Wijdan, Arkan (2022) PENGEMBANGAN MODEL ARTIFICIAL INTELLIGENCE UNTUK PREDIKSI LEBAR GIGI SERI BERDASARKAN CITRA WAJAH. Diploma thesis, Universitas YARSI.
|
Text
COVER.pdf Download (61kB) | Preview |
|
|
Text
LEMBAR PENGESAHAN SIDANG.pdf Download (291kB) | Preview |
|
|
Text
LEMBAR PERNYATAAN.pdf Download (28kB) | Preview |
|
|
Text
ABSTRAK.pdf Download (73kB) | Preview |
|
|
Text
BAB I.pdf Download (175kB) | Preview |
|
|
Text
DAFTAR PUSTAKA.pdf Download (109kB) | Preview |
|
![[img]](http://digilib.yarsi.ac.id/style/images/fileicons/text.png) |
Text
BAB II.pdf Restricted to Registered users only Download (117kB) |
|
|
Text
BAB III.pdf Restricted to Registered users only Download (861kB) |
|
|
Text
BAB IV.pdf Restricted to Registered users only Download (433kB) |
|
|
Text
BAB V.pdf Restricted to Registered users only Download (232kB) |
|
|
Text
BAB VI.pdf Restricted to Registered users only Download (74kB) |
Abstract
Salah satu bagian kesehatan tubuh manusia adalah kesehatan gigi dan mulut. Tetapi, kesehatan gigi dan mulut bukan menjadi prioritas bagi manusia. Salah satu dampak tidak merawat kesehatan gigi dan mulut adalah kehilangan gigi. Opsi yang sering dipilih untuk menggantikan gigi yang hilang adalah penggunaan gigi tiruan. Salah satu fase terpenting dalam pembuatan gigi tiruan adalah menentukan lebar gigi seri tengah pada rahang atas yang merupakan gigi yang paling terlihat karena terletak di rahang atas depan. Dokter gigi mengalami kesulitan dalam menentukan lebar gigi seri tengah pada rahang atas atau width of maxillary central teeth (CW) pada pasien. Tujuan dari penelitian ini adalah untuk mengembang artificial intelligence dalam memprediksi nilai CW. Pada penelitian sebelumnya, mencari nilai CW dengan nilai korelasi terhadap fitur-fitur wajah. Dataset yang digunakan pada penelitian ini berupa citra seluruh wajah dengan keadaan mulut yang diam. Metode yang digunakan pada penelitian kali ini adalah dimulai dengan melakukan preprocessing seperti menggabungkan dataset, pembagian dataset, data augmentation, ekstraksi citra dan PCA. Algoritma machine learning yang digunakan adalah Support Vector Regression (SVR) dan Neural Network (NN). Sedangkan untuk algoritma deep learning yang digunakan adalah Convolutional Neural Network (CNN) dan transfer learning. Model SVR mendapatkan nilai RMSE yang paling rendah yaitu sebesar 0,055 dan model transfer learning mendapatkan nilai pearson correlation coefficient yang paling tinggi yaitu sebesar 0,397. Model yang diajukan bisa untuk memprediksi tetapi untuk di implementasikan pada project real perlu untuk ditingkatkan kinerjanya.
| Item Type: | Thesis (Diploma) |
|---|---|
| Additional Information: | S-791-FTI |
| Uncontrolled Keywords: | Maxillary Central Incisor Width, Feature learning. Regression, Support Vector Regression, Neural Network, Convolutional Neural Network, Transfer Learning, ResNet50. |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science R Medicine > RK Dentistry T Technology > T Technology (General) |
| Depositing User: | Arkan Wijdan |
| Date Deposited: | 22 Nov 2023 02:50 |
| Last Modified: | 22 Nov 2023 02:50 |
| URI: | http://digilib.yarsi.ac.id/id/eprint/9702 |
Actions (login required)
 |
View Item |