Sistem Deteksi Penyakit Gigi Berbasis Deep Learning Menggunakan YOLOv8 dan ResNet-18

Bagas Aditya; Rully Pramudita

doi:10.58602/chain.v4i3.280

Bagas Aditya ^{(Corresponding Author)} Universitas Bina Insani
Rully Pramudita Universitas Bina Insani

DOI: https://doi.org/10.58602/chain.v4i3.280

Keywords: Deep Learning, YOLOv8, ResNet-18, Object Detection, Image Classification

Abstract

Penyakit gigi dan mulut menjadi salah satu masalah kesehatan yang paling umum di Indonesia, dengan prevalensi mencapai 57,6% populasi menurut Survei Kesehatan Indonesia. Proses diagnosis konvensional masih sangat bergantung pada pemeriksaan visual manual oleh dokter gigi, yang memiliki keterbatasan dari segi waktu, subjektivitas, dan aksesibilitas. Penelitian ini mengembangkan sistem deteksi penyakit gigi berbasis deep learning yang mengintegrasikan arsitektur YOLOv8 untuk object detection dan ResNet-18 untuk image classification dalam sebuah pipeline ensemble. Sistem dirancang untuk mendeteksi enam jenis kelainan gigi: karies, karang gigi, radang gusi, hipodontia, sariawan, dan diskolorasi gigi dari foto kamera ponsel. Dataset yang digunakan berjumlah 11.957 citra yang dibagi menjadi 70% data latih, 15% validasi, dan 15% pengujian. Teknik weighted sampling diimplementasikan untuk menangani ketimpangan kelas dengan rasio 7,96x. Pelatihan ResNet-18 menggunakan optimizer Adam (learning rate 0,001) dengan fungsi kerugian CrossEntropyLoss berbobot kelas dinamis. Hasil evaluasi menunjukkan YOLOv8 mencapai mAP@50 sebesar 88,17%, sementara ResNet-18 memperoleh akurasi klasifikasi 92,25% dengan F1-Score 92,37%. Validasi statistik 5-Fold Cross Validation mengonfirmasi stabilitas ResNet-18 (Standar Deviasi = ±0,45%) dan YOLOv8 (Standar Deviasi = ±1,95%). Sistem ini diimplementasikan dalam aplikasi web menggunakan FastAPI dan Next.js pada GPU NVIDIA T4, dengan latensi end-to-end 2-4 detik, serta dilengkapi modul Grad-CAM untuk interpretabilitas prediksi.

References

K. Q. Ayun dan A. C. Adisasmita, “Perbandingan Faktor Risiko Gangguan Kesehatan Gigi dan Mulut Pada Usia 20-59 Tahun Berdasarkan Wilayah di Indonesia: Analisis Survei Kesehatan Indonesia (SKI) Tahun 2023,” J. Epidemiol. Kesehat. Indones., vol. 9, no. 3, 2025, doi: 10.7454/epidkes.v9i3.1154.

K. P. Sukma, “Identifikasi Kerentanan Karies Gigi Berdasarkan Aktivitas Mikroflora Normal Pada Sampel Saliva,” J. Kesehat. Tambusai, vol. 6, no. 1, hal. 1656–1663, 2025, doi: 10.31004/jkt.v6i1.42082.

M. syarif Wicaksono, M. Arsanti, dan H. A. Hartanto, “Indonesia,” vol. 7, no. 2, hal. 1–10, 2024.

A. Y. Riyadi, W. Soewondo, dan E. Riyanti, “Prevalensi anomali gigi pada Down syndrome : scoping review,” Padjadjaran J. Dent. Res. Students, vol. 9, no. 1, hal. 15–30, 2025, doi: 10.24198/pjdrs.v9i1.57122.

R. Indraswary et al., “EDUKASI STRUKTUR ANATOMI DAN TAHAPAN ERUPSI GIGI PADA MASYARAKAT KALIGAWE SEMARANG : PENDEKATAN PENYULUHAN PENDAHULUAN Kesadaran masyarakat Indonesia akan kesehatan gigi dan mulut masih tergolong rendah [ 1 ][ 2 ]. Penyakit seperti karies gigi dan penyaki,” vol. 8, no. 3, hal. 305–313, 2025.

