Deteksi Pulpitis Menggunakan MFCC dan CNN1D Dalam Lingkup Penggunaan Flask Sebagai Backend
Abstract
Pulpitis adalah peradangan pada jaringan pulpa gigi yang dapat disebabkan oleh berbagai faktor seperti infeksi bakteri, trauma pada gigi, atau kerusakan gigi. Sakit gigi bisa sangat mengganggu aktivitas seseorang. Ketika seseorang mengalami sakit gigi mereka mungkin sulit untuk berkonsentrasi, berbicara atau bahkan makan dengan nyaman. Sebelum terjadi kerusakan gigi yang lebih parah maka kami membuat alat yang dapat mendeteksi pulpitis dengan biaya yang terjangkau dan realtime yaitu deteksi pulpitis menggunakan sinyal suara dengan algoritma machine learning dengan ekstraksi MFCC dan CNN 1D. Model ini dapat mendeteksi gigi yang sehat maupun gigi yang mengalami pulpitis dengan akurasi 92%.
Kata kunci— Backend, CNN, Machine learning, MFCC, Pulpitis, Website.
References
W. W. Putri and N. Nina, “Hubungan Antara Frekuensi Menyikat Gigi, Cara Menyikat Gigi dan Kebiasaan Makan dengan Kejadian Karies,” Journal of Public Health Education, vol. 1, no. 01, pp. 13–19, Aug. 2021, doi: 10.53801/jphe.v1i01.13.
I. G. S. Kencana, “Relationship Between Education Level and Knowledge of Dental Caries and Tooth Brushing Skills in Pregnant Women in South Denpasar District 2021,” Jurnal Kesehatan Gigi (Dental Health Journal), vol. 8, no. 2, pp. 80–89, Aug. 2021, doi: 10.33992/jkg.v8i2.1502.
Z. Mohammadi, P. V. Abbott, S. Shalavi, and M. Yazdizadeh, “Postoperative Pain Following Treatment of Teeth with Irreversible Pulpitis: A Review.,” PubMed, vol. 83, no. 1, pp. 44–53, Jan. 2017, [Online]. Available: https://pubmed.ncbi.nlm.nih.gov/29919992.
M. Kaluža, M. Kalanj, and B. Vukelić, “A comparison of back-end frameworks for web application development,” Zbornik Veleučilišta U Rijeci, vol. 7, no. 1, pp. 317–332, Jan. 2019, doi: 10.31784/zvr.7.1.10.
P. P. Arhandi, “Pengembangan Sistem Informasi Perijinan Tenaga Kesehatan Dengan Menggunakan Metode Back End Dan Front End,” Jurnal Teknologi Informasi, Mar. 2016, doi: 10.36382/jti-tki.v7i1.192.
G. Cherubin, J. Hayes, and M. Juarez, “Website fingerprinting defenses at the application layer,” Proceedings on Privacy Enhancing Technologies, vol. 2017, no. 2, pp. 186–203, Apr. 2017, doi: 10.1515/popets-2017-0023.
K. Ahn, H. Rakha, and A. Trani, “Microframework for modeling of High-Emitting Vehicles,” Transportation Research Record Journal of the Transportation Research Board, vol. 1880, no. 1, pp. 39–49, Jan. 2004, doi: 10.3141/1880-05.
M. Algren, W. Fisher, and A. E. Landis, “Machine learning in life cycle assessment,” in Elsevier eBooks, 2021, pp. 167–190. doi: 10.1016/b978-0-12-817976-5.00009-7.
N. Singh, R. A. Khan, and R. Shree, “MFCC and Prosodic feature Extraction Techniques: A Comparative study,” International Journal of Computer Applications, vol. 54, no. 1, pp. 9–13, Sep. 2012, doi: 10.5120/8529-2061.
A. Keerio, B. K. Mitra, P. Birch, R. Young, and C. Chatwin, “On preprocessing of speech signals,” Zenodo (CERN European Organization for Nuclear Research), Nov. 2008, doi: 10.5281/zenodo.1332328.
