Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
K-Means untuk KLASIFIKASI PENYAKIT KARIES GIGI Novita Meisida1, Oni Soesanto, S.Si, M.Si 2, Heru Kartika Chandra, S.Si, M. T 3 1 Prodi Ilmu Komputer Fakultas MIPA UNLAM 2 Prodi Matematika Fakultas MIPA UNLAM 3 Prodi Komputerisasi Akuntansi POLIBAN Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email:
[email protected] Abstrak Masalah kesehatan gigi dan mulut, menjadi perhatian yang sangat penting dalam pembangunan kesehatan. Hasil laporan survei Kesehatan Rumah Tangga tahun 2001 menunjukkan bahwa kesehatan gigi dan mulut di Indonesia merupakan hal yang perlu diperhatikan. Berdasarkan hasil laporan Poli Gigi Medical Center ITS 2009 didapatkan datadata berupa data karakteristik karies gigi dan kelas-kelas karies gigi berdasarkan anatomi J. V. Black. Dari data-data tersebut dapat dilakukan pengklasifikasian dengan menggunakan metode Clustering K-Means. Metode Clustering K-Means digunakan karena K-Means melakukan pengelompokkan data dengan sistem partisi, dimana data dalam satu kelompok memiliki karakteristik yang sama satu sama lainnya, dan memiliki karekteristik berbeda dengan kelompok lainnya. Hasil pengklasifikasian metode ClusteringK-Means dibandingkan hasilnya dengan laporan Poli Gigi Medical Center ITS 2009, untuk membandingkan keakuratanClustering K-Means. Kata Kunci: K-Means, Karies Gigi, Klasifikasi Abstract Oral health problems , a concern which is very important in health development. Results of Household Health Survey report in 2001 showed that oral health in Indonesia are things that need attention. Based on the report of Poly Teeth ITS Medical Center 2009 obtained data characteristics of dental caries and dental caries classes based on the anatomy of the JV Black. From these data can be classification using K - Means clustering method. K Means clustering method is used for grouping data partitioning system, where data in one group have similar characteristics to each other, and have different characteristics with other groups. Classification results using K - Means Clustering method will be compared with the results of reports Poly Teeth ITS Medical Center 2009, to compare and get result from accuracy of the K - Means Clustering. Keywords: K-Means, Caries, Classification K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |12
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
1. PENDAHULUAN Penyakit gigi dan mulut dapat di bagi dua, yaitu penyakit gigi yang menyerang jaringan keras atau gigi dan jaringan lunak atau mulut dan gusi.Penyakit yang menyerang jaringan keras disebut karies gigi atau yang lebih dikenal dengan penyakit gigi berlubang. Dari kedua penyakit gigi tersebut maka tindakan dan resep yang diberikanpun akan berbeda-beda sesuai dengan penyakit gigi dan mulut yang dialami oleh pasien [5]. Karies gigi merupakan penyakit yang paling banyak dijumpai. Penyakit ini terjadi karena demineralisasi jaringan permukaan gigi oleh asam organis yang berasal dari makanan yang mengandung gula. Hal-hal yang mendukung terjadinya karies gigi: Gigi yang peka, yaitu gigi yang mengandung sedikit flour atau memiliki lubang, lekukan maupun alur yang menahan plak; Bakteri, mulut mengandung sejumlah besar bakteri, tetapi hanya bakteri jenis tertentu