Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi jarak dan kecepatan pada pemain sepakbola berguna sebagai parameter dalam sports analytics. Dengan mengukur jarak (total distance covered) dan kecepatan, dapat diketahui performa yang dapat digunakan pada suatu tim. Penelitian-penelitian sebelumnya telah menunjukkan pentingnya mengetahui kedua parameter ini. Dalam ranah computer vision, tracking dapat digunakan untuk melakukan estimasi kecepatan dan jarak (total distance covered). Akan tetapi, hingga sekarang, belum ada penelitian yang membahas terkait performa estimasi kecepatan dan jarak dengan bantuan computer vision. Untuk mengisi gap penelitian, penelitian ini dirancang untuk menganalisis performa kombinasi algoritma object detection dan algoritma tracking untuk mengestimasi nilai kecepatan dan jarak (total distance covered). Penelitian ini menggunakan algoritma object detection YOLOv10, YOLO11, dan YOLO12 dengan ukuran nano dan small sebagai algoritma terkini untuk aplikasi real-time. Selain itu, digunakan algoritma SORT, DeepSORT, dan ByteTrack sebagai algoritma tracking dengan performa baik. Hasilnya, kombinasi model YOLO12s dan algoritma SORT menghasilkan nilai estimasi jarak (total distance covered) paling baik dengan MAE=3,438. Kombinasi model YOLO11n dan algoritma SORT menghasilkan nilai estimasi kecepatan dengan performa terbaik, yaitu MAE=0,966, RMSE=1,508, dan correlation coefficient=0.434. Hasil penelitian menunjukkan kombinasi model object detection YOLO dan algoritma SORT dapat menjadi salah satu pilihan dalam proses estimasi kecepatan dan jarak (total distance covered) pemain sepakbola.

---

The ability to estimate total distance covered and speed of soccer players is crucial. In sports analytics, these two parameters are essential for continuously monitoring both team or individual. By quantifying total distance covered and velocity, the performance statistics can be obtained. Previous studies suggest estimating total distance covered and speed is at most importance. In computer vision, tracking can be utilized to estimate the velocity and total distance covered. Nonetheless, up until now, there is no study that discussed the estimation of speed and total distance covered using computer vision. As such, to fill the literature gap and to investigate this unexplored topic, this research is performed to analyze the performance of combination of object tracking and object detection algorithm for estimating total distance covered and speed of soccer players. This research employs several object detection algorithms: YOLOv10, YOLO11, and YOLO12 with size nano and small as the recent developed algorithm real-time purpose. This research also employs several high-performing trackers: SORT, DeepSORT, and ByteTrack. Experimental results suggests that the combination of YOLO12s and SORT algorithm produce the highest performance in terms of total distance covered estimation, that is MAE=3.438. Also, the combination of YOLO11n and SORT algorithm achieves the highest performance in terms of speed estimation, with MAE=0.966, RMSE=1.508, and correlation coefficient=0.434. R. This research provides experimental basis as the combination of YOLO object detection model combined with SORT algorithm can be a choice for estimating speed and total distance covered of soccer player. "

"Nowadays, there are many robotic applications being developed to do tasks autonomously without any interactions or commands from human. Therefore, developing a system which enables a robot to do surveillance such as detection and tracking of a moving object will lead us to more advanced tasks carried out by robots in the future. AR.Drone is a flying robot platform that is able to take role as UAV (Unmanned Aerial Vehicle). Usage of computer vision algorithm such as Hough Transform makes it possible for such system to be implemented on AR.Drone. In this research, the developed algorithm is able to detect and track an object with certain shape and color. Then the algorithm is successfully implemented on AR.Drone quadcopter for detection and tracking.Saat ini, ada banyak aplikasi robot yang telah dikembangkan untuk melakukan suatu tugas secara autonomous tanpa interaksi atau menerima perintah dari manusia. Oleh karena itu, mengembangkan sistem yang memungkinkan robot untuk melakukan tugas pengawasan seperti deteksi dan tracking terhadap suatu objek yang bergerak akan memungkinkan kita untuk mengimplementasikan tugas-tugas yang lebih canggih pada robot di masa mendatang. AR.Drone adalah salah satu platform robot terbang yang dapat berperan sebagai UAV (Unmanned Aerial Vehicle). Penggunaan algoritma com-puter vision seperti Hough Transform memungkinkan sistem semacam itu dapat terimplementasi pada AR.Drone. Pada penelitian ini, algoritma yang diterapkan mampu melakukan deteksi dan tracking ter-hadap suatu objek berdasarkan bentuk dan warna tertentu. Hasil yang diperoleh dari penelitian ini me-nunjukkan sistem deteksi dan tracking objek secara autonomous dapat diimplementasikan pada quad-copter AR.Drone."

