net/publication/324038271
CITATIONS READS
0 1,886
5 authors, including:
Some of the authors of this publication are also working on these related projects:
Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation View project
All content following this page was uploaded by Dian Eka Ratnawati on 27 March 2018.
Abstrak
Penyakit gigi dan mulut merupakan salah satu penyakit yang berdampak serius bagi kesehatan manusia
secara umum, karena gigi dan mulut merupakan tempat masuknya suatu kuman dan bakteri. Penanganan
penyakit gigi dan mulut diharuskan untuk segera ditangani lebih cepat dan benar, namun tidak semua
tim ahli gigi dapat dengan cepat melakukan penanganan dikarenakan kurangnya tim ahli gigi yang
berada ditempat kerja atau rumah sakit selama 24 jam. Mengetahui jenis penyakit gigi dan mulut sejak
awal sangatlah penting. Oleh karena itu diperlukan adanya sistem yang mempunyai kemampuan untuk
mengklasifikasikan jenis penyakit gigi dan mulut guna membantu masyarakat dalam melakukan
diagnosa awal terhadap penyakit gigi dan mulut. Dalam penelitian ini sistem klasifikasi yang digunakan
yakni menggunakan metode SVM, karena metode SVM dapat mengatasi masalah klasifikasi dan regresi
dengan linear maupun non-linear sehingga dapat menjadi suatu kemampuan algoritma pembelajaran
pada klasifikasi ataupun regresi. Pada penelitian ini strategi yang digunakan yakni One-Againts-All dan
karena proses yang nantinya akan dilakukan bersifat non-linear sehingga kernel yang digunakan yakni
kernel RBF. Hasil klasifikasi yang diperoleh dengan menggunakan metode SVM mempunyai rata – rata
nilai akurasi sebesar 94.442% dengan menggunakan dataset sebanyak 122 data dan dengan parameter
sequential training SVM nilai 𝜆 (lamda) = 0.1, y (gamma) = 0.1, C (Complexity) = 1, 𝜀 (epsilon) = 1.10-
10
dengan itermax = 50 dan rasio data 80%:20%. Dengan pencapaian hasil akurasi yang baik, maka
penelitian ini dapat diterapkan untuk membantu melakukan klasifikasi penyakit gigi dan mulut dengan
metode support vector machine.
Kata kunci: Klasifikasi, Support Vector Machine, Radial Basis Function, Penyakit Gigi dan Mulut.
Abstract
Oral diseases is one of the most serious diseases that impact to human health in general, as the mouth is
a place where the germ and bacteria oral diseases should be handled immediately but not all dental
expert can quickly do the handling due to the lack of a dental expert that is available in the hospital for
24 hours. Knowing the types oral diseases since the beginning is very important. Therefore, a system
that has the ability to classify types of oral diseases will be very helpful in order to help the community
in conducting early diagnosis of oral diseases. This research used classification system using of SVM
method because SVM method can resolve the problem of classification and regression with linear or
non-linear kernel with its capability as a learning algorithm on the classification or regression. This
research used One-Againts-All strategies for non-linear process and used RBF kernel. The results
obtained using SVM method has a mean median values of accuracy – 94,442% using the dataset as
much as 122 data and with the parameter λ value SVM training sequential (lamda) = 0.1, y (gamma) =
0.1, C (Complexity) = 1, ε (epsilon) = 1.10-10 with itermax = 50 and ratio data 80%: 20%. The results
shows good accuracy, and the research can be applied to help perform classification of oral disease using
support vector machine method.
Keywords: Classification, Support Vector Machine, Radial Base Function, Oral diseases
tempat masuknya kuman dan bakteri sehingga menggunakan kernel Radial Basis Function
kemungkinan besar dapat mengganggu (RBF). Hasil yang diperoleh pada penelitian
kesehatan organ tubuh yang lainnya (Ratih, tersebut adalah nilai akurasi tertinggi 97.54%
2012). untuk data yang belum dilakukan pemilihan
Menurut Riskesdas tahun 2007 dan 2013 fitur, sedangkan yang sudah dilakukan
persentase penduduk Indonesia yang mengalami pemilihan fitur mencapai nilai akurasi tertinggi
masalah pada gigi dan mulut meningkat dari 99.12%. Dari beberapa penjelasan masalah dan
23.2% menjadi 25.9% dan yang menerima penellitian yang telah dilakukan diatas, penulis
perawatan medis hanya sebesar 31.1% ingin melakukan penelitian terhadap penyakit
(Riskesdas, 2013).. Beberapa faktor yang gigi dan mulut dengan menggunakan metode
menyebabkan timbulnya penyakit gigi dan mulut support vector machine. Diharapkan penelitian
antara lain yakni mengkonsumsi rokok yang ini dapat menghasilkan suatu sistem cerdas yang
berlebihan dan kurang sehat sehingga dapat menghasilkan kesimpulan apakan
membahayakan kesehatan, baik kesehatan gigi seseorang mempunyai potensi terkena penyakit
dan mulut maupun organ yang lain, pemakaian gigi dan mulut jenis yang mana dengan
tembakau dan alkohol yang berlebihan sangat menggunakan metode support vector machine.
