<![CDATA[Penyakit gigi dan mulut menjadi salah satu masalah kesehatan yang paling umum di Indonesia, dengan prevalensi mencapai 57,6% populasi menurut Survei Kesehatan Indonesia. Proses diagnosis konvensional masih sangat bergantung pada pemeriksaan visual manual oleh dokter gigi, yang memiliki keterbatasan dari segi waktu, subjektivitas, dan aksesibilitas. Penelitian ini mengembangkan sistem deteksi penyakit gigi berbasis deep learning yang mengintegrasikan arsitektur YOLOv8 untuk object detection dan ResNet-18 untuk image classification dalam sebuah pipeline ensemble. Sistem dirancang untuk mendeteksi enam jenis kelainan gigi: karies, karang gigi, radang gusi, hipodontia, sariawan, dan diskolorasi gigi dari foto kamera ponsel. Dataset yang digunakan berjumlah 11.957 citra yang dibagi menjadi 70% data latih, 15% validasi, dan 15% pengujian. Teknik weighted sampling diimplementasikan untuk menangani ketimpangan kelas dengan rasio 7,96x. Pelatihan ResNet-18 menggunakan optimizer Adam (learning rate 0,001) dengan fungsi kerugian CrossEntropyLoss berbobot kelas dinamis. Hasil evaluasi menunjukkan YOLOv8 mencapai mAP@50 sebesar 88,17%, sementara ResNet-18 memperoleh akurasi klasifikasi 92,25% dengan F1-Score 92,37%. Validasi statistik 5-Fold Cross Validation mengonfirmasi stabilitas ResNet-18 (Standar Deviasi = ±0,45%) dan YOLOv8 (Standar Deviasi = ±1,95%). Sistem ini diimplementasikan dalam aplikasi web menggunakan FastAPI dan Next.js pada GPU NVIDIA T4, dengan latensi end-to-end 2-4 detik, serta dilengkapi modul Grad-CAM untuk interpretabilitas prediksi.]]>
