Detail Cantuman

Karies gigi adalah salah satu masalah kesehatan gigi yang paling umum di dunia. Penyakit ini terjadi akibat proses demineralisasi jaringan keras gigi, seperti enamel dan dentin, yang disebabkan oleh aktivitas bakteri dalam plak gigi. Penelitian ini bertujuan untuk melakukan klasifikasi citra penyakit gigi karies menggunakan kombinasi arsitektur Xception sebagai ekstraksi fitur dan Light Gradient Boosting Machine (LGBM) sebagai model klasifikasi. Xception dipilih karena kemampuannya dalam mengekstraksi fitur mendalam dari citra medis dengan representasi yang lebih optimal, sedangkan LGBM digunakan untuk meningkatkan kinerja klasifikasi melalui pendekatan berbasis gradient boosting yang efisien. Data yang digunakan terdiri dari dua kelas, yaitu (1) karies dan (2) normal. Proses penelitian diawali dengan tahap preprocessing citra, dilanjutkan dengan ekstraksi fitur menggunakan Xception, kemudian hasil ekstraksi tersebut menjadi input bagi LGBM untuk proses klasifikasi. Hasil eksperimen menunjukkan bahwa model Xception memperoleh akurasi tertinggi sebesar 87,62%, sedangkan kombinasi Xception-LGBM mampu meningkatkan akurasi hingga 94,13%. Temuan ini membuktikan bahwa integrasi Xception dan LGBM dapat meningkatkan kinerja klasifikasi citra penyakit gigi karies dibandingkan hanya menggunakan Xception.

Dental caries is one of the most common oral health problems worldwide. This disease occurs as a result of the demineralization of hard dental tissues, such as enamel and dentin, caused by bacterial activity in dental plaque. This study aims to classify dental caries images using a combination of the Xception architecture for feature extraction and the Light Gradient Boosting Machine (LGBM) as the classification model. Xception was chosen for its ability to extract deep features from medical images with more optimal representations, while LGBM was employed to improve classification performance through an efficient gradient boosting approach. The dataset used consists of two classes: (1) caries and (2) normal. The research process began with image preprocessing, followed by feature extraction using Xception, and the extracted features were then used as input for LGBM in the classification stage. Experimental results showed that the Xception model achieved a highest accuracy of 87.62%, while the Xception-LGBM combination improved accuracy to 94.13%. These findings demonstrate that integrating Xception with LGBM enhances the performance of dental caries image classification compared to using Xception alone.