MODEL KLASIFIKASI KARIES GIGI PADA CITRA GIGI BERBASIS LOCAL BINARY PATTERN (LBP) DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)
DOI:
https://doi.org/10.62281/gzq06690Keywords:
Klasifikasi Citra, Pola Biner Lokal, Jaringan Saraf Konvolusional, Karies GigiAbstract
Perkembangan teknologi Deep Learning memberikan peluang besar dalam pengolahan citra medis, khususnya untuk mendukung proses deteksi otomatis karies gigi. Penelitian ini mengembangkan model klasifikasi citra gigi dengan mengombinasikan metode Local Binary Pattern (LBP) dan Convolutional Neural Network (CNN). Dataset yang digunakan diperoleh dari Kaggle dan Mendeley Data dengan total 2.640 citra, yang terdiri atas dua kelas, yaitu karies dan non-karies. Tahapan penelitian meliputi pra-pemrosesan citra, ekstraksi fitur tekstur menggunakan LBP uniform dengan parameter P = 8 dan R = 1, serta pelatihan model CNN menggunakan optimizer Adam dengan learning rate sebesar 1e-4 selama 30 epoch. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi web berbasis Flask, sehingga pengguna dapat mengunggah citra gigi dan memperoleh hasil klasifikasi secara langsung beserta nilai confidence dan probabilitas. Hasil pengujian menunjukkan bahwa model klasifikasi yang dikembangkan mampu mencapai akurasi sebesar 88%, dengan nilai confidence berkisar antara 79,39%–95,00% untuk kelas karies dan 82,62%–97,53% untuk kelas non-karies. Sistem berbasis web ini dinilai efektif untuk mendukung proses deteksi dini karies gigi secara cepat, interaktif, dan akurat.
Downloads
References
A. A. Ningrum and Ihsanudin, “Penerapan framework Flask pada machine learning dalam memprediksi umur transformer,” KONVERGENSI, vol. 19, no. 2, pp. 51–59, 2023. [Online]. Available: https://doi.org/10.30996/konv.v19i2.8239. [16]
A. Mujiono, K. Kartini, and E. Y. Puspaningrum, “Implementasi model hybrid CNN-SVM pada klasifikasi kondisi kesegaran daging ayam,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 756–763, 2024. [Online]. Available:https://pdfs.semanticscholar.org/daa7/3cfcb0882fabe6140b01eb4b7ee6b168e19a.pdf. [9]
A.A. Achyar, A. M. Olow, M. R. Perdana, A. Sundawijaya, and A. D. Goenawan, “Identifikasi ras wajah dengan menggunakan metode deep learning model Keras,” Jurnal Teknik Mesin, Industri, Elektro dan Informatika, vol. 1, no. 1, pp. 29–37, 2022. [Online]. Available: https://doi.org/10.55606/jtmei.v1i1.779. [11]
C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” arXiv preprint arXiv:2104.05314, 2021. [Online]. Available: https://doi.org/10.48550/arXiv.2104.05314 . [5]
F. Mursyid, M. A. Albarzah, I. Irnawati, W. C. Juliana, M. R. Adiyatma, and F. M. Hamundu, “Aplikasi deteksi penyakit tanaman cabai menggunakan teknologi machine learning dan Flask,” Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer), vol. 5, no. 1, pp. 176–182, 2025. [Online]. Available: https://jurnal.pustakagalerimandiri.co.id/index.php/pustakadata/article/download/1026/718. [15]
G. B. Waluyo, Y. A. Sari, and B. Rahayudi, “Pengenalan citra makanan kue tradisional menggunakan ekstraksi fitur HSV color moment dan local binary pattern dengan K-Nearest Neighbour,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 12, pp. 5641–5649, 2021. [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10312. [3]
J. Elektronika and D. Komputer, “Penerapan serverless computing dalam mendeteksi penyakit mulut dengan metode CNN,” Jurnal Elektronika dan Komputer, vol. 16, no. 2, pp. 230–238, 2023. [Online]. Available: https://journal.stekom.ac.id/index.php/elkom. [12]
K. Azmi, S. Defit, and S. Sumijan, “Implementasi convolutional neural network (CNN) untuk klasifikasi batik tanah liat Sumatera Barat,” Jurnal Unitek, vol. 16, no. 1, pp. 28–40, 2023. [Online]. Available: https://ejurnal.sttdumai.ac.id/index.php/unitek/article/download/504/350. [4]
N. S. Fatimah and S. Agustin, “Klasifikasi citra batik menggunakan local binary pattern (LBP) dan support vector machine (SVM),” Jurnal Algoritma, vol. 22, no. 1, pp. 185–196, 2025. [Online]. Available: https://jurnal.itg.ac.id/index.php/algoritma/article/download/2208/1310. [7]
P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi deep learning menggunakan convolutional neural network (CNN) pada ekspresi manusia,” Algor, vol. 2, no. 1, pp. 12–20, 2020. [Online]. Available: https://jurnal.ubd.ac.id/index.php/algor/article/download/441/259 [1]
Q. S. A. Wasilah, M. Martanto, A. R. Dikananda, and D. Rohman, “Implementasi CNN ResNet50 untuk mendeteksi kualitas buah dan sayuran di pasar tradisional,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 3, pp. 3675–3682, 2025. [Online]. Available: https://ejournal.itn.ac.id/jati/article/download/13349/7490. [14]
R. A. Saputra, D. R. R. Putra, and M. A. Asyrofi, “Implementasi convolutional neural network (CNN) untuk mendeteksi penggunaan masker pada gambar,” Jurnal Informatika dan Teknik Elektro Terapan (JITET), vol. 11, no. 3, pp. 710–714, 2023. [Online]. Available: https://doi.org/10.23960/jitet.v11i3.3286. [13]
R. Atmaja, S. Sriani, and S. Supiyandi, “Penerapan local binary pattern (LBP) dan K-nearest neighbors (KNN) untuk mendeteksi penyakit buah tomat,” Journal of Science and Social Research, vol. 7, no. 3, pp. 1028–1037, 2024. [Online].Available:https://www.jurnal.goretanpena.com/index.php/JSSR/article/download/2104/1271. [8]
S. Supiyandi, W. E. Judistira, S. Nurliani, R. S. Darmono, and I. Putri, “Penerapan deep learning dalam analisis citra gigi,” Jurnal Pendidikan dan Ilmu Sosial (JUPENDIS), vol. 2, no. 4, pp. 117–128, 2024. [Online]. Available: https://doi.org/10.54066/jupendis.v2i4.2165. [6]
T. Hidayatullah and S. Wibisono, “Pembobotan atribut dengan pairwise comparison pada case based reasoning deteksi dini penyakit gigi menggunakan KNN,” Explore IT: Jurnal Keilmuan dan Aplikasi Teknik Informatika, vol. 14, no. 1, pp. 17–23, 2022. [Online]. Available: https://jurnal.yudharta.ac.id/v2/index.php/EXPLORE-IT/article/view/2946 [2]
X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, “A review of convolutional neural networks in computer vision,” Artificial Intelligence Review, vol. 57, Article 99, 2024. [Online]. Available: https://doi.org/10.1007/s10462-024-10721-6. [10]
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Al Ikhwan Resqy Fauzan Alqob, Fawaidul Badri, Oktriza Melfazen (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
