<![CDATA[Gingivitis merupakan peradangan pada jaringan gingiva yang dapat berkembang menjadi penyakit periodontal yang lebih serius apabila tidak ditangani sejak dini. Penelitian ini bertujuan untuk membandingkan kinerja arsitektur SSD300-VGG16, YOLOv8n, YOLOv11n, dan RF-DETR Nano dalam mendeteksi gingivitis pada citra intraoral, serta menganalisis pengaruh augmentasi data terhadap performa model. Dataset yang digunakan terdiri dari 1.095 citra intraoral dengan 12.829 anotasi objek yang dibagi menjadi data training, validation, dan testing. Evaluasi model dilakukan menggunakan metrik mAP@0.5, precision, recall, F1-score, dan waktu inferensi. Hasil penelitian menunjukkan bahwa RF-DETR Nano memberikan performa terbaik dengan mAP 69,37%, precision 57,70%, recall 88,00%, F1-score 69,70%, dan waktu inferensi 17,85 ms. YOLOv8n memperoleh mAP 62,45%, precision 53,54%, recall 90,99%, F1-score 67,41%, dan waktu inferensi 6,18 ms, sedangkan YOLOv11n memperoleh mAP 57,79%, precision 50,54%, recall 90,43%, F1-score 64,84%, dan waktu inferensi 6,45 ms. SSD300-VGG16 menunjukkan performa terendah dengan mAP 29,25%, precision 63,65%, recall 45,15%, F1-score 52,82%, dan waktu inferensi 6,05 ms. Selain itu, augmentasi data secara umum meningkatkan performa deteksi pada seluruh model tanpa memberikan pengaruh signifikan terhadap waktu inferensi. Kata kunci: gingivitis, citra intraoral, YOLO, SSD, RF-DETR.]]>
Copyrights © 2026
