Perpustakaan Digital ITB

Karies gigi adalah salah satu penyakit kronis dengan prevalensi tinggi di seluruh dunia, terutama di Indonesia, di mana prevalensinya mencapai 88,8% pada tahun 2018. Karies gigi disebabkan oleh asam yang dihasilkan oleh bakteri dalam plak, yang merusak enamel gigi dan dapat menyebabkan infeksi serius serta kehilangan gigi jika tidak segera diobati. Karies dapat dideteksi dini salah satunya dengan menggunakan citra radiografi periapikal. Dokter perlu mengenali gigi yang mengalami karies secara manual. Penelitian ini mengembangkan model deteksi karies gigi secara otomatis. Teknik yang dikembangkan menggunakan algoritma k- Nearest Neighbours (KNN) dengan interpolasi cubic, memanfaatkan fitur Gray- Level Co-occurrence Matrix (GLCM) pada jarak 10 piksel dan ukuran gambar 20x20. Hasil penelitian menunjukkan bahwa model KNN ini memiliki performa yang sangat baik dengan akurasi tinggi, baik pada data validasi maupun data uji, serta nilai Area Under Curve (AUC) yang menunjukkan kemampuan kuat dalam membedakan antara gambar gigi sehat dan yang mengalami karies. Evaluasi metrik tambahan, termasuk prescision, recall, F1-score, dan specificity, menunjukkan efektivitas model dalam mengidentifikasi sampel positif dan negatif dengan tingkat kesalahan yang rendah. Aspek GLCM yang paling berpengaruh dalam analisis ini adalah dissimilarity, yang berhasil menangkap variasi intensitas signifikan antara piksel yang berdekatan, menjadikannya fitur kunci dalam meningkatkan akurasi klasifikasi dan efektivitas model. Penelitian ini menyimpulkan bahwa kombinasi GLCM dengan fokus pada dissimilarity dan algoritma KNN dapat menjadi pendekatan yang sangat efektif dalam mendeteksi karies gigi, memberikan kontribusi yang berarti dalam upaya meningkatkan diagnosis dini dan perawatan karies secara klinis.