Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini sudah banyak alat yang dapat digunakan untuk mengambil data sidik jari seseorang. Beberapa metode yang sering dipakai diantaranya scanner sidik jari yang memanfaatkan optik, efek konduktansi, dan ultrasonik. Masing-masing metode memiliki beberapa kelebihan dan kekurangan sendiri. Scanner pencitraan sidik jari ultrasonik dikembangkan agar mampu menghasilkan gambar sidik jari yang jelas dengan kualitas tinggi. Dari beberapa tipe arsitektur scanner sidik jari ultrasonik, penulis memilih jenis arsitektur scanner yang pada dasarnya termasuk jenis arsitektur scanner oscillatory mirror. Scanner sidik jari ultrasonik ini memanfaatkan nilai koefisien pantul akibat nilai impedansi akustik yang berbeda antara ridge dan valley dari sebuah sidik jari. Pada Skripsi ini, dilakukan simulasi dari scanner sidik jari ultrasonik yang memanfaatkan cermin akustik dengan menggunakan perangkat lunak adobe 3D Max. Dari simulasi dan perhitungan, diketahui bahwa setiap titik dari sidik jari baik ridge maupun valley diperoleh dari setiap echo yang diterima transduser. Koefisien pantul antara ridge dan valley memiliki perbedaan yang jauh jika collimating lens yang dipakai pada scanner memiliki nilai impedansi akustik yang mendekati nilai impedansi akustik ridge (jaringan tubuh). Collimating lens/plat pada skripsi ini menggunakan bahan polystyrene dengan impedansi akustik 249 x 103 (g/cm2 - sec) dan diperoleh koefisien pantul plat ke valley 99,97% sedangkan koefisien pantul plat ke ridge 23,2%.

---

There are a lot of tools that can be used to scann fingerprints. Some techniques commonly used include fingerprint scanner used optical, effect of conductivity, and ultrasound. Each method has its advantages and drawbacks of its own. A method of the ultrasound image scanners can produce images of fingerprint in high quality. Of the several types of ultrasonic fingerprint scanner architecture, the authors choose the scan type architecture which is basically the sort of oscillating mirror scan architecture. This ultrasonic fingerprint scanners use different acoustic impedance value from fingerprint ridge and valley.

In this paper, the authors using adobe 3D Max software to design simulation of a fingerprint scanner that utilizes ultrasonic sensor and acoustic mirror. From the simulations and calculations, it is known that each point of the fingerprint ridge and valley obtained from each echo received by the transducer. The reflection coefficient between the ridges and valleys have a lot of difference if the collimating lens used in the scanner has acoustic impedance close to the ridge acoustic impedance. Collimating lens/plate in this paper using polystyrene material with acoustic impedance 249 x 103 (g/cm2 - sec) and derived the reflection coefficient for plate to valley 99,97% and 23,2% for plate to ridge."

"Sidik jari memiliki suatu orientasi dan struktur periodik berupa komposisi garis-garis gelap dari kulit yang naik (ridges) dan garis-garis terang dari kulit yang turun (furrows) yang berliku-liku membentuk suatu pola yang berbeda-beda. Walaupun garis-garis alur tangan terbentuk berbeda-beda, tetapi sifat-sifat khusus dari sidik jari yang disebut dengan minutiae adalah unik untuk setiap individu. Ciri-ciri ini membentuk pola khusus yang terdiri dari terminasi/ perpisahan atau percabangan dari alur. Untuk memeriksa apakah dua sidik jari berasal dari jari yang sama atau bukan, para ahli mendeteksi minutea tersebut. Sistem Identifikasi Sidik Jari Otomatis (AFIS) akan mengambil dan membandingkan ciri-ciri tersebut untuk menentukan suatu kecocokan. Metode klasik pengenalan sidik jari menggunakan pattern sekarang ini sudah jarang dipakai dikarenakan memerlukan alokasi penyimpanan data yang besar dan memerlukan waktu identifikasi yang lama. Pembuatan suatu model sidik jari diperlukan untuk menyederhanakan algoritma menjadi lebih efisien. Dalam Tugas Akhir ini dikembangkan peningkatkan keberhasilan pengenalan sidik jari dengan menambahkan pengolahan gambar berdasarkan Histogram Equalization dan Fast Fourier Transform (FFT). Dari hasil pengujian diperoleh hasil bahwa dengan menggunakan Image Enhanchement didapatkan hasil Minutea yang lebih banyak dari pada menggunakan binarisasi tanpa image enhancement.