"Issue keselamatan atau safety merupakan salah satu capaian yang paling penting di industri pertambangan. Hal ini dikarenakan adanya kecelakaan kerja dapat berakibat fatal bagi intensitas produksi yang dapat dilakukan hingga berpotensi untuk terjadinya pencabutan izin operasional perusahaan oleh pemerintah. Pada PT X sendiri, pelanggaran atau deviasi yang berisiko sangat tinggi untuk terjadinya kecelakaan kerja yang mengakibatkan kematian adalah terkait dengan adanya manusia di area operasional pertambangan tanpa izin dan jarak tidak aman dari kendaraan-kendaraan yang ada, khususnya kendaraan dengan muatan berat seperti HD (Heavy Duty Dump Truck). Oleh karena itu, pada penelitian ini akan diusulkan metode deteksi objek yang berbasis deep learning YOLOv4 untuk mendeteksi objek manusia dan HD beserta penggunaan jarak Euclidean untuk estimasi jarak tidak aman antar kendaraan HD. Dengan menggunakan sebanyak 2009 gambar sebagai data latih dan sebanyak 201 gambar sebagai data uji, dihasilkan nilai mAP terbaik selama proses pelatihan model sebesar 88,76% dan nilai recall objek manusia dan HD pada sebanyak 10 video uji masing-masing sebesar 56,96% dan 55,73%. Nilai recall tersebut dapat meningkat cukup signifikan manakala teknologi CCTV dilakukan proses zoom in. Adanya penelitian ini diharapkan dapat membantu pengawas untuk mendeteksi deviasi-deviasi yang terjadi di area operasional pertambangan, khususnya untuk deteksi objek manusia dan HD beserta prediksi jarak tidak aman antar HD.

---

The safety issue is one of the most important achievements in the mining industry. This is because work accidents can be fatal for the intensity of production that can be carried out and the government has the potential to revoke the company's operating license. At PT X itself, violations or deviations that pose a very high risk for work accidents resulting in death are related to the presence of humans in the mining operational area without a permit and an unsafe distance from existing vehicles, especially vehicles with heavy loads such as HD. Therefore, in this study, an object detection method based on deep learning YOLOv4 will be proposed to detect human and HD (Heavy Duty Dump Truck) objects along with the estimation of unsafe distances between HD vehicles using euclidean distance method. By using as many as 2009 images as training data and as many as 201 images as test data, the best mAP value during the model training process is 88.76% and the recall value of human and HD objects in 10 test videos are 56.96% and 55.73%. The recall value can increase significantly when CCTV technology is zoomed in. The existence of this research is expected to help supervisors to detect deviations that occur in the mining operational area, especially for the detection of human objects and HD along with predictions of unsafe distances between HD."

"Computer vision merupakan cabang dari bidang ilmu kecerdasan buatan yang mempelajari bagaimana sebuah komputer dapat memahami suatu gambar yang diberikan. Salah satu contoh nyata dari penerapan computer vision adalah pengenalan objek bola pada robot sepak bola. Salah satu tantangan yang dapat menyulitkan robot dalam mendeteksi bola adalah warna bola yang sebagian besar berwarna putih. Hal ini menjadi tantangan karena warna putih sangat rentan terhadap noise. Metode tradisional yang hanya dapat mendeteksi satu bentuk saja tidak cukup untuk memenuhi kebutuhan tersebut, karenanya digunakan pendeteksian berdasarkan machine learning. Salah satu metode pengenalan objek berdasarkan machine learning yang sering digunakan adalah metode Jaringan Saraf Tiruan. Pada tulisan ini, sistem penglihatan robot sepak bola untuk mengenali objek bola dirancang menggunakan metode jaringan saraf tiruan dengan library pengolahan citra OpenCV dalam bahasa pemrograman C++. Berdasarkan pengujian kinerja sistem dalam mendeteksi bola pada gambar mendapatkan nilai accuracy sebesar 0.9987, nilai precision sebesar 0.8055, nilai recall sebesar 0.7, dan FPS sebesar 6. Sedangkan kinerja sistem pembanding dengan menggunakan SVM pada dataset yang sama mendapatkan nilai accuracy sebesar 0.988, nilai precision sebesar 0.167, nilai recall sebesar 0.966, dan FPS sebesar 7,7. Setelah kedua metode dibandingkan dapat disimpulkan bahwa metode jaringan saraf tiruan dapat mendeteksi bola lebih akurat berdasarkan nilai F-Score yang didapatkan yaitu 0.749 pada sistem yang dibuat berbanding dengan 0.285 pada sistem pembanding, namun memerlukan waktu proses yang lebih lama.