berbahaya, kurangnya menjaga kebersihan
mulut, adanya jamur, adanya bakteri dan virus 2. GIGI DAN MULUT
HIV (Ratih, 2012). 2.1 Rongga Mulut
Penanganan terhadap penyakit gigi dan mulut
diharuskan untuk dilakukan dengan cepat dan Didalam rongga mulut terdapat beberapa
benar. Sebab dengan kita mengetahui jenis bagian seperti gigi, lidah, gusi, bibir dan jaringan
penyakit gigi dan mulut sejak awal sangatlah lunak lainnya yang mempunyai fungsi masing -
Penting, guna melakukan proses penyembuhan masing.
dengan lebih cepat dan tepat. Oleh karena itu a. Bibir mempunyai fungsi dapat menjaga
perlu adanya sistem cerdas yang mampu makanan dan minuman agar tidak
mengklasifikasikan penyakit gigi dan mulut berceceran keluar mulut, membantu kita
berdasarkan gejalanya. Dengan adanya sistem dalam berbicara, dll.
cerdas diharapkan dapat membantu pengguna b. Gusi mempunyai fungsinya yaitu untuk
maupun tim medis untuk mengetahui jenis melindungi serat – serat halus yang
penyakit gigi dan mulut dan dapat menentukan mengikat akar gigi kepada tulang rahang
langkah awal untuk menangani penyakit (Kesehatan, 2012)
tersebut. Meskipun seorang dokter gigi dan c. Lidah mempunyai fungsinya yakni sebagai
mulut adalah seorang yang ahli dibidangnya, alat indera perasa sehingga dapat merasakan
namun terkadang manusia biasan juga makanan dan minuman.
mempunyai keterbatasan daya ingat dan stamina d. Gigi memiliki fungsi dari gigi yakni dapat
kerja. Sehingga yang ditakuti yakni ketika mengunyah makanan, menghancurkan
seorang dokter gigi dan mulut mungkin saja makanan, dll.
melakukan kesalahan pada saat mengambil hasil e. Jaringan lunak merupakan jaringan yang
diagnosa yang dapat berakibat fatal. Beberapa meliputi bagian pipi, bibir, langit – langit
penelitian telah dilakukan dengan memilih dan jaringan lunak yang lainnya dibawah
metode klasifikasi terbaik, yakni dilakukan oleh lidah
Akbar Afizal Laksita pada tahun 2015 terhadap
2.1.2 Gigi
penyakit stroke dengan menggunakan metode
Support Vector Machine. Penelitian tersebut Bagian dari gigi yakni mahkota gigi dan akar
bertujuan untuk membuat hyperplane yang gigi yang mempunyai banyak fungsi. Macam –
optimal , sehingga diperoleh hasil rata – rata macam bentuk gigi beserta fungsinya antara lain:
akurasi sebesar 0.8939 pada saat panjang fold 5
dengan nilai parameter epsilon 0.001 dan cost a. Gigi seri yang berfungsi untuk memotong
10. Kemudian penelitian yang kedua yakni makanan yang akan masuk ke dalam mulut.
dilakukan oleh A.Muis, dkk., pada tahun 2015 b. Gigi taring mempunyai fungsi mencabik –
mengenai klasifikasi tweet dengan cabik makanan sesudah dipotong
c. Gigi geraham mempunyai fungsi sensitive, terbakar pada daerah bibir atau
menggiling atau menghaluskan makanan. perbatasan kulit bibir
h. Glositis merupakan penyakit radang pada
2.2 Penyakit Gigi dan Mulut
lidah dimana keadaannya di dalam mulut
Gigi dan mulut merupakan bagian dari tubuh biasanya ditunjukkan dengan adanya
kita yang sangat vital, sebab disanalah tempat pembengkakan di lidah, jika kasusnya lebih
masuknya makanan yang kita makan dan gigi parah mampu memicu penyumbatan
yang menghancurkan makanan tersebut. Oleh pernafasan pada saat lidah membengkak
sebab itu kesehatan dan kebersihan gigi dan yang sangat parah (Lita, 2016).