---

Human fingerprints have an orientation and periodic structure composed of dark upward skin curves called Ridges, and a lighter colored skin curves called Furrows, which then form many various different pattern. Although that curves make many various shapes and pattern, but special characteristic from that prints which we called Minutea is unique in every individual. These characteristics forms a special pattern which consist of termination, or branches.

To check if two fingerprints come from the same finger or not, experts investigate that Minutea. AFIS or Automated Fingerprint Identification System will take and compare that characteristic to find a match. Traditional fingerprint identification using pattern recognition is rarely used nowadays, because it needs a very large amount of space for data and require a long time for identification. Fabrication of a fingerprint model is necessary to simplify the algorithm.

In this Final Project is developed to increase success with the introduction of fingerprint image processing add Histogram Equalization, and based on Fast Fourier Transform (FFT). From the results of the test results obtained with that obtained using the Image Enhanchement results Minutea more on the use of image enhancement without binarization."

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."

"ABSTRAKPengenalan biometrik mengacu pada penggunaan karakter fisik maupun biologis untukmengenali suatu individu. Pengenalan ini bertujuan untuk mempermudah proses identi-fikasi. Hingga saat ini, proses identifikasi yang banyak digunakan menyasar pada orangdewasa dengan memanfaatkan pola sidik jari, bentuk wajah. Akan tetapi pengenalanyang diperuntukan untuk bayi dan balita masih sangat minim, bahkan belum ada suatumetode khusus yang mampu menyelesaikan masalah pengenalan pada bayi dan balita.Bayi dan balita pun membutuhkan suatu metode pengenalan yang mampu mengenalinyasejak kecil, sehingga proses pengarsipan menjadi lebih tertata dan lebih lengkap. Denganmelakukan pencacatan yan lebih detail, maka informasi terkait riwayat imunisasi, riwayatpenyakit maupaun riwayat pendidikan dapat diperoleh dengan cepat. Pada penelitian ini diusulkan suatu metode yang mampu menyelesaikan masalahpengenalan biometrik pada bayi dan balita dengan menggunakan sidik jari. Pengenalansidik jari yang digunakan berupa penggunaan fitur level 1 yaitu garis sidik jari danfitur level 2 yaitu minutia. Kedua level fitur ini akan digabungkan dengan menambahsuatu mekanisme perbaikan fitur sidik jari bernama mekanisme feedback. Mekanismefeedback akan melakukan perbaikan pada skala fitur level 1. Hasil yang diperoleh pada penelitian ini adalah metode yang diusulkan mampu meng-atasi masalah yang dihadapi pada citra sidik jari bayi. Kombinasi fitur level 1 dan level2 diikuti dengan mekanisme feedback mampu menghasilkan akurasi yang lebih baik di-bandingkan dengan kombinasi fitur level 1 dan level 2 tanpa mekanisme feedback.

---

ABSTRACTBiometric recognition refers to the use of physical and biological characteristics to rec ognize an individual. This biometrics recognition aims to facilitate the identification pro cess. Until now, the used of identification process of is widely targeting adults that usinga fingerprint patterns, face shape. However, the recognition that is intended for infantsand toddlers is still very minimal, there is not even a special method that can solve theproblem of recognition in infants and toddlers. Infants and toddlers also need a methodof recognition that is able to recognize them since childhood, so the process of filing be comes more organized. By performing more detailed defects, information regarding toimmunization history, history of illness and education history can be obtained quickly. In this study, proposed a method that is able to solve problems on infant and toddlerbiometrics recognition using fingerprint. Fingerprint recognition in this study used theLevel 1 features in form of the fingerprint ridge and feature level 2 in form of minutia.Both levels of this feature will be combined by adding a fingerprint enhancement mecha nism called feedback mechanism. The feedback mechanism will make improvements inlevel 1 scale features. The results obtained in this study is the proposed method is able to overcome the prob lems faced on baby fingerprint image. The combination of level 1 and level 2 features fol lowed by feedback mechanisms can produce better accuracy compared to a combinationof level 1 and level 2 features without feedback mechanism."

