<![CDATA[Karies sekunder sulit dideteksi secara dini melalui metode visual-taktil, sementara radiografi konvensional memiliki risiko paparan berbahaya bagi pasien dan tenaga medis. Metode NILT terbukti lebih efektif sebagai alternatif pemeriksaan, tetapi interpretasi citranya masih memerlukan keahlian klinis tinggi, mendorong pemanfaatan deep learning sebagai pendekatan otomatis yang objektif. Integrasi hasil deteksi ke dalam CDSS berbasis LLM dengan pendekatan RAG selanjutnya diperlukan agar temuan dapat diterjemahkan menjadi rekomendasi klinis yang actionable sekaligus memitigasi risiko halusinasi. Penelitian ini mengembangkan CDSS berbasis NILT yang mengintegrasikan hardware akuisisi citra custom, YOLO instance segmentation dengan preprocessing CLAHE, dan pipeline RAG berbasis Gemma3:12B untuk pembuatan laporan klinis otomatis. Dari empat varian model yang dilatih pada 555 citra NILT, YOLOv8s memberikan performa terbaik (Precision 0,907; Recall 0,857; mAP50 0,907; mAP5095 0,655), dengan evaluasi RAG menghasilkan RAGAS Faithfulness 5,00 dan Answer Relevancy 4,75, G-Eval seluruh dimensi ≥4,20, serta human-centered evaluation 3,60–4,40 (dokter gigi) dan 4,50–4,75 (pasien awam), mengonfirmasi sistem sebagai proof-of-concept CDSS berbasis NILT yang efektif untuk deteksi karies sekunder tanpa risiko paparan radiasi. Kata Kunci—karies sekunder, NILT, YOLO, RAG, CDSS ]]>
Copyrights © 2026
