DEEP CONVOLUTIONAL GAN (DC-GAN) UNTUK KLASIFIKASI KARANG GIGI BERBASIS CONVOLUTIONAL NEURAL NETWORK

MUHAMMAD AULIA ARIEF ANDRIANTO, Dr. Agus Sihabuddin, S.Si., M.Kom.

2026 | Skripsi | ILMU KOMPUTER

Kesehatan gigi dan mulut merupakan aspek penting pada kesehatan tubuh secara menyeluruh di mana deteksi dini, khususnya pada kasus karang gigi sangat penting untuk mencegah penyakit menjadi semakin parah atau menjalar ke bagian tubuh yang lain. Klasifikasi menggunakan deep learning seringkali memiliki keterbatasan oleh ketersediaan data karena diperlukan biaya, waktu, dan menyangkut masalah privasi pasien.  Augmentasi data merupakan sebuah solusi untuk menambah data pelatihan dengan menghasilkan gambar baru dari data yang ada. Namun, data sintetis dari augmentasi secara tradisional tidak dapat menghasilkan varian data baru yang berbeda dari data asli. 

Generative Adversarial Network (GAN) menawarkan solusi dengan menghasilkan gambar menyerupai data asli dengan mempelajari distribusi data sebenarnya sehingga menghasilkan  data yang lebih beragam namun masih memiliki ketidakstabilan dalam pelatihan dan dapat menyebabkan mode collapse dimana generator tidak menghasilkan data yang bervariasi. Perluasan model GAN yakni Deep Convolutional GAN (DC-GAN) dipilih karena memiliki kemampuan untuk menangkap fitur spasial dari sebuah gambar dan stabilitas pelatihanya yang baik dari simpel GAN dikarenakan menggunakan arsitektur lapisan konvolusi. Selanjutnya klasifikasi menggunakan model Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 akan digunakan dalam pelatihan model klasifikasi pada penelitian ini. 

Pada penelitian ini dilakukan pengujian pembangkitan data sintetis dengan metode augmentasi DC-GAN pada Dental Calculus Dataset 2023. Hasil menunjukkan model klasifikasi memiliki performa lebih baik pada dataset yang telah ditambahkan data sintetis menggunakan DC-GAN dengan nilai akurasi, presisi, recall dan f1-score berturut-turut adalah 75%, 77%, 72%, dan 73% dibandingkan dataset tanpa penambahan data sintetis dengan nilai 68%, 67%, 65%, dan 65%. Pada pengujian DC-GAN menggunakan nilai Kernel Inception Distance (KID) diperoleh nilai sebesar  0.3598 dan 0.3555 untuk kelas normal dan kalkulus.

Dental and oral health are crucial aspects of overall physical well being, where early detection, particularly in cases of dental calculus, is vital to prevent conditions from worsening or spreading to other parts of the body. However, classification using deep learning is often limited by data availability due to costs, time constraints, and patient privacy. Data augmentation serves as a solution to increase training data by generating new images from existing datasets. Nevertheless, synthetic data generated through traditional augmentation techniques often fail to produce new data variants that distinct from the original data.

Generative Adversarial Networks (GAN) offer a solution by generating images resembling original data through learning the true data distribution, thereby producing more diverse data. However, GAN still face training instability and can lead to mode collapse, where the generator fails to produce varied outputs. An extension of the GAN model, Deep Convolutional GAN (DC-GAN), was selected for this study due to its ability to capture spatial features of images and its superior training stability compared to simple GAN, attributed to the use of convolutional layer architecture. Furthermore, classification using a Convolutional Neural Network (CNN) model with MobileNetV2 architecture is employed for training the classification model in this research.

This study tests synthetic data generation using the DC-GAN augmentation method on a Dental Calculus Dataset 2023. The results indicate that the classification model performs better on the dataset augmented with DC-GAN synthetic data, achieving accuracy, precision, and F1-score values of 75%, 77%, 72%, and 73% respectively, compared to the dataset without synthetic data addition values, with values of  68%, 67%, 65%, and 65%. Furthermore, DC-GAN evaluation using the Kernel Inception Distance (KID) metric yielded values of 0.3598 for the normal and 0.3555 for calculus classes.

Kata Kunci : Klasifikasi Penyakit Gigi dan Mulut, Karang Gigi, GAN, MobileNetV2, DC-GAN