PENGGUNAAN CLASSIFICATION DAN REGRESSION TREE

(CART) UNTUK KLASIFIKASI PERIODONTITIS KRONIS PADA

PASIEN RUMAH SAKIT GIGI DAN MULUT UNIVERSITAS HANG
TUAH SURABAYA

Aulia Dwi Maharani

Biostatistika
Program Studi Ilmu Kesehatan Masyarakat
Fakultas Kesehatan Masyarakat Universitas Airlangga
Email : auliadwimaharani.adm@gmail.com

Abstrak

Latar Belakang Penelitian ini adalah Klasifikasi dan pohon regresi saat ini umum
digunakan sebagai salah satu metode klasifikasi nonparametrik. Keuntungan menggunakan
metoe ini adalah dapat secara efektif digunakan untuk data yang memiliki banyak variabel
tak bebas /independent, selain tu juga mudah untuk dioperasikan.
Tujuan penelitian ini adaah untuk mengklasifikasikan periodontitis kronis di Rumah Sakit
Gigi dan Mulut Universitas Hang Tuah Surabaya menggunakan CART. Periodontitis kronis
dibagi menjadi 3 kategori : ringan, moderat/ sedang, dan berat. Berdasarkan hasil analisis,
terdapat 2 faktor yang mempengaruhi periodontitis kronis kategori ringan, 6 faktor yang
mempengaruhi periodontitis kronis sedang dan 8 faktor yang mempengaruhi kategori berat.

Kata Kunci : CART, klasifikasi, periodontitis kronis

USE OF CLASSIFICATION AND REGRESSION TREE (CART) FOR

CHRONIC PERIODONTITIS CLASSIFICATION IN DENTAL
HOSPITAL OF HANG TUAH UNIVERSITY SURABAYA

Abstract

Classification and Regression Tree (CART) is now commonly used as one of nonparametric
classification methods. The advantage of this method is it can effectively used on data which
have many independent variables. It is also easy to be interoperated.
The aim of this research is to classify Chronic Perodontitis in Dental Hospital of Hang Tuah
University Surabaya using CART. The Chronic Periodontitis divided into 3 categories: mild,
moderate, and heavy. Based on the analysis result, 2 factors can affected the mild type of
chronic periodontitis , 6 factors affected moderate type of chronic periodontitis and 8 factors
affected the heavy type of chronic periodontitis.
The criteria used to count the accuracy of the CART classification is 1-APER. The 1-APER
score shows a very good result which is 92,5% for data learning and 90% for data testing.

Keywords : CART, classification, chronic periodontitis

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 1
PENDAHULUAN

Dewasa ini permasalahan klasifikasi salah satunya bidang kesehatan gigi.

sering dijumpai di berbagai bidang dalam Survei Kesehatan Rumah Tanggga
kehidupan sehari-hari diantaranya seperti (SKRT) 2012 menyatakan bahwa angka
dalam bidang ekonomi, perbankan, sosial , penyakit gigi dan mulut yang diderita
dan kesehatan. Mengingat pentingnya masyarakat Indonesia mencapai 90,05%,
klasifikasi maka penelitian mengenai artinya hampir seluruh masyarakat
klasifikasi terus dikembangkan. Indonesia pernah mengalami penyakit gigi
Pendekatan metode klasifikasi dan mulut.
memiliki dua macam pendekatan, yaitu Penyakit periodontitis dan karies gigi
pendekatan parametrik dan nonparametrik. adalah penyakit gigi terbanyak yang
Penelitian metode klasifikasi dengan diderita masyarakat Indonesia sehingga
pendekatan nonparametrik lebih banyak memerlukan perhatian serius. Umumnya
dikembangkan mengingat metode tersebut penyakit periodontal dikeluhkan
memiliki fleksibilitas yang lebih besar masyarakat dalam bentuk gusi berdarah,
dibandingkan dengan pendekatan gigi goyang, gusi bengkak, dan bau
parametrik. Metode klasifikasi mulut.3
nonparametrik yang sering dijumpai salah Pada penelitian ini, dilakukan analisis
satunya adalah metode klasifikasi yang menggunakan CART unuk
berstruktur pohon.1 mengklasifikasi penyakit periodontitis
Metode pohon klasifikasi yang saat ini kronis pada pasien Rumah Sakit Gigi dan
sering digunakan adalah metode Mulut Universitas Hang Tuah Surabaya.
Classification and Regression Tree
TINJAUAN PUSTAKA
(CART). Kelebihan dari metode CART
adalah metode ini tidak terikat oleh A. Classification and Regression Tree
(CART)
asumsi, efektif digunakan pada data yang
memiliki dimensi besar atau memiliki CART merupakan salah satu metode

