<![CDATA[Kesehatan gigi merupakan aspek penting dalam menjaga kualitas hidup seseorang, namun deteksi dini gigi berlubang masih sering dilakukan secara manual oleh tenaga medis sehingga memerlukan waktu dan keahlian khusus. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra gigi otomatis berdasarkan dua kelas, yaitu gigi tidak berlubang dan gigi berlubang, menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Arsitektur model yang digunakan adalah NASNetMobile, yang dikenal ringan namun tetap memiliki performa baik. Dataset diperoleh dari berbagai sumber daring, kemudian dibagi menjadi data latih, validasi, dan uji. Proses pra-pemrosesan mencakup normalisasi, perubahan ukuran citra, serta augmentasi data untuk memperkaya variasi sekaligus meningkatkan kemampuan generalisasi model. Pelatihan dilakukan pada platform Google Colab dengan pengaturan epoch, batch size, serta early stopping untuk mencegah overfitting. Evaluasi model menggunakan metrik akurasi, confusion matrix, dan classification report. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan gigi tidak berlubang dan gigi berlubang dengan akurasi sebesar 89,47% pada data uji. Selain itu, sistem juga diimplementasikan dalam bentuk website sederhana yang memungkinkan pengguna mengunggah gambar gigi dan memperoleh hasil klasifikasi secara langsung. Dengan capaian tersebut, sistem yang dikembangkan tidak hanya menunjukkan performa teknis yang baik, tetapi juga berpotensi menjadi alat bantu dalam proses skrining awal kesehatan gigi. Diharapkan, penerapan sistem ini dapat mendukung pelayanan kesehatan gigi yang lebih efisien, cepat, dan mudah diakses oleh masyarakat luas.]]>
Copyrights © 2026
