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.