banyak variabel independen dan mudah machine learning dimana metode

dalam menginterpretasikan hasilnya.2 eksplorasi data dilakukan dengan membuat

Metode pohon klasifikasi banyak pohon keputusan. CART merupakan

dipergunakan dalam berbagai bidang,

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 2
teknik klasifikasi dengan algoritma Keterangan :
penyekatan rekursif biner dimana i(t) = impurity (fungsi heterogenitas) pada
pemilahan dilakukan pada sekelompok simpul t
data yang terkumpul dalam suatu simpul p( j |t) = proporsi kelas j pada simpul t
4
atau node. p( i |t) = proporsi kelas i pada simpul t
Pada metode CART, simpul Selanjutnya dilakukan evaluasi
pertama yang disebut simpul awal atau pemilahan menggunakan goodness of split
parent node dibagi menjadi dua simpul ϕ(s,t) dari pemilah s pada simpul t yang
anak yang kemudian masing-masing didefinisikan sebagai penurunan
simpul anak tersebut dibagi lagi menjadi heterogenitas :
dua simpul anak lagi hingga didapatkan ϕ(s,t) = i(t) - p L i(tL) – p R i(tR)
simpul terakhir yang disebut terminal node Keterangan :
5
dengan kriteria yang sesuai. i(t) = fungsi heterogenitas pada simpul t
Menurut Timofeev (2004), pL = proporsi pengamatan pada simpul
pembentukkan pohon klasifikasi pada kiri
CART dilakukan memalui beberapa tahap pR = proporsi pengamatan pada simpul
sebagai berikut : kanan
1. Pemilihan pemilah i(tL) = fungsi heterogenitas pada simpul
Data yang digunakan pada kiri
tahap pemilihan pemilah adalah i(tR) = fungsi heterogenitas pada simpul
sampel data learning yang dipilah kanan
berdasarkan kriteria goodness of Semakin tinggi hasil ϕ(s,t) berarti
split. Himpunan yang awalnya pemilah yang dihasilkan semakin baik
heterogen setelah dilakukan karena mereduksi homogenitas lebih
6
pemilahan harus menjadi lebih banyak.
homogen. Ukuran heterogenitas 2. Penentuan terminal node t (simpul
dapat dilihat dari : terakhir)
a. Indeks Gini Setelah dilakukan pemiahan,
simpul dapat berhenti sesuai kriteria
peneliti. Kriteria penghentian suatu
pemilahan adalah sebagai berikut :

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 3
 a. Penurunan
dianggap kecil/tidak berarti
b. Hanya terdapat 1 pengamatan
pada tiap simpul anak
c. Adanya batasan jumlah level
atau tingkat kedalaman pohon
maksimal.2
heterogenitas dahulu. Prunning adalah suatu
proses pengurangan simpul pohon
sehingga dicapai ukuran pohon
yang layak. Prunning mengacu
pada “1-SE Rule” dengan memilih
pohon terkecil T**
yang memenuhi persamaan :

3. Penandaan label kelas

Penandaan label kelas pada Dimana adalah kesalahan
terminal node ditentukan klasifikasi dari validasi silang
berdasarkan jumlah terbanyak, klasifikasi CART dan
jika : adalah standard error dari kesalahan
klasifikasi hasil validasi silang
klasifikasi CART.

