<![CDATA[Pemeriksaan gigi secara manual sering kali memakan waktu dan membutuhkan keahlian khusus untuk mengidentifikasi jenis-jenis gigi. Sehingga rentan terjadinya kesalahan manusia karena interpretasi manual oleh dokter atau calon dokter. Oleh karena itu dibutuhkan pendekatan komputerisasi untuk memperkecil terjadi kesalahan dan membantu proses identifikasi untuk diagnosa dini dan kelengkapan perekaman medis. Untuk meningkatkan efisiensi, penelitian ini memanfaatkan algoritma YOLOv8, teknologi Computer Vision terkini, untuk mendeteksi dan mengklasifikasikan jenis gigi secara otomatis. Dataset yang digunakan terdiri dari 724 gambar anatomi gigi yang telah dianotasi, mencakup berbagai jenis gigi seperti molar, premolar, canine, dan incisor. Model dilatih menggunakan hyperparameter seperti 30 dan 50 epochs dan ukuran gambar 640x640 piksel. Evaluasi menunjukkan bahwa model memiliki performa tinggi dengan nilai precision 94,9%, recall 94,6%, mAP 97,5%, dan F1 score 95% untuk 30 epochs dan precision 94,9%, recall 94,6%, mAP 97,5%, dan F1 score 95% untuk 50 epochs. Hasil ini membuktikan bahwa penggunaan epochs tidak mengubah banyak persentase nilai evaluasi jika memiliki komposisi dan jumlah gambar yang sama, selain itu penggunaan YOLOv8 dapat mendeteksi anatomi gigi dengan cepat dan akurat, sehingga dapat menjadi alat bantu yang andal bagi dokter gigi dalam diagnosis dan pemetaan gigi pasien. Penelitian ini juga membuka peluang untuk pengembangan sistem rekam medis digital berbasis teknologi yang lebih efisien.]]>
