Spesifikasi & Metodologi Sistem

Dokumentasi arsitektur jaringan saraf konvolusional kustom YOLOv8-ResNet dengan pendekatan Explainable Artificial Intelligence (XAI) untuk deteksi patologi gigi pada citra radiograf panoramik.

Komponen Deep Learning

Arsitektur Kustom YOLOv8-ResNet

Sistem mengintegrasikan backbone konvolusi residual pretrained ImageNet dari TorchVision dengan neck piramidal PAN-FPN dan decoupled anchor-free detection head berbasis Distribution Focal Loss (DFL).

1. Ekstraktor Fitur (Backbone)

ResNet-50

Mengekstrak peta fitur multi-skala pada level C3 (stride 8), C4 (stride 16), dan C5 (stride 32).

2. Fusi Piramidal (Neck)

PAN-FPN + SPPF

Penggabungan fitur top-down dan bottom-up dengan Spatial Pyramid Pooling Fast untuk receptive field luas.

3. Prediksi & Regresi (Head)

Decoupled Head + DFL

Branch terpisah untuk probabilitas klasifikasi dan estimasi bounding box kontinu via regresi integral.

Transparansi Klinis

Explainable AI: Grad-CAM & Grad-CAM++

Gradient-weighted Class Activation Mapping (Grad-CAM) memanfaatkan gradien target kelas pada layer konvolusi terdalam (backbone.layer4) untuk menghasilkan peta representasi pentingnya setiap piksel terhadap prediksi model. Dalam konteks medis, hal ini menjamin bahwa model mengenali karies atau lesi berdasarkan tanda radiolusen patologis asli, bukan artefak visual.

Tumpukan Teknologi

Spesifikasi Lingkungan Komputasi

Deep Learning Framework

PyTorch 2.7 & TorchVision

Aplikasi Web

Flask (Python 3.13)

Basis Data Cloud

Supabase (PostgreSQL)

Penalaran Bahasa Alami

Google Gemini 2.5 Flash

Pernyataan Keterbatasan & Etika Akademis: Perangkat lunak ini dikembangkan dalam rangka penelitian Tugas Akhir / Skripsi. Seluruh inferensi deteksi objek dan visualisasi Grad-CAM ditujukan sebagai media studi komparatif dan alat bantu kedua (second-opinion tool), bukan instrumen diagnostik definitif mandiri tanpa supervisi dokter gigi atau radiolog.