Nj(t) adalah banyaknya

B. Periodontitis Kronis
pengamatan kelas j pada terminal
Periodontitis adalah seperangkat
node t, dan N(t) adalah banyaknya
peradangan penyakit yang menyerang
total pengamatan. Label kelas
jaringan penyangga gigi. Periodontitis
untuk terminal node t adalah Jo
dapat menyebabkan hilangnya tulang
yang memberikan nilai dugaan
alveolar sekitar gigi yang jika tidak segera
akurasi pengklasifikasian pada
ditangani akan mengakibatkan
simpul terbesar.
melonggarnya jaringan periodontium yang
menyebabkan gigi goyang lalu lepas
4. Pemangkasan pohon klasifikasi
sedangkan periodontitis kronis adalah
(pruning)
penyakit periodontitis dengan tipe
Semakin banyak dilakukan
progresif lambat akibat adanya beberapa
pemilahan maka akan semakin
faktor seperti penyakit sistemik, kebiasaan
kecil tingkat kesalahan suatu
merokok, dan kebiasaan menyikat gigi
prediksi. Untuk mendapatkan
yang mempengaruhi reaksi host terhadap
pohon yang layak harus dilakukan
akumulasi plak.7
pemangkasan (pruning) terlebih

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 4
 Menurut Cohen dkk (1990), b. Early Onset
penyakit periodontitis dapat Periodontitis
diklasifikasikan sebagai berikut : 1) Pre Pubertal
Periodontitis
1. Periodontitis Kronis / Slowly
2) Juvenile Periodontitis
Progressive Periodontitis
(SPP)
3. Necrotizing Ulcerative
a. Periodontitis Kronis Ringan :
Gingivitis : biasanya terjadi
ada attachment loss 2-4 mm,
pada pasien penderita AIDS
mobilitas gigi kecil, bone loss
horizontal < 20%
METODA PENELITIAN
b. Periodontitis Kronis Sedang :
ada attachment loss 5-7mm, Penelitian menggunakan data
mobilitas gigi ringan, bone skunder dari rekam medik Rumah Sakit
loss horizontal 20 % - 40 % Gigi dan Mulut Universitas Hang Tuah
c. Periodontitis Kronis Berat: Surabaya sejak tahun 2012-2015. Variabel
ada attachment loss >7mm, yang diteliti dapat dilihat pada Tabel 1.
mobilitas gigi besar, bone Setelah data didapatkan,
loss horizontal > 40 %. selanjutnya peneliti melakukan analisis
deskriptif untuk setiap variable dan
2. Periodontitis Agresif / Rapidly analisis CART dengan tahapan awal
Progressive Periodontitis membuat pohon klasifikasi dengan
(RPP) : kerusakan tulang pemilah menggunakan indeks Gini lalu
mencapai 60% dalam kurun melakukan pemangkasan pohon,
waktu 9 minggu. RPP terdiri selanjutnya menghitung nilai akurasi
dari : klasifikasi dengan 1-APER. Sebelum
a. Adult Onset melakukan analisis, data yang missing
Periodontitis diisi oleh nilai modus karena data berskala
ordinal dan nominal.

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 5
 Tabel 1. Variable penelitian

