Implementasi Algoritme Modified K-Nearest Neighbor (MKNN) Untuk Mengidentifikasi Penyakit Gigi Dan Mulut

Implementasi Algoritme Modified K-Nearest Neighbor (MKNN) Untuk Mengidentifikasi Penyakit Gigi Dan Mulut

Penulis

  • Muhammad Reza Ravi Fakultas Ilmu Komputer, Universitas Brawijaya
  • Indriati Indriati Fakultas Ilmu Komputer, Universitas Brawijaya
  • Sigit Adinugroho Fakultas Ilmu Komputer, Universitas Brawijaya

Kata Kunci:

Gigi dan Mulut, Klasifikasi, Metode MKNN

Abstrak

Gigi dan mulut adalah merupakan bagian terpenting dari tubuh manusia yang harus dijaga dan dirawat. Tetapi masalah penyakit gigi dan mulut di Indonesia masih perlu mendapatkan perhatian. Ada beberapa jenis penyakit gigi dan mulut. Penyakit yang paling banyak diderita oleh masyarakat Indonesia adalah penyakit gigi berlubang, penyakit gigi karies dan penyakit periodontitis. Penyebab penyakit gigi dan mulut adalah kebersihan yang buruk pada gigi, mengonsumsi makanan dan minuman yang mengandung karbohidrat tinggi, merokok, mengonsumsi minuman yang beralkohol, menyikat gigi yang tidak benar dan juga tumbuh gusi yang tidak sempurna. Hal tersebut memiliki gejala-gejala antara lain gigi jadi lebih sensitif, timbulnya rasa sakit yang tidak menentu, dan sering merasakan ngilu atau nyeri ketika menggigit sesuatu. Pada penelitian ini dilakukan identifikasi jenis penyakit gigi dan mulut yang ditentukan dari gejala yang dialami dengan menggunakan metode klasifikasi Modified K-Nearest Neighbor (MKNN). Metode MKNN adalah metode perkembangan dari KNN, terdapat perbedaan dari MKNN dan KNN yaitu MKNN terdapat proses perhitungan validitas dan Weight Voting. Penelitian ini menggunakan 6 kelas yang meliputi Pulpitis, Gingivtis, Karies Gigi, Periodontitis, Deposits, dan Nekrosis Pulpa. Penelitian ini membuktikan bahwa pada data latih sebanyak 70 dan data uji 30 serta nilai K=60, metode MKNN dapat melakukan identifikasi jenis penyakit gigi dan mulut dengan mencapai 86,6%. Pada penelitian ini juga membuktikan bahwa metode MKNN cenderung lebih tinggi akurasinya dibandingkan dengan metode KNN dimana metode MKNN memiliki tingkat akurasi 76,66% sedangkan KNN 43,33%. hal tersebut disebabkan oleh adanya perhitungan nilai validitas yang akan mempengaruhi Weight Voting dan juga akurasi.

Unduhan

Diterbitkan

10 Jan 2019

Cara Mengutip

Ravi, M. R., Indriati, I., & Adinugroho, S. (2019). Implementasi Algoritme Modified K-Nearest Neighbor (MKNN) Untuk Mengidentifikasi Penyakit Gigi Dan Mulut. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(3), 2596–2602. Diambil dari https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4758

Terbitan

Bagian

Artikel
Loading...