mulut sangatlah penting. Banyak faktor yang i. Impaksi gigi adalah kerusakan erupsi pada
dapat menyebabkan timbulnya penyakit gigi dan gigi yang disebabkan adanya malposisi,
mulut, antara lain seperti diet yang tidak sehat, kekuranan tempat atau terhalangi gigi yang
mengkonsumsi minuman alkohol dan merokok lain. Hal itu disebabkan oleh adnaya gusi
yang berbahaya dan berlebihan, dan kebersihan bengkak, demam, dan gigi yang tumbuh
mulut yang tidak terawat, jamur dan bakteri. tidak sempurna
Beberapa macam penyakit gigi dan mulut yang
biasa dijumpai antara lain : 2.3 Klasifikasi
a. Gingivitis merupakan penyakit radang gusi Klasifikasi merupakan suatu proses yang
yang mengalami pembengkakan pada bertujuan untuk menentukan suatu obyek
mulut sebab kurang terjaganya kebersihan kedalam suatu kelas atau kategori yang sudah
mulut sehingga menyebabkan adanya ditentukan sebelumnya. Menurut (Elly
karang – karang gigi atau plak yang Susilowati, 2015) klasifikasi adalah proses dari
menumpuk dan berbatasan dengan tepi gusi pembangunan terhadap suatu model yang
(Lita, 2016). mengklasifikan suatu objek sesuai dengan
b. Acute Necrotizing Ulcerative Gingingivitis atribut – atributnya. Klasifikasi data ataupun
(ANUG) adalah penyakit yang disebabkan dokumen juga dapat dimulai dari membangun
oleh adanya infeksi pada nekrosis gingiva. aturan klasifikasi tertentu yang menggunakan
Penyakit ini dapat terjadi pada siapa saja, data training yang sering disebut sebagai tahapan
terutama orang yang mengkonsumsi rokok pembelajaran dan pengujian digunakan sebagai
secara berlebihan, stress berat, dan data testing. (Winarko2, Oktober 2014).
malnutrisi berat, dll Beberapa tugas dari klasifikasi yang
c. Karies gigi merupakan penyakit gigi yang melibatkan proses pembangunan terhadap model
terjadi pada kerusakan jaringan gigi hingga yang dibentuk untuk melakukan prediksi target
membentuk lubang atau variabel dari data set yang sudah jelas,
d. Pulpitis merupakan proses radang pada ataupun variabel independen. Klasifikasi juga
jaringan pulpa gigi yang menetap, dapat dilakukan dengan menggunakan beberapa
gejalanya yakni gigi nyeri ketika mendapat metode atau berbagai jenis pengklasifikasian.
rangsangan panas atau dingin Beberapa metode yang sering digunakan pada
e. Nekrosis Pulpa adalah penyakit gigi yang klasifikasi yakni decision-tree, rule based, ANN,
nearest-neighbor, dan naive Bayesian (Weiss,
disebabkan oleh adanya bakteri, trauma dan
2010).
iritasi yang menyebabkan kerusakan dan
kematian pada pulpa yang disebabkan oleh 2.4 Support Vector Machine
pulpitis yang tidak dirawat (Yamin, 2012) Pengertian Support Vector Machine (SVM)
f. Periodontitis merupakan inflamasi jaringan yaitu sistem pembelajaran yang menggunakan
dan infeksi yang terjadi pada gingiva
ruang hipotesis berupa fungsi – fungsi linier
(gingivitis) yang tidak dirawat dan
dalam sebuah fitur yang berdimensi tinggi dan
menyebar ke ligamen dan tulang alveolar
dilatih dengan menggunakan algoritma
penyangga gigi.
g. Herpes Simpleks adalah infeksi virus HIV pembelajaran yang didasarkan pada teori
yang terjadi pada sudut bibir atau mulut. optimasi. SVM pertama kali diperkanalkan pada
Gejala yang ditimbulkan antara lain tahun 1992 oleh Vapnik sebagai rangkaian dari
beberapa konsep – konsep unggulan dalam
bidang pattern recognition (Elly Susilowati,
1 b1
Kelas 2 Bukan kelas f 2 (x) = (w2) x +
2 b2
Kelas 3 Bukan kelas f 3 (x) = (w3) x +
3 b3
Kelas 4 Bukan kelas f 4 (x) = (w4) x +
4 b4
melakukan perhitungan data training dengan konsisten. Hal ini disebabkan oleh komposisi
menggunakan Sequential Training SVM. Setelah data yang digunakan pada data training maupun
melakukan tahapan perhitungan sequential data testing tidak jauh berbeda.
