ABSTRAKSI: Penelitian ini mengenai pendeteksian kondisi gigi dengan kista periapical dan gigi normal melalui citra dental periapical radiograph menggunakan Transformasi Contourlet dan JST-LVQ (Learning Vector Quantization). Dalam faktanya, seorang dokter dapat mendeteksi penyakit pada gigi manusia melalui hasil foto rontgen X-ray namun dalam perkembangannya tidak dapat menghilangkan dugaan (suspect).
Sistem pendeteksian penyakit gigi yang dirancang pada penelitian ini terdiri dari tiga bagian sistem, yaitu : pre-processing, ekstraksi ciri dan klasifikasi. Pre-processing bertujuan untuk meningkatkan kualitas citra masukan dengan menggunakan imadjust (contrast stretching) dan median filter. Ekstraksi ciri bertujuan untuk mengambil vektor ciri dari sebuah citra yang selanjutnya akan diklasifikasi dengan menggunakan Transformasi Contourlet. Klasifikasi bertujuan untuk mengklasifikasikan citra ke dalam dua kondisi yaitu normal dan kista periapical menggunakan JST-LVQ (Learning Vector Quantization).
Akurasi yang dihasilkan sistem yaitu 100% untuk 22 citra latih, dimana masing-masing kelas terdiri atas 3 citra latih gigi normal dan 19 citra latih gigi kista periapical. Akurasi citra uji yaitu 85.37% untuk 41 citra uji, dimana masing-masing kelas terdiri atas 9 citra uji gigi normal dan 32 citra uji gigi kista periapical. Parameter terbaik dari kedua proses tersebut yaitu resize 512x512 dilanjutkan dengan resize 256x256, imadjust (contrast stretching) dengan rentang 50-250, median filter dengan jendela 5x5, Transformasi Contourlet dengan subband 1,2,3,4, dan JST-LVQ (Learning Vector Quantization) dengan nilai mean dengan hidden neuron, epochs, dan goal (MSE) sebesar 50, 100, 0.001.Kata Kunci : kista periapical, imadjust (contrast stretching), median filter, transformasi contourlet, JST-LVQ (learning vector quantization).ABSTRACT: This research is about detection on dental periapical cyst and normal teeth through dental periapical radiograph image using Countourlet Transformation and LVQ (Learning Vector Quantization) Artificial Neural Network. In fact, a doctor can detect disease of human dental through rontgen X-ray result but in its development cannot eliminate allegation (suspect).
Detection system in a dental disease is designed consisted of three parts of the system, namely: pre-processing, feature extraction, and classification. The Pre-processing aims to improve the quality of the input image using imadjust (contrast stretching) and the median filter. Feature extraction aims to take the feature vector of an image which would then be classified. While the classification aims to classify the image into two conditions which are normal and periapical cysts using LVQ (Learning Vector Quantization) Artificial Neural Networks.
The accuracy of this system is 100% for 22 training images. Accuracy of testing images is 85.37% for the 41 testing images. The best parameters of the process that is followed by a resize 512x512 and resize 256x256, imadjust (contrast stretching) in the range 50-250, median filter with 5x5 window, Contourlet Transformation with subband 1,2,3,4, and LVQ (Learning Vector Quantization) Artificial Neural Network with a value of mean of the hidden neurons, epochs, and the goal (MSE) in the amount of 50, 100, 0001.Keyword: periapical cyst, imadjust (contrast stretching), median filter, contourlet transformation, LVQ (learning vector quantization) artificial neural network.