Pengembangan Sistem Deteksi Penyakit Gigi Bagian Anterior Berbasis Android Menggunakan Deep Learning

Salsabila, Anisa Ghina (2026) Pengembangan Sistem Deteksi Penyakit Gigi Bagian Anterior Berbasis Android Menggunakan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027211062-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penyakit gigi, seperti karies, gingivitis, hipodontia, dan lain-lain, biasanya terdeteksi terlambat karena rendahnya kesadaran masyarakat akan pentingnya pemeriksaan gigi. Akses yang buruk ke perawatan gigi juga merupakan tantangan besar terutama di lokasi yang terisolasi. Namun, seiring perkembangan teknologi, penggunaan algoritma pembelajaran mendalam untuk kecerdasan buatan memberikan peluang untuk deteksi dini penyakit gigi. Dalam penelitian ini, tiga model pembelajaran mesin termasuk: Convolutional Neural Network, EfficientNet, MobileNetV2 diukur dalam menentukan klasifikasi penyakit gigi dari gambar gigi. Model-model ini diimplementasikan langsung pada aplikasi Android dengan model TensorFlow Lite untuk analisis gambar lokal yang dilakukan pada perangkat seluler, tanpa bekerja dengan server backend. Kemudian model CNN diterapkan pada aplikasi Android yang terhubung ke server backend dengan RESTful API untuk ekstraksi gambar. Hasil penelitian menemukan bahwa MobileNetV2 memiliki akurasi tertinggi (97,81%), diikuti oleh EfficientNet dengan 95,34% dan CNN dengan 73,92%. Ada juga data yang menunjukkan kecepatan deteksi model, yang terintegrasi ke dalam aplikasi, dibandingkan dengan model yang dihosting dalam API, di bawah kondisi pencahayaan, sudut, dan jarak yang berbeda saat diuji. Penelitian ini juga menguraikan rekomendasi berdasarkan perkembangan terbaru dalam MobileNetV2, menyatakan bahwa seharusnya terus meningkatkan MobileNetV2 untuk meningkatkan akurasi dan efisiensi sistem deteksi penyakit gigi dengan melatih pada dataset yang lebih besar. Aplikasi ini memberikan solusi yang lebih cepat, dengan nilai tambah yang hemat biaya, dan tersedia untuk masyarakat umum dan terutama bagi orang-orang di daerah yang memiliki akses rendah ke layanan kesehatan gigi.
=====================================================================================================================================
Dental diseases, such as caries, gingivitis, hypodontia, and others, are often detected late due to low public awareness of the importance of dental check-ups. Poor access to dental care is also a major challenge, especially in isolated locations. However, with the advancement of technology, the use of deep learning algorithms for artificial intelligence offers opportunities for early detection of dental diseases. In this study, three machine learning models—Convolutional Neural Network (CNN), EfficientNet, and MobileNetV2—were evaluated for classifying dental diseases from tooth images. These models were implemented directly in an Android application using TensorFlow Lite for local image analysis performed on mobile devices, without relying on a backend server. Additionally, the CNN model was implemented in an Android application connected to a backend server via a RESTful API for image processing. The results showed that MobileNetV2 achieved the highest accuracy (97.81%), followed by EfficientNet at 95.34% and CNN at 73.92%. Data on detection speed were also presented, comparing models integrated directly into the application with models hosted via an API, under varying lighting conditions, angles, and distances during testing. This study also outlines recommendations based on recent developments in MobileNetV2, stating that further improvements to MobileNetV2 should be pursued to enhance the accuracy and efficiency of dental disease detection systems by training on larger datasets. The application offers a faster and more cost-effective solution and is available to the general public, particularly benefiting people in areas with limited access to dental healthcare services.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep learning, CNN, EfficientNet, MobileNetV2, RESTful API Deep learning, CNN, EfficientNet, MobileNetV2, RESTful API
Subjects:	R Medicine > RK Dentistry T Technology > T Technology (General)
Divisions:	Faculty of Information and Communication Technology > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Anisa Ghina Salsabila
Date Deposited:	29 Jan 2026 07:41
Last Modified:	29 Jan 2026 07:43
URI:	http://repository.its.ac.id/id/eprint/131051

Actions (login required)

View Item