Identifikasi Jenis Kelamin dan Estimasi Usia Berdasarkan Area Mandibula pada Citra Radiografi Panoramik

Nafiiyah, Nur (2023) Identifikasi Jenis Kelamin dan Estimasi Usia Berdasarkan Area Mandibula pada Citra Radiografi Panoramik. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111960010008-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Radiografi panoramik dapat digunakan untuk melakukan identifikasi jenis kelamin dan estimasi usia pada individu hidup atau mati. Selama ini, identifikasi jenis kelamis dan estimasi usia dilakukan secara manual dengan menggunakan berbagai macam metode antara lain melalui metode morfologis atau nonmetrik, metrik, morfometrik (pengukuran) geometris dan molekular. Penelitian ini bertujuan untuk mengembangkan metode otomatis berbasis komputer untuk identifikasi jenis kelamin dan estimasi usia menggunakan mandibula pada radiografi panoramik.
Tahapan proses pada penelitian ini adalah segmentasi mandibula, ekstraksi fitur mandibula, klasifikasi jenis kelamin, serta estimasi usia. Metode segmentasi mandibula yang diusulkan adalah ensemble segmentasi dengan model MobileNetV2. Adapun fitur mandibula yang digunakan dalam menentukan jenis kelamin dan estimasi usia dilakukan secara otomatis dengan mengusulkan pendekatan ekstraksi fitur/parameter mandibula. Fitur atau parameter pada mandibula yang diambil yaitu: ramus height left, ramus height right, ramus length left, ramus length right, bigonial width, bicondylar breadth, anterior mandibular corpus height left, anterior mandibular corpus height right, mandibular corpus length.
Identifikasi Jenis kelamin dan estimasi usia yang akan diusulkan dalam penelitian ini dilakukan secara otomatis dengan menggunakan metode mesin pembelajaran berbasis Multitask Learning. Multitask Learning adalah dalam satu model dapat menghasilkan dua output, yaitu identifikasi jenis kelamin, dan estimasi usia. Pengembangan metode ini diharapkan dapat membantu pihak hukum ataupun tim forensik dalam mengidentifikasi jenis kelamin dan estimasi usia secara otomatis, sehingga proses pelaksanaan identifikasi dapat dilakukan dengan lebih efektif dan efisien.
Hasil segmentasi mandibula menunjukkan ensemble dengan menggabungkan citra asli, citra enhancement metode Ying dan DHE mempunyai nilai dice 0,97. Hasil segmentasi ensemble citra asli dengan kombinasi citra enhancement metode Ying dan DHE memiliki tampilan mandibula yang lengkap dan utuh. Cara menghasilkan fitur/parameter mandibula secara otomatis dengan menentukan titik landmark mandibula; titik kondilus, titik gonion, titik ramus, dan titik body mandibula dengan regresi linear. Dari titik landmark mandibula sebanyak 10 titik diukur jarak menggunakan distance euclidean untuk mendapatkan parameter mandibula. Parameter mandibula sebanyak sembilan; ramus height (menghubungkan titik kondilus dengan gonion), ramus length (menghubungkan titik ramus dengan ramus), bigonial width (menghubungkan titik gonion dengan gonion), bicondylar breadth (menghubungkan titik kondilus dengan kondilus), anterior mandibular corpus height (menghubungkan titik gonion dengan body mandibula bawah), dan mandibular corpus length (menghubungkan titik body mandibula atas dengan bawah). Model multitask learning dengan input parameter mandibula dengan arsitektur [9-18-36-[1 5]] mempunyai akurasi tertinggi jenis kelamin 54% dan estimasi usia 25%. Dari hasil uji coba data parameter mandibula mempunyai akurasi yang kurang maksimal, selanjutkan melakukan uji coba dengan data input mandibula citra radiografi panoramik. Uji coba model multitask learning dengan arsitektur bagian layer hidden dan output adalah (32-64-128-[1 5]) mempunyai akurasi rata-rata yang baik, yaitu jenis kelamin 93%, dan estimasi usia 88%.
======================================================================================================================================
Panoramic radiographs can identify the gender and estimate the age of living or dead individuals. So far, gender identification and age estimation have been done manually using various methods, including morphological or non-metric, metric, geometric and molecular morphometric (measurement) methods. This study aims to develop a computer-based automatic method for gender identification and age estimation using the mandible on panoramic radiographs.
The stages of the process in this study were mandibular segmentation, mandibular feature extraction, gender classification, and age estimation. The proposed mandibular segmentation method is ensemble segmentation with the MobileNetV2 model. The mandibular features used in determining gender and age estimation are done automatically by proposing a mandibular feature extraction approach. The features or parameters on the mandible that were taken were: ramus height left, ramus height right, ramus length left, ramus length right, begonia width, bicondylar breadth, anterior mandibular corpus height left, anterior mandibular corpus height right, and mandibular corpus length.
Gender identification and age estimation proposed in this study are carried out automatically using the Multitask Learning-based machine learning method. Multitask Learning is that in one model, it can produce two outputs: identification of gender and estimation of age. The development of this method is expected to assist legal parties or the forensic team in automatically identifying gender and estimated age so that the identification process can be carried out more effectively and efficiently.
The results of mandibular segmentation show that the ensemble, by combining the original image, the Ying and the DHE method enhancement image has a dice value of 0.97. The original image ensemble segmentation results with the combination of the Ying and DHE image enhancement methods have a complete and intact mandibular appearance. Generated mandibular features/parameters automatically by determining mandibular landmark points, condyle points, gonion points, ramus points, and mandibular body points with linear regression. From the mandibular landmark point, as many as 10 points, the distance was measured using the Euclidean distance to get the mandibular parameters. Mandibular parameters as many as nine; ramus height (connecting the condyle with the gonion), ramus length (connecting the ramus with the ramus), begonia width (connecting the gonion with the gonion), bicondylar breadth (connecting the condyle with the condyle), anterior mandibular corpus height (connecting the gonion with the body lower mandible), and mandibular corpus length (connecting the body of the upper and lower mandible). The multitask learning model with mandibular parameter input with architecture [9-18-36-[1 5]] has the highest accuracy for gender 54% and estimated age 25%. From the experiment results, the mandibular parameter data has less than optimal accuracy, then experiment with mandibular panoramic radiographic image input data. Testing the multitask learning model with the hidden layer architecture and the output (32-64-128-[1 5]) has excellent average accuracy, namely gender 93% and estimated age 88%.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	identifikasi jenis kelamin, estimasi usia, mandibula, radiografi panoramik ====================================================== gender identification, age estimation, mandibular ramus, panoramic radiography
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.B56 Biometric identification T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7888.3 Digital computers
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	Nur Nafiiyah
Date Deposited:	09 Aug 2023 06:51
Last Modified:	09 Aug 2023 06:51
URI:	http://repository.its.ac.id/id/eprint/103050

Actions (login required)

View Item