"ABSTRAKPola sidik jari yang merupakan salah satu chi khas dari masing-masing individu yang tidak akan berubah dan berkaitm dengan genetika dan memiliki pola berbeda, maka dalarn penelitian ini mencitrakan bahwa terdapat perbedaan pola sidik jari anak penyandang autis terhadap anak yang normal. Pada anak penyandang autis kebanyakan memiliki pola whorl serta pola pada jari kanan dan jari kiri tidak simetris, sedangkan pada anak normal kebanyakan pola jari lrenan dan jari kiri memiliki kesimetrisan. Dalam penelitiaan ini menghasilkan recognition rate dala training dengan Laju pembeLajaran a.U,2 dan epoc = 1000 tanpa PCA sebesar 98,51"A. dengan PCA sebesar 100% dan menghasilkan recognition rote data testing dengan laju pembelajaran a = 0,2 dan epoch=1000 tmpa PCA sebesar 78,33% dengan PCA sebesar 68,34%. Dengan demikian metoda jaringan saraf tiruan dapat digunakan untuk identifikasi anak autis dengan keakuratan 78.33%

---

ABSTRACTThe pattern of fingerprint is the which one of characteristic of a each individual that wm not be change and related with the genetics and also has a different pattern. so in this research differences finger print patterns from children with autism to normal kids. In most children with autism have a whorl pattern and the pattern of the finger right and left finger is not symmetrical pattern, where as in normal children most of the pattern off finger left and right finger has a symmetry. In this thesis result the recognition data rate training without the PCA 'Whith learning rate "

"Sidik jari biasanya digunakan sebagai identitas pribadi seseorang. Dalam proses pengenalan sidik jari seseorang, umumnya sidik jari dicocokkan dengan basis data yang memuat sangat banyak data sidik jari. Oleh karena itu untuk mengurangi waktu pencocokkan dan perhitungan yang kompleks pada proses penenalan sidik jari, dilakukan proses yang disebut klasifikasi sidik jari. Klasifikasi sidik jari adalah cara menentukan sebuah sidik jari masuk kedalam suatu kelas tertentu. Karakteristik sidik jari yang digunakan dalam klasifikasi sidik jari dengan menggunakan teori graf pada tesis ini adalah gambar berarah. Proses klasifikasi dimulai dengan pembentukkan graf terhubung berdasarkan gambar berarah yang telah disegmentasi berdasarkan arah yang sama. Dari graf terhubung dibangun sebuah graf yang lebih ringkas tetapi tetap memuat informasi dari graf terhubung, graf tersebut diberi nama super graf terhubung.Pada basis data yang terdiri dari beberapa kelas sidik jari, dari masing-masing kelas diambil satu sidik jari sampel. Sidik jari sampel ini disebut model sidik jari dari tiap-tiap kelas sidik jari. Kemudian untuk proses pencocokkan dan klasifikasi, super graf dari sidik jari yang diteliti dan sidik jari model dari tiap-tiap kelas dibandingkan dengan menggunakan cost function. Kelas yang mempunyai nilai cost function minimum, akan menjadi kelas yang dipilih sebagai kelas dari sidik jari yang diteliti. Pada tesis ini dijelaskan proses pembentukkan super graf terhubung dari suatu gambar beararah.