yang menyebabkan pembusukan gigi [5]. Proses karies yang melalui emal-dentin dapat menyebabkan perubahan warna putih lokal (karies akutan) atau coklat sampai hitam. Perubahan warna ini kadangkadang menyebabkan sukarnya medeteksi karies gigi. Untuk memudahkan mendeteksi penyakit karies gigi, maka telah dilakukan pengelompokkan atau klasifikasi oleh G.V. Black berdasarkan lokasi, tingkat laju perkembangan, dan jaringan keras yang terkena [3]. Dalam sistem klasifikasi terdapat 2 Jenis yaitu supervised classification dan unsupervised classification. K-Means adalah unsupervised classification yang paling sederhana, secara detail teknik ini menggunakan ukuran ketidak miripan untuk mengelompokkan objek. K-Means merupakan salah satu metode cluster analisis non hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau lebih cluster atau kelompok objek berdasarkan karakteristiknya, sehingga objek yang mempunyai karakteristik yang sama dikelompokan dalam satu cluster yang sama dan objek yang mempunyai karakteristik yang berbeda dikelompokan kedalam cluster yang lain. Tujuan pengelompokan adalah untuk meminimalkan objective function yang di set dalam proses clustering, yang pada dasarnya berusaha untuk meminimalkan variasi dalam satu cluster dan memaksimalkan variasi antar cluster[5]. Penelitian ini dilakukan dengan menggunakan K-Means algoritma untuk cluster n objek berdasarkan atribut menjadi k partisi, dimana k < n, k akan menentukan klasifikasi data pada data karies gigi berdasarkan anatomi Black sedangkan n adalah data karies gigi [6]. 2. METODOLOGI PENELITIAN 2.1 Data Data yang digunakan untuk Klasifikasi ini adalah data mengenai pasien penyakit karies gigi yang diperoleh dari Medical Center ITS Jalan Arif Rahman Hakim Surabaya. Data pasien penyakit karies gigi yang diaplikasikan pada penelitian ini adalah data pasien pada tahun 2009. K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |13
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
2.2 Karies Gigi Karies Gigi adalah suatu proses kronis regresif, dimana prosesnya terjadi terus berjalan kebagian yang lebih dalam dari gigi sehingga membentuk lubang yang tidak dapat diperbaiki kembali oleh tubuh melalui proses penyembuhan, pada proses ini terjadi demineralisasi yang disebabkan oleh adanya interaksi kuman, karbohidrat yang sesuai pada permukaan gigi dan waktu [4]. Untuk memudahkan mendeteksi penyakit karies gigi, maka telah dilakukan pengelompokkan atau klasifikasi oleh G.V Black.Berikut adalah klasifikasi gigi menurut G.V. Black : 1. Kelas I. Karies yang terjadi pada bagian oklusal (pits dan fissure) dari gigi premolar dan molar (gigi posterior, gigi 4-8).Dapat juga terdapat pada gigi anterior di foramencaecum. 2. Kelas II. Karies yang terdapat pada bagian approximal (mesial dan distal) dari gigi-gigi molar atau premolar (gigi posterior, gigi 4-8), yang umumnya meluas sampai bagian oklusal. 3. Kelas III. Karies yang terdapat pada bagian approximal dari gigi depan, tetapi belum mencapai margo incisalis (belum mencapai β incisal gigi).Lubang di permukaan gigi yang menghadap ke langit-langit. 4. Kelas IV. Kelanjutan Kelas III. Karies telah meluas dari approximal dari gigi-gigi depan dan sudah mencapai margo incisalis (telah mencapai βincisal gigi). 