Penelitian ini mengusulkan digitalisasi pada bidang kedokteran gigi untuk membantu dokter gigi dalam pengisian medical record pada saat pemeriksaan pasien. Pada saat ini, dokter gigi masih menggunakan cara manual untuk mengisi form evaluasi odontogram dengan menggambar dan melabeli setiap kedaadan gigi pasien berdasarkan observasi. Konsekuensi yang ditimbulkan adalah lamanya waktu pengisian dalam satu waktu. Untuk menyelesaikan permasalahan tersebut. kami membuat platform electronic medical record dengan menggunakan teknologi CNN untuk mengenali keadaan gigi manusia. Digitalisasi dengan teknologi deep learning akan mengefisiensi pemgisian medical record. Kami menggunakan YOLOv5 sebagai model deteksi objek dan beberapa model klasifikasi (MobileNetV2, VGG16, dan IONet) untuk mengenali delapan jenis gigi manusia dan lima keadaan gigi yang sering dijumpai pada gigi manusia yaitu: normal, tumpatan, karies, sisa akar, dan impaksi. Kami menggunakan 9.409 gambar intraoral yang terbia menjadi 5.701 data sebagai dataset jenis gigi dan 3.708 data untuk dataset kondisi gigi. Kami mengumpulkan dan menganotasi dataset dengan bantuan ahli. Berdasarkan hasil eksperimen, YOLOv5 M sebagai model deteksi objek mendapatkan nilai mAP tertingi pada kedua dataset. YOLOv5 M menghasilkan 99% dan 96% nilai mAP pada dataset jenis dan kondisi gigi. IONet dan MobileNetV2 memiliki performa yang lebih baik dengan VGG16 berdasarkan nilai akurasi. IONet dan MobileNet mendapatkan 99% akurasi pada dataset kondisi gigi. MobileNet V2 juga mendapatkan nilai akurasi gigi pada dataset jenis gigi dengan nilai 95%.