Radiografi panoramik merupakan alat penting dalam diagnosis kelainan gigi, namun proses analisis manual sering menghadapi kendala seperti variabilitas pengalaman dokter dan kualitas citra yang tidak konsisten. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem segmentasi dan deteksi otomatis pada citra radiografi panoramik menggunakan metode Mask R-CNN. Model dilatih menggunakan pendekatan teacher–student dan diuji pada empat jenis kelainan, yaitu karies, impaksi, lesi periapikal, dan resorpsi, dengan dua pra-pemrosesan berbeda (CLAHE dan Gamma Correction) dan tiga backbone berbeda (ResNet50+FPN, ResNet101+FPN, dan SWIN-T). Evaluasi dilakukan menggunakan metrik Average Precision (AP) dan Average Recall (AR), serta uji inferensi kualitatif pada 10 citra beranotasi. Hasil menunjukkan bahwa student model dengan backbone ResNet50+FPN memberikan performa terbaik dengan AP sebesar 48.7% dan AR sebesar 34.57% untuk bounding box, serta 45.5% dan 33.57% untuk masking. Pada evaluasi klasifikasi deteksi menggunakan 10 citra, model ini mencapai akurasi 95%. Penelitian ini menunjukkan bahwa Mask R-CNN berpotensi digunakan sebagai alat bantu pendukung diagnosis awal pada radiografi panoramik, meskipun performa masih tergolong moderat sehingga diperlukan peningkatan lebih lanjut. Sistem ini sekaligus menyediakan langkah awal pengembangan platform analisis citra gigi berbasis web yang dapat membantu mempercepat proses identifikasi.