5. Kelas V. Karies yang terdapat pada bagia 1/3 leher gigi-gigi depanatau permukaan halus dan fasial maupun gigi belakang pada permukaan labial, lingual, palatal ataupun bukal dari gigi.Lebih dominan timbul dipermukaan yang menghadap kebibir dan pipi dari pada lidah. 6. Kelas VI. Karies yang terdapat pada incisal edge dan cusp oklosal pada gigi belakang yang disebabkan oleh abrasi, atrisi atau erosi[5]. 2.3 Prosedure K-Means Metode K-Means berusaha mengelompokkan data yang ada kedalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada didalam kelompok yang lain [1]. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya. Digunakan fungsi kriteria: jumlah dari kesalahan kuadrat (sum of squared-error, SSE) yang dapat mengukur kualitas klastering yang dibuat π
πππΈ = β β π(π, ππ )2 π=1 πβπΆπ
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |14
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
p Π Ci = tiap data poin pada cluster i, mi = centroid dari cluster i, d = jarak/ distances/ variance terdekat pada masing-masing cluster i. Mengoptimalkan nilai fungsi kriteria tersebut, nilai SSE tergantung pada jumlah klaster dan bagaimana data dikelompokkan ke dalam klaster-klaster. Semakin kecil nilai SSE semakin bagus hasil klastering yang dibuat [1]. Proseduryang digunakan dalam melakukan optimasi menggunakan k-means adalah sebagai berikut: a) Pilih jumlah klaster k yang diinginkan b) Inisialisasi k pusat klaster (centroid) secara random/ acak c) Tempatkan setiap data atau objek ke klaster terdekat. Kedekatan dua objek ditentukan berdasar jarak. Jarak yang dipakai pada algoritma k-Means adalah Euclidean distance (d). π 2
π(π₯, π¦) = βπ₯ β π¦β = ββ(π₯π β π¦π )2 π=1
x = x1, x2, . . . , xn, dan y = y1, y2, . . . , yn merupakan banyaknya natribut(kolom) antara 2 record. d) Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster adalah rata-rata (mean) dari semua data atau objek dalam klaster tertentu. e) Tugaskan lagi setiap objek dengan memakai pusat klaster yang baru. Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Atau, kembali lagi ke langkah ke 3 sampai pusat klaster tidak berubah lagi/ stabil atau tidak ada penurunan yang signifikan dari nilai SSE (Sum of Squared Errors) [1]. 2.4 Uji Coba Dengan data yang sama uji coba dilakukan dengan membandingkan hasil Cluster K-Means dengan Klasifikasi karies gigi menurut anatomi Black dari hasil pemeriksaan dokter pada laporan poli gigi. 3. HASIL DAN PEMBAHASAN 3.1 Implementasi K-means Data pasien karies gigi sebanyak 375 orang akan diklasifikasikan dengan enam kelas klasifikasi berdasarkan anatomi Black. Berdasarkan data pasien yang ada, sejumlah data pasien penyakit karies gigi berdasarkan pembagian kelas Black yang telah diklasifikasikan oleh dokter dijadikan variable-variabel input untuk klasifikasi. Variable yang tercatat ada delapan yaitu π₯1 ,π₯2 ,π₯3 , β¦, π₯8 dimana, π₯1 = Karies terdapat pada permukaan aproksimal (mesial dan distal) π₯2 = Karies terjadi pada pit π₯3 = Karies terdapat pada permukaan halus π₯4 = Karies terdapat pada fasial π₯5 = Karies terdapat pada lingual gigi K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |15
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