F. Nuraeni, Y. Septiana, dan Y. Siti Wahyuni, “Implementasi Metode Inferensi Certainty Factor Pada Sistem Pakar Diagnosa Penyakit Gigi,” J. Algoritm., vol. 22, no. 2, hal. 923–932, 2025, doi: 10.33364/algoritma/v.22-2.2124.

A. Jauhar, Istiadi, dan F. Marisa, “Sistem pakar identifikasi penyakit gigi berlubang menggunakan metode neural network dengan algoritma backpropagation,” vol. 4, no. 1, hal. 48–58, 2025.

A. Ramdhani, D. Fatmasari, dan M. Djamil, “Oral Detect-Tri To Improve Dental and Oral Diseases Detection Behaviour in Houswives,” JDHT J. Dent. Hyg. Ther., vol. 4, no. 2, hal. 132–139, 2023, doi: 10.36082/jdht.v4i2.1276.

F. Izza, K. Khotimah, N. Sadilah Arif, dan N. Rifat Aqillah, “Literature Review: Sistem Cerdas untuk Klasifikasi Penyakit Gigi Berdasarkan Citra Rontgen Metode: Convolutional Neural Network (CNN) dan Decision Support System (DSS),” J. Artif. Intel. dan Sist. Penunjang Keputusan, vol. 2, no. 2, hal. 142–145, 2024.

E. dan C. L. Oroh, “Multidisciplinary Science Klasifikasi Penyakit Gigi Karies Dan Kalkulus Menggunakan,” vol. 1, no. 4, hal. 757–765, 2023.

G. M. A. Sihotang dan J. Supardi, “Pengembangan Model CNN ResNet-18 untuk Klasifikasi Kondisi Gigi Berbasis Citra RGB sebagai Solusi Diagnostik Digital Development of CNN ResNet-18 Model for RGB Image-Based Dental Condition Classification as a Digital Diagnostic Solution,” J. Pendidik. dan Teknol. Indones., vol. 4, no. 12, hal. 18, 2024.

L. Mahdiyah, S. Oktamuliani, dan W. L. Putri, “Penerapan Algoritma Deep Learning YOLOv8 pada Platform Roboflow untuk Segmentasi Citra Panoramik,” J. Fis. Unand, vol. 14, no. 3, hal. 228–234, 2025, doi: 10.25077/jfu.14.3.228-234.2025.

W. Sofiyah, B. S. Negara, M. Irsyad, I. Iskandar, dan F. Yanto, “Lung Disease Detection Using Gradient-Weighted Class Activation Mapping (Grad-CAM),” J. Artif. Intell. Softw. Eng., vol. 5, no. 2, hal. 720–730, 2025, doi: 10.30811/jaise.v5i2.7041.

R. I. dan R. Rahmadewi, “DETEKSI ANATOMI GIGI MENGGUNAKAN ARSITEKTUR YOLOV8 (YOU ONLY LOOK ONCE) UNTUK PENGENALAN JENIS-JENIS GIGI,” J. Huk. dan Etika Kesehat., vol. 9, no. 3, hal. 4870–4877, 2024.

D. J. Marcelleno dan M. P. K. Putra, “Performance Evaluation of Yolov8 in Real-Time Vehicle Detection in Various Environmental Conditions,” J. Tek. Inform., vol. 6, no. 1, hal. 269–279, 2025, doi: 10.52436/1.jutif.2025.6.1.3916.

I. P. Harahap, “Deteksi Objek pada Citra Menggunakan Model YOLO,” J. Nas. Teknol. Inf. dan Apl., vol. 2, hal. 469–474, 2024.

F. L. Pakpahan, J. S. Sembiring, T. B. Abellista, dan E. Indra, “Integration of YOLOv8 and FastAPI for Early Detection of Nail Diseases,” Sinkron, vol. 9, no. 2, hal. 978–986, 2025, doi: 10.33395/sinkron.v9i2.14796.

K. D. Dharmasaputra dan B. P. Hartato, “Evaluation of YOLOv8 and Centroid Tracking in Vehicle Detection , Classification , and Counting System,” vol. 9, no. 5, hal. 2310–2319, 2025.

Maria Bestarina Laili, Raihan Alfariji, James Tri Septiono, Muhammad Farid Idlal, dan Egi Sunardi, “Implementasi Sistem Pendeteksi Buku dengan YOLOv8,” Epsil. J. Electr. Eng. Inf. Technol., vol. 23, no. 1, hal. 35–43, 2025, doi: 10.55893/epsilon.v23i1.130.