Deteksi Landmark pada Citra Sefalogram Lateral Menggunakan YOLOv11

Identifikasi landmark pada citra sefalogram lateral memiliki peran penting dalam diagnosis dan perencanaan perawatan ortodontik karena menjadi dasar analisis pada hubungan skeletal antara struktur wajah dan gigi di rongga mulut. Namun, proses identifikasi landmark secara manual memerlukan waktu lama dan berpotensi menimbulkan kesalahan subjektif. Oleh karena itu, teknologi berbasis Artificial Intelligence (AI) menjadi solusi potensial untuk meningkatkan efisiensi dan konsistensi analisis. Penelitian ini bertujuan untuk mengembangkan sistem deteksi landmark anatomi secara otomatis pada citra sefalogram lateral menggunakan algoritma YOLOv11. Dataset yang digunakan terdiri dari 50 citra sefalogram lateral yang diperoleh dari Instalasi Radiologi RSGM Universitas Andalas dan dianotasi berdasarkan standar American Board of Orthodontics (ABO), kemudian dilakukan augmentasi sehingga diperoleh total 110 citra. Proses pelatihan dan pengujian model dilakukan menggunakan varian YOLOv11 “yolo11s-pose”. Hasil evaluasi menunjukkan nilai akurasi, presisi, recall, dan F-score sebesar 1,0 serta nilai mean Average Precision (mAP) sebesar 0,995. Secara keseluruhan, model ini menunjukkan potensi yang baik dalam meningkatkan efisiensi identifikasi landmark sefalogram, meskipun diperlukan peningkatan jumlah dan variasi data agar performanya lebih andal dalam aplikasi klinis.