---

Computer vision is a branch of the field of artificial intelligence that studies how a computer can understand a given image. An example of the application of computer vision is detecting a ball object on a soccer robot. One of the challenges that can make it difficult for the robot to detect the ball is the color of the ball, which is mostly white. This becomes a challenge because white is very susceptible to noise. Traditional methods that can only detect one form are not sufficient to meet these needs, therefore detection based on machine learning is used. One of the object detection methods based on machine learning that is often used is the Artificial Neural Network method. In this paper, the system to detect ball object is implemented using an artificial neural network method with the OpenCV image processing library in the C ++ programming language. Based on testing the performance of the system at detecting ball have the accuracy value of 0.9987, precision value of 0.8055, recall value of 0.7, and FPS of 6. While the performance of the comparison system using SVM on the same dataset gets accuracy value of 0.988, precision value of 0.167, recall value of 0.966, and FPS of 7.7. After the two methods were compared, it can be concluded that the artificial neural network method can detect the ball more accurately based on the F-Score value obtained, which is 0.749 compared to 0.285, but it requires a longer processing time"

"Indonesia adalah negara yang memiliki lalu lintas penerbangan yang cukup padat setiap harinya. Oleh karena itu, keselamatan penerbangan merupakan hal yang sangat penting untuk diperhatikan, salah satunya adalah keamanan landasan pacu. Landasan pacu merupakan komponen penting dalam kegiatan penerbangan karena pesawat menggunakannya untuk lepas landas dan pendaratan. Benda asing atau FOD (Foreign Object Debris) dapat muncul pada landasan pacu yang dapat menimbulkan kerusakan pada pesawat dan dapat menimbulkan kecelakaan. Oleh karena itu, diperlukan suatu sistem keamanan yang mampu mendeteksi benda-benda asing tersebut secara real-time. Salah satu pendekatan yang dapat dilakukan yaitu menggunakan teknologi Computer Vision dengan menggunakan kamera. Metode ini memanfaatkan teknologi Artificial Intelligence (AI) untuk mendeteksi FOD. Dari berbagai metode atau algoritma yang dikembangkan untuk Computer Vision, SSD dan YOLO merupakan metode yang paling sering digunakan untuk keperluan mendeteksi secara real-time karena performa FPS dan akurasinya yang tinggi. Dimana pada penelitian ini didapatkan SSD MobileNet V2 dapat meraih hingga 12 FPS dengan nilai mAP 0.5 sebesar 86.8% dan untuk YOLOv4 dapat meraih hingga 31 FPS dengan nilai mAP 0.5 sebesar 98.73%.

---

Indonesia is a country that has quite heavy air traffic every day. Therefore, safety is a very important thing to pay attention to, one of them is runway safety. The runway is an important component in aviation activities because aircraft use it for takeoff and landing. Foreign objects or FOD (Foreign Object Debris) could appear on the runway which can cause damage to the aircraft and may result in an accident. Therefore, we need a security system that can detect foreign objects in real-time. One approach that can be done is to use Computer Vision technology by using a camera. This method utilizes Artificial Intelligence (AI) technology for FOD detection. Of the various methods or algorithms developed for Computer Vision, SSD and YOLO are the most frequently used methods for real-time detection because of their high FPS and accuracy performance. Where in this study it was found that SSD MobileNet V2 can reach up to 12 FPS with mAP 0.5 value of 86.8% and for YOLOv4 can reach up to 31 FPS with mAP 0.5 value of 98.73%."