training SVM, langkah selanjutnya yaitu
4.2 Pengujian Kernel
melakukan perhitungan testing SVM, dan akan
menghasilkan keluaran berupa hasil klasifikasi. Pengujian terhadap jenis kernel yang
digunakan, dimana pengujian tersebut dilakukan
4. PENGUJIAN DAN ANALISIS guna untuk mengetahui jenis kernal yang mana
yang memperoleh hasil terbaik. Nilai parameter
Pada penelitian ini dilakukan pengujian yang digunakan pada sequential training SVM
terhadap rasio data, pengujian terhadap kernel, pada pengujian ini adalah nilai 𝜆 = 0.5 y = 0.01
pengujian parameter lamda, pengujian C = 1 𝜀 = 1.10-10 iterasi = 50 dengan rasio data
parameter gamma, pengujian parameter 80%:20%.
complexity, dan pengujian terhadap jumlah
iterasi.
4.1 Pengujian Rasio Data
Pengujian Kernel 93.328
100
56.66 56.66
Akurasi (%)
Pada pengujian pertama digunakan untuk 32.216
mengetahui perbandingkan tingkat akurasi dari 50
dataset yang digunakan. Dataset yang akan 0
digunakan baik data training maupun data Polynomial Polynomial Linear RBF
testing yang berjumlah sebanyak 122 dan akan degree
dibagi sesuai dengan perbandingan rasio yang Rata Rata Akurasi
telah ditentukan guna untuk melihat hasil Grafik 3. Hasil Pengujian Kernel
akurasi terbaik. Perbandingan rasio yang akan
digunakan yaitu rasio 90%:10%, 80%:20%, Berdasarkan Grafik 3 diperoleh nilai akurasi
yang paling optimal terdapat pada kernel RBF
70%:30%, 60%:40%, 50%:50%, 40%:60%,
dengan nilai akurasi sebesar 93.328. Hal ini
30%:70%, 20%:80%, 10%:90%. Pengujian juga dapat disimpulkan bahwa kernel RBF lebih
dilakukan dengan menggunakan kernel RBF cocok digunakan pada data seperti jenis
dan nilai parameter pada sequential training penelitian ini dibandingkan dengan jenis kernel
yang digunakan dalam pengujian ini yaitu nilai yang lainnya seperti kernel polynimial degree,
𝜆 = 0.5 y = 0.01 C = 1 𝜀 = 1.10-10 iterasi = 50 polynomial degree 2, dan kernel linear.
Gambar_2.
4.3 Pengujian 𝝀 (lamda)
Pengujian Rasio Data
100 87,1 93,3
75,4 83,6 84,2 88 83,1 76,4 Pengujian parameter lamda dilakukan guna
80 68,2
Akurasi (%)
60
untuk mengetahui skenario mana yang
40 memperoleh hasil terbaik untuk nilai parameter
20
0
lamda yakni 0.1, 0.5, 1, 10, 50, 200, 500, 1000.
90% : 80% : 70% : 60% : 50% : 40% : 30% : 20% : 10% : Nilai parameter yang digunakan pada sequential
10% 20% 30% 40% 50% 60% 70% 80% 90% training SVM pada pengujian ini adalah nilai y
Rasio Data
Rata Rata Akurasi = 0.01 C = 1 𝜀 = 1.10-10 iterasi = 50 dengan rasio
Grafik 2. Hasil Pengujian Rasio Data data 80%:20%.
80 61,1
menjadi maksimal, sehingga nilai C dapat
60
40
digunakan untuk memperkecil nilai error pada
20 proses training saat perhitungan nilai w (weight)
0 Nilai Gamma dan nilai bias.
Rata[0.5]
0.001 [0.01] [0.1] Rata Akurasi
1 5 10 50
4.6 Pengujian Jumlah Iterasi
Grafik 5. Hasil Pengujian Parameter Gamma
Pengujian terhadap jumlah iterasi.
Berdasarkan Grafik 5 diketahui bahwa rata Pengujian tersebut dilakukan guna untuk
mengetahui skenario mana yang memperoleh menggunakan empat kelas yaitu kelas
hasil terbaik. Nilai parameter yang digunakan pulpitis, gingivitis, nekrosis pulpa dan
pada sequential training SVM pada pengujian periodontitis.
ini adalah nilai 𝜆 = 0.1 C = 1 y = 0.1 𝜀 = 1.10-
10 3. Pada pengujian kernel hasil yang paling
iterasi = 50 dengan rasio data 80%:20%.
optimal terdapat pada kernel RBF dengan
nilai akurasi rata – rata sebesar 93.329%.