Variabel Definisi Operasional Skala

Y Periodontitis kronis : penyakit infeksi yang menyerang Ordinal
jaringan penyangga gigi yang perkembangannya lambat. 1 = rendah
 Ringan : terdapat attachment loss 2-4 mm, 2 = sedang
mobilitas gigi kecil, bone loss horizontal < 20% 3 = berat
 Sedang : terdpat attachment loss 5-7mm,
mobilitas gigi ringan, bone loss horizontal 20%
- 40 %
 Berat: terdapat attachment loss >7mm,
mobilitas gigi besar, bone loss horizontal > 40
%
X1 Kalkulus : sering disebut karang gigi yang merupakan Nominal
deposit keras berwarna putih hingga kecoklatan yang 1 = ada
mengelilingi permukaan gigi akibat akumulasi plak 2 = tidak ada
gigi, mikroorganisme dan zat pada air liur.
X2 Plak : adalah lapisan tipis (biofilm) pada permukaan Nominal
gigi yang berisi mikroorganisme dan sisa makanan. 1 = ada
Dapat dideteksi dengan disclosing agent. 2 = tidak ada
X3 Hiperplasi gingiva : pembesaran gusi akibat Nominal
penambahan jumlah sel. 1 = ada
2 = tidak ada
X4 Resesi gingival : terbukanya permukaan akar gigi akibat Nominal
dari pergeseran tepi gusi (margin gingiva) 1 = ada
2 = tidak ada
X5 Kegoyangan gigi : kelainan akibat gangguan pada Nominal
jaringan penyangga gigi sehingga menyebabkan 1 = ada
pergerakan gigi ke arah vertikal atau horizontal. 2 = tidak ada
Dideteksi dengan menggunakan ujung handpiece dan
tangan.
X6 Malposisi gigi : penyimpangan posisi atau posisi gigi Nominal
berpindah dari kedudukan normal. 1 = ada
2 = tidak ada
X7 Maloklusi : penyimpangan gigi dari oklusi normal yaitu Nominal
hubungan antara gigi – gigi rahang atas dan bawah 1 = ada
2 = tidak ada
X8 Migrasi gigi : pergeseran gigi yang terjadi jika Nominal
keseimbangan jaringan periodontal terganggu migrasi 1 = ada
bisa lebih tinggi dari garis oklusi (ekstrusi), lebih rendah 2 = tidak ada
dari garis oklusi (intrusi), rotasi , maupun tipping.
X9 Trauma oklusi : kerusakan jaringan periodontal akibat Nominal
tekanan oklusal yang berlebih 1 = ada
2 = tidak ada
X10 Riwayat penyakit sistemik : memiliki riwayat penyakit Nominal
seperti penyakit jantung dan diabetes mellitus 1 = ada
2 = tidak ada
X11 Kebiasaan merokok : rutin merokok setiap hari Nominal
sebagai perokok aktif baik ringan (<10 batang/hari), 1 = ada
sedang (10-20 batang/hari), dan berat (<20 batang/hari) 2 = tidak ada
X12 Kebiasaan menyikat gigi 2x sehari : rutin menyikat Nominal
gigi 2x /hari 1= ada
2= tidak ada

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 6
HASIL
1. Pembentukan Pohon Klasifikasi Split tertinggi atau dapat juga ditentukan
Maksimal memalui skor variabel terpenting dalam
Variabel pemilah dan threshold (nilai pengklasifikasian data pengamatan.
variabel) dipilih dari beberapa Besarnya kontribusi variabel sebagai
kemungkinan pemilah dari masing-masing pemilah baik pemilah utama maupun
variabel. Perhitungan banyaknya pemilah pemilah pengganti pada pohon klasifikasi
ditampilkan dalam Tabel 2. maksimal yang terbentuk ditunjukkan
Dari berbagai kemungkinan pemilah melalui skor. Pemilah yang memiliki skor
dari tiap variable dihitung nilai indeks Gini tertinggi dipilih sebagai pemilah utama.
agar dapat menentukan Goodness of Split. Skor variabel terpenting dapat dilihat pada
Pemilah yang dipilih sebagai pemilah Tabel 3.
utama adalah pemilah dengan Goodness of

Tabel 2. Perhitungan Kemungkinan Jumlah Pemilah Setiap Variabel

Skala Kemungkinan
Variable Nama Variable Kategori
Data Pemilah
X1 Kalkulus Nominal 2 22-1 – 1 = 1
X2 Plak Nominal 2 22-1 – 1 = 1
X3 Hiperplasi Gingiva Nominal 2 22-1 – 1 = 1
X4 Resesi Gingiva Nominal 2 22-1 – 1 = 1
X5 Kegoyangan Gigi Nominal 2 22-1 – 1 = 1
X6 Malposisi Gigi Nominal 2 22-1 – 1 = 1
X7 Maloklusi Nominal 2 22-1 – 1 = 1
X8 Migrasi Gigi Nominal 2 22-1 – 1 = 1
X9 Trauma Oklusi Nominal 2 22-1 – 1 = 1
X10 Penyakit Sistemik Nominal 2 22-1 – 1 = 1
X11 Merokok Nominal 2 22-1 – 1 = 1
X12 Menyikat Gigi 2x Sehari Nominal 2 22-1 – 1 = 1

Tabel 3. Skor Variabel Terpenting

Variabel Skor
X4 100.00
X7 38.72
X3 20.27
X5 19.93
X8 10.52
X9 5.98
X11 2.49
X6 1.79
X1 1.28
X10 0.00
X2 0.00
X12 0.00