π₯6 = Posisi gigi anterior π₯7 = Posisi gigi pasterior π₯8 = Posisi gigi insisal Sementara itu, enam target cluster sesuai dengan kelas klasifikasi Black yaitu : πΆ1 = Kelas I πΆ2 = Kelas II πΆ3 = Kelas III πΆ4 = Kelas IV πΆ5 = Kelas V πΆ6 = Kelas VI Berdasarkan data yang telah diperoleh, dilakukan bineralisasi untuk input dan kelas setiap data dengan menganalisa dan mencocokkan data penyakit karies gigi berdasarkan anatomi Black, yang dijadikan variable-variabel input untuk klasifikasi. Proses bineralisai dilakukan dengan memberikan suatu unit masukan yang nilainya selalu 1 untuk data pasien karies gigi yang sesuai dengan ciri-ciri klasifikasi berdasarkan anatomi Black seperti yang telah ditentukan berdasarkan delapan variable dan enam target cluster kelas dalam pengkalsifikasian dan nilai 0 untuk data pasien penyakit karies gigi yang tidak sesuai dengan ciri-ciri klasifikasi berdasarkan anatomi Black. Berikut penerapan K-mean pada klasifikasi karies gigi[2]. Tabel 1. Daftar Pasien Penyakit Karies Gigi No
Nama
Kelas Black
X1
X2
X3
X4
X5
X6
X7
X8
1
A
I
1
0
0
0
0
0
1
0
2
B
II
0
1
0
0
0
0
1
0
3
C
III
0
1
0
0
0
1
1
0
4
D
IV
0
1
0
0
0
1
0
1
5
E
V
0
0
1
1
1
0
0
0
6
F
VI
0
0
0
0
0
1
1
1
7
G
VI
0
0
0
0
0
1
0
1
8
H
V
0
0
1
0
1
1
0
0
9
I
II
0
0
0
0
0
0
1
0
10
J
I
1
0
0
0
0
0
1
0
11
K
III
0
1
0
0
0
1
1
0
12
L
II
0
1
0
0
0
0
1
0
1. Penentuan pusat awal cluster Untuk penentuan awal di asumsikan: Diambil Data ke-1 sebagai pusat cluster ke-1 : Diambil Data ke-2 sebagai pusat cluster ke-2 : Diambil Data ke-3 sebagai pusat cluster ke-3 : Diambil Data ke-4 sebagai pusat cluster ke-4 :
1 0 0 0
0 1 1 1
0 0 0 0
0 0 0 0
0 0 0 0
0 0 1 1
1 1 1 0
0 0 0 1
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |16
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
Diambil Data ke-5 sebagai pusat cluster ke-5 : Diambil Data ke-6 sebagai pusat cluster ke-6 :
0 0
0 0
1 0
1 0
1 0
0 1
0 1
0 1
2. Perhitungan jarak pusat cluster Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance, kemudian akan didapatkan matrik jarak sebagai berikut : Rumus Euclidian distance : d | x β y | =ββππ = (ππ β ππ)2 x = pusat cluster y = data C1 untuk data ke-1 : β(1 β 1)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (1 β 1)2 + (0 β 0)2 =0 C2 untuk data ke-1 : β(1 β 0)2 + (0 β 1)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (1 β 1)2 + (0 β 0)2 = 1.41 C3 untuk data ke-1 : β(1 β 0)2 + (0 β 1)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 1)2 + (1 β 1)2 + (0 β 0)2 = 1.73 C4 untuk data ke-4 : β(1 β 0)2 + (0 β 1)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 1)2 + (1 β 0)2 + (0 β 1)2 = 2.23 C5 untuk data ke-5 : β(1 β 0)2 + (0 β 0)2 + (0 β 1)2 + (0 β 1)2 + (0 β 1)2 + (0 β 0)2 + (1 β 0)2 + (0 β 0)2 = 2.23 C6 untuk data ke-6 : β(1 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 0)2 + (0 β 1)2 + (1 β 1)2 + (0 β 1)2 = 1.73 Cari jarak terpendek dari semua hasil clusteruntuk data ke-1 C1 C2 C3 C4 C5 C6 Jarak Terpendek 0 1.41 1.73 2.23 2.23 1.73 0 Dari perhitungan diatas didapatkan hasil seperti pada tabel 2. Tabel 2. Iterasi ke- 1 No
X1
X2
X3
X4
X5
X6
X7
X8
C1
C2
C3
C4
C5
C6
Jarak Terpendek
1
1
0
0
0
0
0
1
0
0
1.41
1.73
2.23
2.23
1.73
0
2
0
1
0
0
0
0
1
0
1.41
0
1
1.73
2.23
1.73
0
3
0
1
0
0
0
1
1
0
1.73
1
0
1.41
2.44
1.41
0
4
0
1
0
0
0
1
0
1
2.23
1.7
1.41
0
2.44
1.41
0
5
0
0
1
1
1
0
0
0
2.23
2.23
2.44
2.44
0