---

Fingerprint is usually used as a private identity. In identifying process of someone?s fingerprint, generally, fingerprint is matched by the data base which contains many fingerprint data. Therefore, to reduce the complex matching and counting time in identifying fingerprint, we can do a process which is called fingerprint classification. Fingerprint classification is a way to show that a fingerprint is classified into one class. Fingerprint character which is used in classifying fingerprint using graph theory in this thesis is directional image. Classification process is begun by forming related graph based on directional image which has been segmented by the same direction. Related graph is built a shorter graph which contains information from connected graph which is called super graph related.In database which consists of some fingerprints, from each class is taken one sample of fingerprint. This sample of fingerprint is called fingerprint model of each fingerprint classification. In matching and classifying process, the elaborated super graph and fingerprint model of each class are matched by using cost function. The class which has minimum cost function value will be the chosen class as elaborated fingerprint class. This thesis gives an explanation on how to construct super connected graph from a directional image."

"Sidik jari merupakan salah satu bagian tubuh manusia yang unik, artinya mempunyai karakteristik tertentu yang dapat diberdakan. Pengenalan sidik jari (fingerprint recognition) menggunakan pola bukit (ridge) dan lembah (valley) pada sidik jari. Ada 2 struktur sidik jari yang dapat diambil untuk pengenalan, yaitu struktur lokal dan struktur global. Pada pengenalan sidik jari dengan menggunakan struktur global, perlu dicari letak titik referensi yang merupakan titik pusat (core point) dari pola sidik jari. Titik ini akan digunakan sebagai titik referensi untuk tahap pengolahan citra sidik jari berikutnya. Jika sistem melakukan kesalahan pendeteksian titik referensi tersebut, maka sistem pengenalan sidik jari akan gagal melakukan proses pencocokan (matching). Sistem pengenalan sidik jari berdasarkan struktur global menggunakan set filter Gabor untuk mengekstrak sidik jari dengan pola orientasi bukit tertentu. Sistem ini juga dikenal sebagai pengenalan sidik jari berbasiskan Filterbank. Hasil dari pemfilteran dengan filter Gabor dihitung rata-rata deviasi mutlaknya untuk mendapatkan feature yang dijadikan template. Pengujian dilakukan dengan menguji sidik jari yang berasal dari Unibo dan Neurotechnologija. Berdasarkan hasil pengujian, untuk database Unibo diperoleh FMR sebesar 2,143 %, 2,143 % dan 2,857 % serta FNMR sebesar 13,571 %, 11,428 % dan 7,857 %. Untuk database Neurotechnologija diperoleh FMR 0 %, 1,086 % dan 3,260 % serta FNMR sebesar 27,173 %, 16,204 % dan 13,043 %. Masing-masing berurutan untuk threshold sebesar 1000, 1100 dan 1200. Hasil sistem pengenalan sidik jari ini cukup memuaskan untuk dapat diaplikasikan pada sisem pengamanan."

"Latar Belakang: Model cetakan gigi memiliki peranan penting dalam bidang prostodonsia untuk menentukan diagnosis dan rencana perawatan. Model yang saat ini sering digunakan adalah model konvensional. Model tersebut mempunyai beberapa kekurangan yaitu kemungkinan hilang dan rusak, membutuhkan tempat penyimpanan dan menyulitkan komunikasi dengan laboratorium. Perkembangan teknologi khususnya CAD/CAM diharapkan mampu mengatasi kekurangan tersebut dengan penggunaan intraoral scanner (IOS). IOS mampu menghasilkan model digital dengan cara pemindaian secara langsung di dalam mulut dan menghasilkan file dengan format standard tesselation language (STL). File ini kemudian dapat dicetak menggunakan 3D printer dengan teknik stereolithography (STL) menjadi model 3D printing. Tujuan: Untuk menganalisis perbedaan akurasi antara pengukuran langsung pada pasien, model konvensional, digital, dan 3D printing kasus kelas III Kennedy. Metode: Penelitian observasi analitik dengan desain studi potong lintang. Total sampel sebanyak 9. Dilakukan pengukuran masing-masing variabel sebanyak 3 kali kemudian diambil nilai reratanya. Pengukuran langsung pada pasien dijadikan kontrol dan dibandingkan dengan pengukuran pada model konvensional yang dicetak dengan PVS, model digital, dan 3D printing. Pengukuran dilakukan pada lebar mesiodistal, tinggi servikooklusal/insisal gigi dan lebar span edentulus. Dilakukan pengukuran langsung pada pasien, model konvensional dan 3D printing dengan digital calliper sedangkan model digital menggunakan piranti lunak Trios. Analisis data dilakukan dengan uji statistik Saphiro Wilk dan uji Kruskal Wallis. Hasil: Tidak terdapat perbedaan bermakna (p>0.05) pada seluruh pengukuran dibandingkan dengan kontrol dan juga antara variabel yang berbeda. Kesimpulan: Penggunaan IOS dalam menghasilkan model digital yang kemudian dicetak menggunakan 3D printer dapat menjadi alternatif pembuatan model kerja dalam menentukan diagnosis dan perawatan pasien dalam bidang prostodonsia.