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 7
Dari Tabel 3. diketahui X4 memiliki skor sebesar -1,000 dan resubstitution relative
tertinggi sehingga variabel X4 dipilih cost paling kecil yaitu 0.461.
sebagai pemilah utama. Hasil penyekatan Tabel 4. Urutan Pembentukan Pohon
rekursif secara biner dari data pengamatan Klasifikasi (Tree Sequence)
yang digunakan akan menghasilkan pohon Tree Terminal Resubstitution
Complexity
Number Nodes Relative Cost
klasifikasi yang berukuran relatif besar dan 1** 10 0.461 -1.000
2 6 0.474 0.001
tingkat kedalaman (depth) yang tinggi. 3 2 0.539 0.006
4 1 1.000 0.175
**Pohon klasifikasi optimal
2. Pemangkasan Pohon Klasifikasi
Maksimal
3. Pemilihan Pohon Klasifikasi Optimal
Untuk memudahkan proses analisis,
Pohon klasifikasi yang terpilih
pohon klasifikasi maksimal yang
ditunjukkan dalam Tabel 4.4 sama
dihasilkan kemudian dilakukan
dengan pohon klasifikasi maksimal yaitu
pemangkasan pohon secara iterative
dengan ukuran pohon sebesar 1, terminal
berdasarkan kriteria tertentu yang telah
nodes berjumlah 10 simpul, nilai
ditentukan peneliti. Tabel 4. menyatakan
complexity parameter sebesar -1,000, dan
bahwa pohon klasifikasi maksimal yang
resubtitution relative cost sebesar 0,461.
terbentuk terdiri dari 10 terminal nodes
Konstruksi pohon klasifikasi optimal
menghasilkan complexity parameter
dengan tingkat kedalam pohon (depth)
sebesar 9 disajikan dalam Gambar 1.

