Detail Cantuman

Penelitian ini menggabungkan beberapa model untuk mengurangi oveffiting, keterbatasan variasi representasi fitur, dan meningkatkan hasil kinerja klasifikasi pada klasifikasi penyakit gigi karies. Penelitian ini mengusulkan pelatihan model EfficientNet-B0 dan EfficientNet-B3 secara individu dengan konfigurasi hyperparameter yang berbeda. Metode ensemble berupa average ensemble dan stacking ensemble digunakan untuk menggabungkan hasil prediksi kedua model. Performa sistem dievaluasi menggunakan metrik akurasi, recall, precision, dan F1-score. Hasil terbaik menunjukan akurasi 79,46% dengan peningkatan 0.89% yang digabungkan dengan average ensemble dan akurasi 79,02% dengan peningkatan 0,45% dari penggabungan stacking ensemble. Hasil yang mungkin berpotensi dalam menyediakan klasifikasi penyakit gigi karies.

This study integrates multiple models to reduce overfitting, address the limitations of feature representation variations, and improve classification performance in dental caries disease classification. The proposed approach involves training EfficientNet-B0 and EfficientNet-B3 models individually with different hyperparameter configurations. Ensemble methods, namely average ensemble and stacking ensemble, are applied to combine the prediction results of both models. The system’s performance is evaluated using accuracy, recall, precision, and F1-score metrics. The best results show an accuracy of 79.46% with an improvement of 0.89% using average ensemble, and an accuracy of 79.02% with an improvement of 0.45% using stacking ensemble. These findings demonstrate potential in providing effective classification of dental caries disease.