2.44
0
6
0
0
0
0
0
1
1
1
1.73
1.73
1.41
1.41
2.44
0
0
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |17
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
7
0
0
0
0
0
1
0
1
2
2
1.73
1
2.23
1
1
8
0
0
1
0
1
1
0
0
2.23
2.23
2
2
1.41
2
1.41
9
0
0
0
0
0
0
1
0
1
1
1.41
2
2
1.41
1
10
1
0
0
0
0
0
1
0
0
1.41
1.73
2.23
2.23
1.73
0
11
0
1
0
0
0
1
1
0
1.73
1
0
1.41
2.44
1.41
0
12
0
1
0
0
0
0
1
0
1.41
0
1
1.73
2.23
1.73
0
Setiap kolom pada matrik menunjukkan nilai jarak data terhadap pusat cluster. kolom pertama pada matrik menunjukkan nilai jarak data terhadap titik pusat cluster pertama, kolom kedua pada matrik menunjukkan nilai jarak data terhadap titik pusat cluster kedua dan seterusnya. 3. Pengelompokkan data Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data tersebut berada dalam group. G1 = Tabel 3.Hasil Iterasi ke- 1 No
C1
C2
C3
C4
C5
C6
1
1
0
0
0
0
0
2
0
1
0
0
0
0
3
0
0
1
0
0
0
4
0
0
0
1
0
0
5
0
0
0
0
1
0
6
0
0
0
0
0
1
7
0
0
0
1
0
1
8
0
0
0
0
1
0
9
1
1
0
0
0
0
10
1
0
0
0
0
0
11
0
0
1
0
0
0
12
0
1
0
0
0
0
4. Penentuan pusat cluster baru
Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster. Dari pengelompokan data iterasi ke-1 didapatkan hasil : Untuk C1 ada 3 buah data yakni, data ke-1, 9, dan 10 K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |18
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
Untuk C2 ada 3 buah data yakni, data ke-2, 9, dan 12 Untuk C3 ada 2 buah data yakni, data ke-3 dan 11 Untuk C4 ada 2 buah data yakni, data ke-4 dan 7 Untuk C5 ada 2 buah data yakni, data ke-5 dan 8 Untuk C6 ada 2 buah data yakni, data ke-6 dan 7 Untuk mendapatkan cluster baru dilakukan perhitungan sebagai berikut : 1+0+1 C1 : 3 = 0.67 C2 : C3 : C4 : C5 :
0+0+0 3 1+0+1 3 0+0 2 0+0 2 0+0
=0 = 0.67
=0 =0
C6 : 2 = 0 Dari hasil perhitungan tersebut didapatkan cluster baru seperti terlihat pada tabel. Tabel 4.Penentuan Pusat Cluster Baru No
X1
X2
X3
X4
X5
X6
X7
X8
Cluster baru
1
1
0
0
0
0
0
1
0
0.67
0
0
0
0
0
2
0
1
0
0
0
0
1
0
0
0.67
1
0.5
0
0
3
0
1
0
0
0
1
1
0
0
0
0
0
1
0
4
0
1
0
0
0
1
0
1
0
0
0
0
0.5
0
5
0
0
1
1
1
0
0
0
0
0
0
0
1
0
6
0
0
0
0
0
1
1
1
0
0
1
1
0.5
1
7
0
0
0
0
0
1
0
1
1
1
1
0
0
0.5
8
0
0
1
0
1
1
0
0
0
0
0
1
0
1
9
0
0
0
0
0
0
1
0
10
1
0
0
0
0
0
1
0
11
0
1
0
0
0
1
1
0
12
0
1
0
0
0
0
1
0
5. Ulangi langkah ke 2 (kedua) hingga posisi data tidak mengalami perubahan. D2 = Tabel 5.Iterasi ke- 2 No
1
2
3
4
5
6
7
8
C1
C2
C3
C4
C5
C6
Jarak Terpendek
1
1
0
0
0
0
0
1
0
0.33
1.2
1.73
2.06
2.12
1.8
0.33
2
0
1
0
0
0
0
1
0
1.2
0.33
1
1.8
2.12
1.8
0.33
3
0
1
0
0
0
1
1
0
1.56
1.05
0
1.5
2.12
1.5
0
4
0
1
0
0
0
1
0
1
2.1
1.76
1.41
0.5
2.12
1.11
0.5
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |19
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
5
0
0
1
1
1
0
0
0
2.1
2.1
2.44
2.29
0.7
2.29
0.7
6
0
0
0
0
0
1
1
1
1.56
1.56
1.41
1.11
2.1
0.5
0.5
7
0
0
0
0
0
1
0
1
1.85
1.85
1.73
0.5
1.87
0.5
0.5
8
0
0
1
0
1
1
0
0
2.1
2.1
2
1.8
0.7
1.8
0.7
9
0
0
0
0
0
0
1
0
0.67
0.67
1.41
1.8
1.87
1.5
0.67
10
1
0
0
0
0
0
1
0
0.33
1.2
1.73
2.06
2.12
1.8
0.33
11
0
1
0
0
0
1
1
0
1.56
1.05
0
1.5
2.12
1.5
0
12
0
1
0
0
0
0
1
0
1.2
0.33
1
1.8
2.12
1.8
0.33
Langkah selanjutnya sama dengan langkah pada nomer 3 jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data tersebut berada dalam group. G2 = Tabel 6.Hasil Iterasi ke- 2 No