Pengujian Jumlah Iterasi Dapat disimpulkan bahwa kernel RBF lebih
88,8 94,4 94,4 94,4 94,4 94,4 94,4 94,4 cocok pada data jenis penelitian ini sebab
100 kernel RBF mampu memprediksi kelas pada
Akurasi (%)
80
60
data itu sendiri, yang artinya mampu
40 mengklasifikasikan tepat sesuai dengan
20 kelas aslinya, dan lebih mempunyai
0 performa lebih baik jika dibandingkan
[2] [5] [10] [50] [75] [100] [200] [500] dengan kernel linear atau polynomial. Hal
Jumlah Iterasi
Rata Rata Akurasi ini disebabkan karena data yang ada pada
penelitian ini memiliki pola yang cenderung
Grafik 7. Hasil Pengujian Jumlah Iterasi tetap, sedangkan kernel polynomial lebih
cenderung pada data yang mempunyai
Berdasarkan Grafik 7 diketahui bahwa nilai rata sebaran data yang cenderung tidak tetap atau
– rata tingkat akurasi tinggi yaitu sebesar 94.442. pola yang naik turun.
Pada pengujian ini dengan data yang digunakan
dapat disimpulkan bahwa terjadinya konvergen 6. DAFTAR PUSTAKA
mulai pada iterasi ke 5. Hal itu dikarenakan saat
jumlah iterasi bertambah terjadi, rasio support Elly, S., Mira, K. S. & Alfian, A. G., 2015.
vector berjalan seimbang dan beberapa data Implementasi Metode Support Vector
tidak terletak jauh berbeda dari bidang pemisah Machine untuk Melakukan Klasifikasi
(hyperpelane). Namun pada pengujian ini nilai Kemacetan Lalu Lintas Pada Twitter.
iterasi maksimum sangat berpengaruh terhadap Makassar, S1 Universitas Telkom.
perubahan nilai pada nilai 𝛼 (alpha) karena F, R., 2012. Perbandingan Klasifikais Tingkat
diperlukan untuk mendapatkan nilai 𝛼 i yang Keganasan Breast Cancer dengan
konvergen. Menggunakan Regresi Logistik Ordinal
dan Support Vector Machine. s.l., s.n.
5. KESIMPULAN
Imelda, A. M. & Muhammad, A. M., Juni 2015.
Berdasarkan hasil penelitian mengenai Penerapan Metode Support Vector
klasifikasi penyakit gigi dan mulut dengan Machine (SVM) Menggunakan Kernel
menggunakan metode support vector machine Radial Basis Function (RBF) Pada
dapat disimpulkan bahwa: Klasifikasi Tweet. Jurnal Sains,
1. Metode Support Vector Machine dapat Teknologi dan Industri, Vol. 12, No.
diterapkan pada permasalahan klasifikasi 2(ISSN 1693-2390), p. pp.189 – 197.
penyakit gigi dan mulut dengan hasil terbaik
dan memberikan hasil akurasi sebesar rata Kesehatan, K., 2012. Buku Panduan Pelatihan
rata 94.442% dengan nilai parameter pada Kader Kesehatan Gigi dan Mulut di
sequential training SVM yaitu 𝜆 (lamda) = Masyarakat. Republik Indonesia, s.n.
0.1, y (gamma) = 0.1, C (Complexity) = 1, 𝜀 Laksita, A. A., (2015). Implementasi Algoritma
(epsilon) = 1.10-10 dengan itermax = 50 dan SVM (Support Vector Machine) untuk
rasio data 80%:20% dengan memperoleh Mengetahui Tingkat Resiko Penyakit
hasil pengujian yang mulai konvergen pada Stroke. Malang, S1 Universitas
jumlah iterasi ke 5. Brawijaya.
2. Proses klasifikasi penyakit gigi dan mulut ini Lita, 2016. Penyakit Gigi dan Mulut. [Online]
menggunakan dataset yang masih terbatas Available at:
yakni sebesar 122 data untuk semua kelas http://halosehat.com/penyakit/penyakit-
sehingga terdapat sekitar 30 data untuk gigi-dan-mulut/jenis-jenis-penyakit-
setiap kelas dengan jumlah parameter gigi-dan-mulut)
sebanyak 16. Pada penelitian ini [Diakses 9 april 2017].