---

Background: Models play a crucial role in the field of prosthodontics for determining diagnosis and treatment plans. The conventional model is frequently used, but it has some drawbacks, such as the possibility of loss and damage, the need for storage space, and difficulties in communication with laboratories. Technological advancements, especially in CAD CAM, aim to address these limitations by utilizing intraoral scanners (IOS). IOS can produce digital models by scanning directly inside the mouth and generating files in standard tessellation language (STL) format. These files can then be printed with a 3D printer using stereolithography (STL) techniques to create a 3D printed model. Objective: To determine the accuracy differences between direct measurements on patients, conventional models, digital models, and 3D printed models in Class III Kennedy cases. Method: An analytical observational study with a cross-sectional design was conducted. A total of 9 samples were measured three times each and the mean value will be anyalzed. Direct measurements on patients were used as controls and compared with conventional models printed with PVS, digital models, and 3D printing. Measurements included mesiodistal width, cervico-occlusal/ incisal height of teeth, and edentulous span width. Direct measurements on patients, conventional models, and 3D printing used digital calipers, while digital models used Trios software. Statistical tests, including the Shapiro-Wilk test for data normality and the Kruskal-Wallis test for data analysis, were performed in this study. Results: There were no significant differences (p > 0.05) in all measurements compared to the control and among different variables. Conclusion: The use of IOS to produce digital models, subsequently printed with a 3D printer, can be an alternative for model fabrication in determining diagnosis and patient treatment in prosthodontics."

"Efisiensi penjerapan dari pembuatan etosom dengan metode cara dingin lebih kecil dari metode hidrasi lapis tipis. Oleh karena itu, perlu dipelajari lebih lanjut hal apa saja yang mempengaruhi efisiensi penjerapan. Metode pembuatan etosom dilakukan dengan cara dingin dan hidrasi lapis tipis dengan formulasi yang sama, kemudian suspensi etosom yang terbentuk dilakukan sonikasi. Efisiensi penjerapan masing-masing metode ditentukan dengan metode ultrasentrifugasi dan dilakukan secara tidak langsung serta karakterisasinya dilakukan dengan Confocal Laser Scanner Microscopy. Nilai rata-rata efisiensi penjerapan cara dingin adalah 77,51923 4,991208065 dan nilai rata-rata efisiensi penjerapan metode hidrasi lapis tipis 83,38473 2,138725.Hasil karakterisasi dengan menggunakan Confocal Laser Scanner Microscopy menunjukkan bahwa kedua metode tersebut memiliki ukuran 200 nm dan bentuk vesikel yang sferis. Hal ini menunjukkan bahwa kedua metode tersebut memiliki hasil yang baik walaupun efisiensi penjerapan metode cara dingin lebih kecil dibandingkan metode hidrasi lapis tipis.

---

The entrapment efficiency of ethosome produced by the cold method is lower than thin layer hydration method, therefore, we must know about entrapment efficiency factors . The method to formulation of rhodamine B ethosome using cold method and thin layer hydration, the suspension of ethosome is sonicated. Entrapment efficiency determined using spectrofotometry uv vis and characterization of ethosome determined by confocal laser scanner microscopy. The average of cold method entrapment efficiency 77,51923 4,991208065 and The average of thin layer hydration entrapment efficiency 83,38473 2,138725.