C1
C2
C3
C4
C5
C6
1
1
0
0
0
0
0
2
0
1
0
0
0
0
3
0
0
1
0
0
0
4
0
0
0
1
0
0
5
0
0
0
0
1
0
6
0
0
0
0
0
1
7
0
0
0
1
0
1
8
0
0
0
0
1
0
9
1
1
0
0
0
0
10
1
0
0
0
0
0
11
0
0
1
0
0
0
12
0
1
0
0
0
0
Setelah melakukan 4 kali iterasi didapatkan hasil G3= G4 memiliki anggota yang sama maka tidak perlu dilakukan iterasi / perulangan lagi. Hasil clustering telah mencapai stabil dan konvergen G3 = G4 Tabel 7.Tabel Hasil Iterasi ke- 3 dan Iterasi ke- 4 No
C1
C2
C3
C4
C5
C6
1
1
0
0
0
0
0
2
0
1
0
0
0
0
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |20
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
3
0
0
1
0
0
0
4
0
0
0
1
0
0
5
0
0
0
0
1
0
6
0
0
0
0
0
1
7
0
0
0
1
0
1
8
0
0
0
0
1
0
9
0
1
0
0
0
0
10
1
0
0
0
0
0
11
0
0
1
0
0
0
12
0
1
0
0
0
0
3.2 Perbandingan Hasil Dari hasil di atas dapat dilihat perbandingan hasil K-means dan Klasifikasi kelas anatomi Black sebagai berikut : Tabel 8. Hasil Perbandingan Klasifikasi Kelas Black dengan K-Means No
Nama
Kelas Black
Kelas K-Means
1
A
I
I
2
B
II
II
3
C
III
III
4
D
IV
IV
5
E
V
V
6
F
VI
VI
7
G
VI
IV/VI
8
H
V
V
9
I
II
II
10
J
I
I
11
K
III
III
12
L
II
II
Pada tabel diatas didapatkan hasil untuk pasien ke-7, pasien seharusnya memiliki karies gigi kelas VI, tetapi pada K-means pasien memiliki karies gigi pada kelas IV dan VI. 4. SIMPULAN Kesimpulan yang diperoleh dari penelitian ini adalah :
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |21
Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 01, No.01 September 2014 ISSN: 2406-7857
1. 2.
3.
K-means dapat digunakan sebagai metode pengklasifikasian untuk cluster kelas karies gigi anatomi Black karena memiliki nilai eror yang kecil, tetapi data harus dibineralisasikan terlebih dahulu. Perbedaan hasil cluster pada perbandingan cluster kelas Black Poli Gigi Medical Center dan cluster kelas Black K-means karena pada data Poli Gigi yang melakukan pemeriksaan adalah dokter ahli secara langsung pada pasien, sedangkan cluster kelas K-means menggunakan metode perhitungan berdasarkan nilai variabel yang dikelompokkan menjadi 6 cluster. Menambahkan variabel pada data-data yang memiliki variabel tunggal dapat meningkatkan akurasi perhitungan K-Means untuk klasifikasi penyakit karies gigi.
5. DAFTAR PUSTAKA [1]. Arriyani, Farisa. βPengelompokan Jenis Tanah Menggunakan Algoritma Clustering K-Meansβ.http://ftp.gunadarma.ac.id/Presentasi-Sidang/FIK10104657.ppt.ppt.2010. Diakses Tanggal 22 September 2013. [2]. Meisida, Novita. βKlasifikasi Penyakit Karies Gigi Menggunakan K-Meansβ. Universitas Lambung Mangkurat, Banjarbaru. 2014. [3]. Schuurs, A.H.B. βPatologi Gigi Geligi Kelainan Jaringan Keras Gigiβ. Gajah Mada University Press, Yogyakarta.1992. [4]. Suwargiani, Anne Agustina. βIndeks def-t dan DMF-T Masyarakat Desa Cipondoh dan Desa Mekarsari Kecamatan Tirtamulaya Kabupaten Karawangβ.http://unpad.ac.id/unpad-content/uploads/publikasi dosen/masyarakat desa cipondoh.pdf. 2008. Diakses Tanggal 26 Desember 2011 [5]. Tarigan, Rasinta. βKaries Gigiβ. Hipokrates, Jakarta.1995. [6]. Wakhidah, Nur. βClustering Menggunakan K-Means Algorithm (K-Means AlgorithmClustering)β.http://journal.usm.ac.id/elibs/USM_841bjurnalkmea nsjuli2010ida.pdf.2010. Diakses Tanggal 22 September 2013
K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |22