"Pemerintah Indonesia telah menerapkan kebijakan wajib menggunakan masker di ruang publik untuk mencegah penularan Covid-19. Sebagai dukungan terhadap inisiatif ini, petugas bekerja untuk memastikan kepatuhan, terutama di area ramai seperti mal dan gedung perkantoran. Namun, mengandalkan penegakan secara manual menimbulkan tantangan karena potensi kesalahan dan kelalaian manusia. Untuk mengatasi hal ini, penelitian ini berfokus pada pengembangan sistem deteksi masker menggunakan YOLOv5, yang mampu mendeteksi tiga kelas masker yang berbeda. Penulis mengumpulkan dan menyusun dataset dari berbagai sumber, yang terdiri dari total 1500 bounding box, dengan sekitar 500 bounding box per kelas. Selain itu, penulis melakukan perbandingan dengan model CNN sederhana untuk menemukan praktik terbaik sehingga mendapatkan model YOLOv5 yang paling optimal. Melalui berbagai eksperimen dengan parameter yang berbeda, penulis menemukan bahwa hasil terbaik dicapai menggunakan dataset dengan ukuran gambar 640px dan ukuran batch 8. Model menunjukkan nilai precision sebesar 0,864, nilai recall sebesar 0,824, dan nilai mAP50 sebesar 0,877. Penelitian ini memberikan kontribusi dalam upaya kesehatan masyarakat dengan menyediakan sistem deteksi masker otomatis yang dapat membantu pihak berwenang dalam memantau kepatuhan penggunaan masker secara efektif dan efisien, sehingga dapat mengurangi penyebaran Covid-19.

---

The Indonesian government has implemented a mandatory mask-wearing policy in public spaces to prevent the transmission of Covid-19. In support of this initiative, officials are working to ensure compliance, particularly in crowded areas such as malls and office buildings. However, relying solely on manual enforcement poses challenges due to the potential for human error and negligence. To address this, this research focuses on developing a mask detection system using YOLOv5, capable of detecting three different classes of masks. We collected and curated a dataset from various sources, comprising a total of 1500 bounding boxes, with approximately 500 bounding boxes per class. In addition, we conducted a comparison with a CNN model to find best practice so as to get the most optimal YOLOv5 model. Through various experiments with different parameters, we found that the best results were achieved using a dataset with 640px image size and a batch size of 8. The model demonstrated a precision value of 0.864, recall value of 0.824, and Map50 value of 0.877. This research contributes to the ongoing efforts in public health by providing an automated mask detection system that can assist authorities in monitoring mask compliance effectively and efficiently, thereby mitigating the spread of Covid-19"

"Saat ini, teknologi komputer 3D semakin berkembang pesat khususnya dengan hadirnya library OpenGL yang memudahkan programmer membuat bentukbentuk 3D dalam aplikasi. Selain untuk game dan film, teknologi tersebut juga diaplikasikan pada virtual reality. Untuk mewujudkan unsur real dalam suatu simulasi virtual, hal yang perlu diperhatikan adalah kualitas grafis, suara, kemampuan user untuk berinteraksi dengan aplikasi, kontrol, dan algoritmaalgoritma yang mendukungnya, salah satunya adalah collision detection. Algoritma ini memungkinkan avatar tidak dapat menembus objek dan memudahkan pemograman aplikasi-aplikasi lain yang interaktif. Dalam skripsi ini dibuat suatu virtual musium yang interaktif dan terlihat real dengan menggunakan Croquet untuk membuat tampilan 3 dimensi.Tujuan utama dalam skripsi ini adalah mengimplementasikan objek interaktif dan algoritma collision detection pada musium virtual. Dalam virtual musium yang dibuat, user dapat berinteraksi dengan objek-objek tertentu. Objek-objek ini didefinisikan dengan suatu class baru, misalnya pintu musium, manuskrip, dan lift. Selain itu, juga terdapat objek yang melakukan animasi, seperti langit yang dapat berubah dan jam dinding. Untuk menambah kesan real, ditambahkan algoritma collision detection, yaitu algoritma yang mencegah avatar menembus benda. Algoritma collision detection bekerja dengan membandingkan posisi avatar sebelum dan sesudah bergerak dengan posisi tempat terjadinya tabrakan, kemudian memundurkan avatar sebagai respons dari adanya tabrakan tersebut.Objek patung yang terdapat di dalam musium diimpor dari file model 3D berformat .ase. Aplikasi kemudian diuji coba oleh 10 pemakai yang menjadi responden penelitian. Pengguna sistem yang melakukan uji coba yang kebanyakan kurang familiar dengan bahasa pemograman yang digunakan untuk membuat aplikasi (rata-rata 2 dari skala 5) menilai musium secara keseluruhan cukup baik, dengan rata-rata 3 dari skala 5. Pengguna juga cukup puas dengan kehadiran beberapa objek yang disimulasikan dan objek lain yang dapat berinteraksi dengan mereka (rata-rata 4 dari skala 5), begitu pula dengan kinerja collision detection, dengan rata-rata 4 dari skala 5.

