Klasifikasi Kerusakan pada Gigi Manusia dengan Menggunakan Metode Ekstraksi Fitur Hybrid dan Algoritma KNN

Penelitian ini bertujuan untuk mengklasifikasikan kerusakan gigi menggunakan algoritma K-Nearest Neighboor (KNN) berbasis citra digital. Dengan meningkatkan prevalensi masalah kesehatan gigi, penting untuk mengembangkan metode yang efisien dan akurat dalam diagnosis. Metode yang digunakan meliputi pengumpulan data citra gigi dari klinik, pra-pemrosesan gambar, serta ekstraksi fitur menggunakan Local Binary Patterns (LBP) dan Canny Edge Detection. Dataset terdiri dari 80 gambar yang terbagi menjadi empat kelas : gigi berlubang, gigi berplak, gigi patah dan gigi berjarak. Model KNN dilatih dengan 80% data untuk pelatihan dan diuji dengan 20% data. Hasil penelitian menunjukkan akurasi klasifikasi sebesar 93.75%, dengan nilai precision dan recall yang tinggi, terutma untuk kelas gigi jarak dan patah. Precision untuk gigi jarak dan patah mencapai 1.00, sedangkan gigi plak memiliki precision 0.86. Recall untuk semua kelas kecuali gigi karies mencapai 1.00, dengan F1-score tertinggi juga pada gigi jarak dan patah (1.00). Temuan ini menunjukkan bahwa algoritma KNN dapat menjadi alat yang efektif dalam klasifikasi kerusakan gigi, memberikan kontribusi signifikan terhadap pengembangan system pendukung keputisan di bidang Kesehatan gigi. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut dalam penerapan teknologi pengolahan citra dalam diagnosa penyakit gigi yang lebih kompleks di masa depan.