SISTEMDETEKSIDINIKARIESGIGI MENGGUNAKAN ALGORITMAK-NEARESTNEIGHBORBERBASISWEB

Abstract

Karies gigi merupakan masalah kesehatan mulut yang umum di Indonesia dengan prevalensi yang tinggi. Proses deteksi konvensional yang mengandalkan pemeriksaan visual dan radiografi memiliki keterbatasan seperti subjektivitas, biaya, dan paparan radiasi. Penelitian ini bertujuan untuk mengembangkan dan menganalisis akurasi sistem pakar berbasis web menggunakan algoritma K Nearest Neighbor (KNN) untuk deteksi dini karies gigi. Metode pengembangan sistem yang digunakan adalah model Waterfall, yang mencakup tahapan analisis kebutuhan, pengumpulan data rekam medis dari Klinik Gigi Rahma Dewi, perancangan sistem dengan UML, implementasi, dan pengujian. Data pasien yang mencakup gejala dan atribut diolah menggunakan normalisasi Z-Score untuk menyeragamkan skala fitur. Model KNN kemudian dilatih untuk mengklasifikasikan tingkat risiko karies ke dalam tiga kategori: Karies Awal, Karies Sedang, dan Karies Lanjut. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan berhasil diimplementasikan dengan antarmuka yang fungsional. Berdasarkan pengujian menggunakan Confusion Matrix, model klasifikasi KNN mencapai akurasi sebesar 91.67%. Kinerja ini didukung oleh nilai precision, recall, dan F1-score yang seimbang, menunjukkan bahwa sistem ini berpotensi menjadi alat bantu yang efektif dan efisien bagi dokter gigi dalam mempercepat proses diagnosis dan menyediakan deteksi dini yang mudah diakses.