<![CDATA[Kesehatan gigi dan mulut merupakan permasalahan signifikan di Indonesia, dengan karies gigi sebagai kondisi yang paling dominan. Deteksi dini karies gigi secara konvensional memerlukan kunjungan langsung ke dokter gigi, yang dapat terhambat oleh dental anxiety dan keterbatasan akses. Penelitian ini mengusulkan sistem klasifikasi karies gigi berbasis citra intraoral menggunakan framework Flask dengan pendekatan multi-stage pipeline. Tahap pertama adalah deteksi gigi menggunakan Mask R-CNN yang mencapai performa optimal pada epoch ke-10 dengan nilai F1score sebesar 0,8865, presisi sebesar 0,8355, dan recall sebesar 0,9442. Model ini secara efektif mampu mendeteksi dan mensegmentasi objek gigi untuk keperluan ekstraksi Region of Interest (ROI). Tahap selanjutnya adalah klasifikasi tingkat keparahan karies berdasarkan standar ICDAS menggunakan Convolutional Neural Network (CNN). Hasil pengujian menunjukkan arsitektur MobileNetV3 dengan Focal Loss memberikan performa terbaik dengan akurasi 76,4% dan Macro F1-score 0,7635. Pemetaan lokasi karies menggunakan Grad-CAM dan K-Means Clustering dengan metode Otsu Thresholding menghasilkan Silhouette Score 0,516. Sistem ini memiliki waktu pemrosesan total sekitar 1,5 detik per citra, sehingga layak digunakan sebagai alat pendukung skrining karies awal. Kata Kunci: Karies Gigi, Mask R-CNN, Convolutional Neural Network, K-Means Clustering ]]>
Copyrights © 2026