Gambar 1. Konstruksi Pohon Klasifikasi

Optimal

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 8
Gambar 1. menjelaskan karakteristik dari gigi, maloklusi, migrasi gigi,
10 simpul terminal yang kalkulus, dan malposisi gigi.
mengklasifikasikan data menjadi salah Simpul ini dilabeli kelas 2 yaitu
satu dari ketiga tipe periodontitis kronis periodontitis kronis tipe sedang..
melalui penjelasan sebagai berikut : 6. Simpul terminal 6 adalah pasien
1. Simpul terminal 1 adalah pasien yang memiliki faktor resesi
yang memiliki faktor resesi gingiva, kebiasaan merokok,
gingiva. Simpul ini dilabeli kelas 1 hiperplasi gingiva, kegoyangan
yaitu periodontitis kronis tipe gigi, maloklusi, migrasi gigi,
rendah dibuktikan dengan kalkulus, dan malposisi gigi.
2. Simpul terminal 2 adalah pasien Simpul ini dilabeli kelas 3 yaitu
yang memiliki faktor resesi gingiva periodontitis kronis tipe berat.
dan faktor kebiasaan merokok. 7. Simpul terminal 7 adalah pasien
Simpul ini dilabeli kelas 1 yatu yang memiliki faktor resesi
periodontitis kronis tipe rendah. gingiva, kebiasaan merokok,
3. Simpul terminal 3 adalah pasien hiperplasi gingiva, kegoyangan
yang memiliki faktor resesi gigi, maloklusi, dan migrasi gigi.
gingiva, kebiasaan merokok, dan Simpul ini dilabeli kelas 2 yatu
hiperplasi gingiva. Simpul ini periodontitis kronis tipe sedang.
dilabeli kelas 3 yaitu periodontitis 8. Simpul terminal 8 adalah pasien
kronis tipe berat. yang memiliki resesi gingiva,
4. Simpul terminal 4 adalah pasien kebiasaan merokok, hiperplasi
yang memiliki faktor resesi gingiva, kegoyangan gigi, dan
gingiva, kebiasaan merokok, maloklusi. Simpul ini dilabeli kelas
hiperplasi gingiva, kegoyangan 2 yatu periodontitis kronis tipe
gigi, maloklusi, migrasi gigi dan sedang.
kalkulus. Simpul ini dilabeli kelas 9. Simpul terminal 9 adalah pasien
2 yatu periodontitis kronis tipe yang memiliki faktor resesi
sedang. gingiva, kebiasaan merokok,
5. Simpul terminal 5 adalah pasien hiperplasi gingiva, kegoyangan
yang memiliki faktor resesi gigi, dan maloklusi. Simpul ini
gingiva, kebiasaan merokok, dilabeli kelas 2 yatu periodontitis
hiperplasi gingiva, kegoyangan kronis tipe sedang.
Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 9
 10. Simpul terminal 10 adalah pasien Persentase ketepatan klasifikasi
yang memiliki factor resesi untuk data testing tergolong tinggi,
gingiva, kebiasaan merokok, sehingga dapat dikatakan bahwa pohon
hiperplasi gingiva, kegoyangan optimal yang terbentuk sudah sangat baik
gigi, dan maloklusi Simpul ini dan sesuai bila digunakan untuk
dilabeli kelas 3 yatu periodontitis mengklasifikasikan data baru.
kronis tipe berat .
PEMBAHASAN
4. Hasil Ketepatan Klasifikasi
Pohon CART Periodontitis kronis adalah penyakit
Berdasarkan Tabel 5. dapat diambil periodontitis dengan tipe progresif lambat
kesimpulan bahwa dari hasil pembentukan akibat adanya beberapa faktor seperti
pohon klasifikasi optimal diperoleh hasil penyakit sistemik, kebiasaan merokok, dan
yang menyatakan bahwa dari sejumlah kebiasaan menyikat gigi yang
sampel orang yang menderita periodontitis mempengaruhi reaksi host terhadap
kronis di Rumah Sakit Gigi dan Mulut akumulasi plak. Faktor yang
Universitas Hang Tuah Surabaya diperoleh mengklasifikasikan periodontitis kronis
angka ketepatan klasifikasi (1-APER) dalam 3 tipe, yaitu sebagai berikut:
untuk data learning sebesar 92,5%, 1. Periodontitis kronis tipe rendah :
sensitivity sebesar 93,6%, dan specificity resesi gingiva dan faktor kebiasaan
sebesar 90,6%. merokok.
Tabel 5. Tingkat Akurasi Pohon 2. PerIodontitis kronis tipe sedang :
Klasifikasi Optimal resesi gingiva, kebiasaan merokok,
Kelas Kelas Prediksi Sensi Speci 1- hiperplasi gingiva,kegoyangan
Total
Observasi 1 2 3 tivity ficity APER
1 117 6 1 124
Data
2 4 39 4 47
93,6
90,6% 92,5%
gigi, maloklusi, dan migrasi gigi.
Learning %
3 4 16 9 29
1 112 5 7 124
3. Periodontitis kronis tipe berat :
Data 93,3
2 4 19 24 47 85% 90%
Testing
3 4 18 7 29
% resesi gingiva, kebiasaan merokok,
hiperplasi gingiva,kegoyangan
Bila hasil klasifikasi divalidasi
gigi, maloklusi, migrasi gigi,
dengan data testing, maka diperoleh angka
ketepatan klasifikasi (1-APER) untuk data kalkulus, dan malposisi gigi.

learning sebesar 90%, sensitivity sebesar

93,3%, dan specificity sebesar 85%.

