikasikan foto senyum menjadi dua kategori, yaitu normal dan maloklusi. Dataset terdiri atas 1.000 citra yang dibagi menjadi data training, validation, dan testing. Sebelum pelatihan, citra disesuaikan menjadi ukuran 224 x 224 piksel dan melalui tahap preprocessing serta augmentasi data. Model dikembangkan menggunakan pendekatan transfer learning dengan memanfaatkan bobot awal ImageNet, dan kinerjanya dievaluasi menggunakan accuracy, precision, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan model mencapai accuracy sebesar 95%, dengan kelas maloklusi memperoleh precision 0,96, recall 0,94, dan F1-score 0,95, sedangkan kelas normal memperoleh precision 0,94, recall 0,96, dan F1-score 0,95. Model yang telah dilatih selanjutnya diimplementasikan pada aplikasi web dengan fitur unggah foto, prediksi, penyimpanan riwayat menggunakan SQLite, dan pembuatan laporan PDF. Pengujian Black Box menunjukkan seluruh fungsi utama aplikasi berjalan sesuai rancangan. MobileNetV2 terbukti dapat digunakan untuk klasifikasi awal kondisi normal dan maloklusi berdasarkan foto senyum, namun sistem yang dikembangkan hanya ditujukan sebagai alat bantu skrining awal dan bukan pengganti pemeriksaan klinis oleh dokter gigi atau ortodontis.
Co-Authors Intan Kumalasari