---

Nowadays, computer 3D technology grows rapidly especially for OpenGL library which enable programmer to easily make 3D shapes. In addition to gaming and film, this technology can be applied for virtual reality. Graphic quality, sound quality, user ability to interact with applications, controls, and algorithms which support virtual simulation are very important in virtual reality. Collision detection is the new feature introduced in this works. These algorithms make avatar can not penetrate some objects and interactive application programming can be made easily.

The purpose of this work is implement interactive virtual museum using Croquet. 3D virtual reality application can be made with this engine. In this virtual museum, users can interact with certain objects. These objects will be defined with a new class. These objects are museum door, manuscript, and lift. On the other hand, there are animated object, such as changing sky and clock. Collision detection algorithm has been added in this work, to make Croquet approve to reality. This algorithm will prevent avatar from penetrating objects.

This museum design is implemented in Croquet with primitive shapes in Croquet utility. The statues in this museum are imported from 3D formatted file with extension .ase. This application was tested by ten users. It was found that the users does not accustom to programming language used in application (approximately on scale 2 from 5), appreciate the overall of museum good enough (approximately on scale 3 from 5). The users also satisfied with the interaction of the simulated objects with them (approximately on scale 4 from 5), also with the work of collision detection (approximately on scale 4 from 5)."

"Skripsi ini mengkaji perbandingan antara dua metode kompresi video terkini, AV1 dan Versatile Video Coding (VVC), serta pengaruh tiga jenis filter - Bilateral, Histogram Equalization, dan Laplacian - dalam konteks deteksi jumlah kendaraan pada video lalu lintas. Tujuan utama adalah untuk menentukan metode kompresi mana dan dengan penggunaan filter atau tidak yang paling efektif dalam meningkatkan akurasi dan efisiensi deteksi objek. Penelitian ini menggunakan video lalu lintas jalanan, yang dikompresi menggunakan metode AV1 dan VVC, dan kemudian diterapkan filter sebagai modul preprocessing. Parameter yang diukur meliputi waktu encoding, peak signal-to-noise ratio (SNR), bit rate, Bjontegaard Metric dan Rata-rata Confidence score dalam deteksi objek. Hasil penelitian ini diharapkan memberikan wawasan baru tentang pengaruh metode kompresi video dan teknik filtering terhadap kinerja aplikasi deteksi objek dalam video lalu lintas, serta memberikan rekomendasi untuk aplikasi serupa di masa depan.

---

This thesis examines the comparison between two recent video compression methods, AV1 and Versatile Video Coding (VVC), and the impact of three types of filters - Bilateral, Histogram Equalization, and Laplacian - in the context of vehicle count detection in traffic videos. The primary objective is to determine which is the most effective compression method and whether to use of filters or not in improving the accuracy and efficiency of object detection. This study uses traffic road videos, which are compressed using the AV1 and VVC methods, and then filters are applied as preprocessing modules. The measured parameters include Encoding Time, peak signal-to-noise ratio (SNR), bit rate, Bjontegaard Metric, and Average Confidence score in object detection. The results of this study are expected to provide new insights into the impact of video compression methods and filtering techniques on the performance of object detection applications in traffic videos, as well as to provide recommendations for similar applications in the future."

"Kamera digunakan oleh pengelola jalur lalu lintas kendaraan di jalan besar pada beberapa kota-kota di Indonesia untuk tujuan pengawasan, pengendalian, hingga pengambilan bukti pelanggaran atau kronologi kecelakaan pada ruas jalan tersebut. Namun, penggunaan kamera ini masih dalam tahap menerima data yang kemudian tindakan selanjutnya dilakukan secara manual. Sedangkan, banyak kebutuhan yang dapat dipenuhi dengan adanya perkembangan teknologi pada bidang komputasi. Salah satunya adalah penggunaan kamera tersebut dapat dimaksimalkan dengan mengimplementasikan algoritma pembelajaran mesin untuk menentukan jalur lalu lintas mana yang menjadi prioritas pada persimpangan dengan kuantifikasi kepadatan kendaraan pada ruas jalan. Pada penilitian ini sistem kuantifikasi kepadatan kendaraan melalui data gambar dikaji dengan menggunakan algoritma untuk mendeteksi objek kendaraan pada seperti YOLOv4 yang merupakan state-of-the-art dalam algoritma pendeteksian karena memiliki akurasi yang lebih baik dan juga lebih cepat dibandingkan dengan arsitektur deteksi objek lainnya. Selain itu, diimplementasikan juga algoritma pelacakan objek kendaraan seperti CSRT/KCF sehingga tidak perlu melakukan proses deteksi secara terus-menerus dan dapat mengurangi biaya komputasi. Hasil percobaan pada penilitian ini membuktikan bahwa kombinasi model deteksi dan pelacakan dapat digunakan secara real-time maupun interaktif. Walaupun nilai mAP dari model YOLOv4 mengalami penurunan sekitar 20.65%, namun perbedaan antara hasil kuantifikasi kepadatan kendaraan sistem dan nilai aktual masih tidak terlalu jauh yaitu sekitar 1-5%, tergantung dengan jenis model yang digunakan.