The quality of ethosome characterization by confocal laser scanner microscopy show that formulation of cold method and thin layer hydration vesicle size are 200 nm and vesicle morphology is spheric. This is show that the quality of cold method is as good as thin layer hydration method, although cold method of entrapment efficiency less than thin layer hydration method."

"Gigi impaksi merupakan kondisi patologis dimana gigi mengalami kegagalan untuk erupsi secara sempurna pada rongga mulut sesuai posisi fungsionalnya. Tatalaksana untuk gigi molar 3 impaksi adalah odontektomi, dapat dilakukan dalam anestesi lokal maupun anestesi umum atau narkose (general anesthesia). Edema merupakan salah satu komplikasi yang dapat terjadi akibat adanya akumulasi cairan pada jaringan yang disebabkan karena pelepasan mediator inflamasi, vasodilatasi, dan peningkatan permeabilitas kapiler pembuluh darah pasca odontektomi gigi molar 3. Edema pasca odontektomi biasanya memuncak pada 48 jam pasca tindakan odontektomi, dan akan menurun pada hari ke 7 hingga hari ke 10 pasca odontektomi. 3D Scanner ekstra oral ini mampu menghasilkan pengukuran linear dan pengukuran volumetrik yang akurat karena mampu menampilkan pengukuran baik dari bidang aksial, sagital, dan koronal. Penelitian ini dilakukan di Rumah Sakit Universitas Indonesia (RSUI) dengan rentang waktu penelitian Januari 2024-Maret 2024. Berdasarkan analisa sampel pada penelitian ini memiliki responden terbanyak dengan interval usia 18 hingga 40 tahun. Scan pasien dilakukan pada hari pertama dilakukannya odontektomi (H0), hari ke-2 (H2) dan hari ke-7 (H7) sejak tindakan odontektomi dengan narkose dilaksanakan. Scan subjek dianalisis menggunakan software Simplify3D® 4.0 dan 3D Builder. 1. Berdasarkan hasil penelitian, terdapat perbedaan yang sangat signifikan (p<0.001) evaluasi edema pada wajah pasca odontektomi gigi molar tiga impaksi dengan narkose yang dinilai dengan 3D Scanner ekstra oral. Terjadi kenaikan pada hari ke-2 dibandingkan dengan hari ke-0, serta penurunan kembali di hari ke-7 bila dibandingkan dengan hari ke-2 hingga mendekati pengukuran awal di hari ke-0. Penelitian ini menjadi pilot study pengukuran dengan reliabilitas dan keakuratan tinggi menggunakan scanner 3D ekstraoral.

---

Impacted teeth are a pathological condition where teeth fail to erupt properly in the oral cavity in their functional position. The management for impacted third molars involves a procedure called odontectomy, which can be performed under local anesthesia or general anesthesia. Edema is one of the complications that may occur due to the accumulation of fluid in tissues caused by the release of inflammatory mediators, vasodilation, and increased capillary permeability post-odontectomy of third molar teeth. Edema post-odontectomy typically peaks at 48 hours after the procedure and decreases by days 7 to 10 post-odontectomy. Extraoral 3D scanner is capable of producing accurate linear and volumetric measurements because it can display measurements from axial, sagittal, and coronal planes. This study was conducted at the University of Indonesia Hospital (RSUI) within the timeframe of January 2024 to March 2024. Based on sample analysis in this study, the majority of respondents fell within the age range of 18 to 40 years old. Patient scans were performed on the day of odontectomy (H0), on day 2 (H2), and on day 7 (H7) following odontectomy with anesthesia. Subject scans were analyzed using Simplify3D® 4.0 and 3D Builder software. 1. According to the research findings, there was a very significant difference (p<0.001) in the evaluation of edema on the face post-odontectomy of impacted third molar teeth with general anesthesia as assessed by the extraoral 3D scanner. There was an increase on day 2 compared to day 0, followed by a decrease on day 7 compared to day 2, approaching the initial measurement on day 0. This study serves as a pilot study for measurements with high reliability and accuracy using an extraoral 3D scanner."