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 10
 Faktor resesi gingiva sebagai Pada hasil analisis, dari 12 variabel
pemilah utama memiliki skor tertinggi hanya 8 variabel yang dapat dimasukkan
dalam variabel terpenting penyebab dalam faktor penyebab periodontitis
periodontitis kronis. Resesi gingiva adalah kronis. 3 variabel yang tidak tergolong
keadaan penurunan gusi yang bisa penyebab periodontitis kronis adalah
disebabkan beberapa faktor seperti iritan faktor plak, penyakit sistemik, dan
lokal, keadaan gigi seperti migrasi gigi kebiasaan menyikat gigi 2x sehari. Hal ini
atau malposisi gigi, dan penurunan tulang dimungkinkan karena :
alveolar akibat usia atau kadar kalsium
1. Kebiasaan menyikat gigi 2x sehari
tulang. Keadaan gusi yang menurun dari
merupakan kebiasaan yang dianjurkan
posisi sebenarnya mengakibatkan
dalam menjaga kesehatan gigi dan
mudahnya terjadi akumulasi plak yang
gusi, hampir seluruh penderita
mengakibatkan keradangan terlebih lagi
periodontitis kronis yang diteliti
jika diperparah dengan adanya
memiliki kebiasaan menyikat gigi 2x
kegoyangan gigi.
sehari. Sehingga, faktor ini tidak
Faktor kebiasaan merokok
menjadi faktor penyebab periodontitis
mendominasi faktor yang menyebabkan
kronis.
periodontitis kronis di seluruh tipe, baik
2. Pasien yang didiagnosa menderita
ringan, sedang, maupun berat. Faktor
periodontitis kronis seluruhnya
kebiasaan merokok memegang peranan
memiliki plak gigi. akan tetapi plak
penting dalam terjadinya periodontitis
gigi tidak tergolong faktor penyebab
kronis, karena zat nikotin yang terdapat di
periodontitis kronis kemungkinan
dalam rokok dapat menurunkan respon
disebabkan karena plak gigi dimiliki
imun dan dapat menyempitkan pembuluh
hampir seluruh orang, baik yang
darah termasuk pembuluh darah sekitar
menderita periodontitis kronis
jaringan periodontal sehingga penyebaran
maupun orang sehat.
nutrisi ke jaringan juga terhambat. Jika
3. Sedikitnya data mengenai pasien yang
penyebaran nutrisi ke jaringan periodontal
memiliki riwayat penyakit sistemik
terhambat maka daya tahan jaringan
kemungkinan menjadi penyebab
terhadap iritan juga menurun sehingga
faktor penyakit sistemik tidak menjadi
mudah terjadi keradangan.
faktor penyebab periodontitis kronis.

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 11
 KESIMPULAN Global Forum, University of
Kentucky, 2013. Lexington.
Klasifikasi dengan metode CART
memiliki nilai akurasi 92,5% yang berarti 2. Timofeev. Classification and
bahwa CART mampu mengklasifikasikan Regression Trees (CART) Theory
and Applications. Hunbolt
periodontitis kronis dengan sangat baik. University, 2004. Berlin.

SARAN 3. Sudibyo, Perio. Penyakit

Periodontal Sebagai Fokus Infeksi
Saran Untuk Instansi Tempat Penelitian : dan Faktor Risiko Terhadap
Manifesasi Penyakit Sistemik.
Poin poin yang diisikan dalam Pidato Pengukhan Jabatan Guru
Besar Fakultas Kedokteran Gigi
status rekam medik seharusnya lebih Universitas Gajah Mada, 2003.
diperjelas seperti kebiasaan merokok Yogyakarta.

diberikan penjelasan berapa batang per 4. Aeni, EQ., Pendekatan CART

hari, sehingga perokok berat atau ringan Arcing untuk Klasifikasi
Kesejahteraan Rumah Tanga di
dapat dibedakan. Hal ini dapat membantu Jawa Tengah. Tesis Magister
memberikan hasil penelitian yang lebih Institut Teknologi Sepuluh
November, 2009. Surabaya.
akurat.
5. Muttaqien, JM., Otok,Bambang
Saran Untuk Penelitian Berikutnya : W.,dan Rahayu.Santi Putri.(2013).
Metode Ensemble pada CART
Dapat dilakukan penelitian dengan untuk Perbaikan Klasifikasi
Kemiskinan di Kabupaten
membandingkan antar ketiga metode Jombang. Tesis Jurusan Statistika
ensemble CART seperti bagging, boosting, Fakultas MIPA Institut Teknologi
Sepuluh November Surabaya.
dan random forest agar dapat mengetahui
metode mana yang paling memiliki nilai 6. Breiman, L., Friedman, J., Olshen,
R., dan Stone, C. Classification and
akurasi tertinggi. Regression Trees. Champman Hall,
1993. New York.
DAFTAR PUSTAKA
7. Carranza, Fermin A., Klokkevold,
1. Gordon, Leonard. Using Perry R., Newman, Michael G.,
Classification and Regression Takei, Henry. (2011).Carranza’s
Trees (CART) in SAS Enterprise Clinical Periodontology 11 th
Miner in Public Health. SAS edition. Hal 70-100. Elsevier
Health Sciences.
Reviewer

Dr. Merryana Adriani, S.KM., M.Kes

Jurnal “Ilmiah Kedokteran” Volume 4 Nomer 2 Edisi Desember 2015, hal. 1 - 12 Page 12