---

Cameras are used by traffic lane managers on major roads in several cities in Indonesia for the purpose of monitoring, controlling, and collecting evidence of violations or chronology of accidents on those roads. However, the use of this camera is still in the stage of receiving data, then further actions are carried out manually. Meanwhile, many needs can be met with the development of technology in the field of computing. One of them is that the use of the camera can be maximized by implementing machine learning algorithms to determine which traffic lanes are the priority at intersections by quantifying the density of vehicles on the road. In this study, the vehicle density quantification system through image data will be studied using an algorithm to detect vehicle objects such as YOLOv4 which is a state-of-the-art detection algorithm because it has better accuracy and is also faster than other object detection architectures. In addition, vehicle object tracking algorithms such as CSRT/KCF will also be implemented so that there is no need to carry out the detection process continuously and can reduce computational costs. To meet the needs of image data processing from the video as well as the configuration of the AI ​​model, one of the libraries, namely OpenCV, will be used to facilitate the creation and optimization of machine learning models/algorithms. This research proves that the combination of detection and tracking models can be used in real-time or interactively. Although the mAP value of the YOLOv4 model has decreased by about 20.65%, the difference between the system vehicle density quantification results and the actual value is still not too far away, around 1-5%, depending on the type of model used."

"Pandemi COVID-19 mendorong adanya transformasi kesehatan, terutama dalam praktik kedokteran gigi. Respon terhadap risiko penularan menggiring masyarakat menuju layanan telemedicine, khususnya teledentistry. Fenomena ini menciptakan paradigma baru dalam ortodonti, mendorong perkembangan teleorthodontic. Dukungan teknologi machine learning di bidang ortodonti menawarkan solusi inovatif untuk diagnosis dini dan peningkatan aksesibilitas layanan ortodontik. Penelitian ini akan membandingkan 3 model computer vision yaitu EfficientNet, MobileNet, dan ShuffleNet disertai dengan adanya penambahan model tabular yaitu TabNet. Implementasi model computer vision ini bertujuan untuk dapat memberikan analisis awal bagi pasien ortodonti dan akan dievaluasi menggunakan metrik F1-score dan interpretability ahli dengan bantuan LIME. Berdasarkan penelitian ini, ditemukan bahwa model computer vision ShuffleNet memiliki rata-rata hasil nilai F1-score terbaik diikuti dengan EfficientNet dan terakhir MobileNet. Perbedaan nilai tersebut berkisar antara 1-5% antara EfficientNet dan ShuffleNet namun perbedaan melebar untuk MobileNet dan ShuffleNet yang berkisar antara 3-8%. Selain itu, penambahan TabNet dalam framework memberikan peningkatan rata-rata nilai F1-score sebesar 2.7% hingga 5% dibandingkan model yang tidak menggunakan TabNet.

---

The COVID-19 pandemic has driven health transformation, especially in dental practice. The response to the risk of transmission leads the public towards telemedicine services, especially teledentistry. This phenomenon creates a new paradigm in orthodontics, encouraging the development of teleorthodontics. The support of machine learning technology in orthodontics offers innovative solutions for early diagnosis and increased accessibility to orthodontic services. This study will compare 3 computer vision models, which are EfficientNet, MobileNet, and ShuffleNet, accompanied by adding a tabular model, which is TabNet. The implementation of this computer vision model aims to provide an initial analysis for orthodontic patients and will be evaluated using the F1-score metric and expert interpretability with the help of LIME. This study found that the ShuffleNet computer vision model has the best average F1-score, followed by EfficientNet, and finally MobileNet. The difference in value ranges between 1-5% between EfficientNet and ShuffleNet, but the difference widens for MobileNet and ShuffleNet, which ranges between 3-8%. In addition, adding TabNet to the framework provides an average increase in F1-score by 2.7% to 5% compared to models that do not use TabNet."