Detail Cantuman

Penyakit gigi dan mulut merupakan salah satu permasalahan kesehatan yang berdampak signifikan terhadap kualitas hidup masyarakat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit gigi dan mulut menggunakan metode Transfer learning Densenet-201. Dataset yang digunakan terdiri dari 5.143 citra dengan 7 kelas penyakit, yang telah melalui proses balancing menggunakan SMOTE dan augmentasi untuk meningkatkan variasi data. Arsitektur model memanfaatkan Densenet-201, optimasi model dilakukan dengan Adam optimizer serta penggunaan EarlyStopping untuk mencegah overfitting. Hasil eksperimen menunjukkan bahwa konfigurasi diperoleh pada batch size 64, learning rate 0,0001, dan epoch 20, dengan akurasi validasi mencapai 98%. Pada pengujian menggunakan 516 citra uji, model berhasil mencapai akurasi 99%, serta nilai precision, recall, dan F1-score rata-rata di atas 97% untuk seluruh kelas.

Dental and oral diseases are one of the health problems that significantly impact people's quality of life. This study aims to develop a classification model for dental and oral diseases using the Densenet-201 Transfer learning method. The dataset used consists of 5,143 images with 7 disease classes, which have gone through a balancing process using SMOTE and augmentation to increase data variation. The model architecture utilizes Densenet-201, model optimization is performed with the Adam optimizer and the use of EarlyStopping to prevent overfitting. Experimental results show that the configuration is obtained at a batch size of 64, a learning rate of 0.0001, and 20 epochs, with a validation accuracy reaching 98%. In testing using 516 test images, the model successfully achieved 99% accuracy, and average precision, recall, and F1-score values above 97% for all classes.