Kumpulan jurnaL Ilmu Komputer (KLIK)

Volume 01, No.01 September 2014

ISSN: 2406-7857

K-Means untuk KLASIFIKASI PENYAKIT KARIES GIGI

Novita Meisida1, Oni Soesanto, S.Si, M.Si 2,
Heru Kartika Chandra, S.Si, M. T 3
1 Prodi Ilmu Komputer Fakultas MIPA UNLAM
2 Prodi Matematika Fakultas MIPA UNLAM
3 Prodi Komputerisasi Akuntansi POLIBAN

Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan

Email: bie.crazyapple@gmail.com

Abstrak
Masalah kesehatan gigi dan mulut, menjadi perhatian yang sangat penting
dalam pembangunan kesehatan. Hasil laporan survei Kesehatan Rumah Tangga tahun
2001 menunjukkan bahwa kesehatan gigi dan mulut di Indonesia merupakan hal yang
perlu diperhatikan.
Berdasarkan hasil laporan Poli Gigi Medical Center ITS 2009 didapatkan data-
data berupa data karakteristik karies gigi dan kelas-kelas karies gigi berdasarkan
anatomi J. V. Black. Dari data-data tersebut dapat dilakukan pengklasifikasian dengan
menggunakan metode Clustering K-Means. Metode Clustering K-Means digunakan
karena K-Means melakukan pengelompokkan data dengan sistem partisi, dimana data
dalam satu kelompok memiliki karakteristik yang sama satu sama lainnya, dan memiliki
karekteristik berbeda dengan kelompok lainnya.
Hasil pengklasifikasian metode ClusteringK-Means dibandingkan hasilnya
dengan laporan Poli Gigi Medical Center ITS 2009, untuk membandingkan
keakuratanClustering K-Means.

Kata Kunci: K-Means, Karies Gigi, Klasifikasi

Abstract
Oral health problems , a concern which is very important in health development.
Results of Household Health Survey report in 2001 showed that oral health in Indonesia
are things that need attention.
Based on the report of Poly Teeth ITS Medical Center 2009 obtained data
characteristics of dental caries and dental caries classes based on the anatomy of the JV
Black. From these data can be classification using K - Means clustering method. K -
Means clustering method is used for grouping data partitioning system, where data in
one group have similar characteristics to each other, and have different characteristics
with other groups.
Classification results using K - Means Clustering method will be compared with
the results of reports Poly Teeth ITS Medical Center 2009, to compare and get result
from accuracy of the K - Means Clustering.

Keywords: K-Means, Caries, Classification

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |12

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

1. PENDAHULUAN
Penyakit gigi dan mulut dapat di bagi dua, yaitu penyakit gigi yang menyerang
jaringan keras atau gigi dan jaringan lunak atau mulut dan gusi.Penyakit yang
menyerang jaringan keras disebut karies gigi atau yang lebih dikenal dengan penyakit
gigi berlubang. Dari kedua penyakit gigi tersebut maka tindakan dan resep yang
diberikanpun akan berbeda-beda sesuai dengan penyakit gigi dan mulut yang
dialami oleh pasien [5].
Karies gigi merupakan penyakit yang paling banyak dijumpai. Penyakit ini
terjadi karena demineralisasi jaringan permukaan gigi oleh asam organis yang
berasal dari makanan yang mengandung gula. Hal-hal yang mendukung terjadinya
karies gigi: Gigi yang peka, yaitu gigi yang mengandung sedikit flour atau memiliki
lubang, lekukan maupun alur yang menahan plak; Bakteri, mulut mengandung
sejumlah besar bakteri, tetapi hanya bakteri jenis tertentu yang menyebabkan
pembusukan gigi [5].
Proses karies yang melalui emal-dentin dapat menyebabkan perubahan warna
putih lokal (karies akutan) atau coklat sampai hitam. Perubahan warna ini kadang-
kadang menyebabkan sukarnya medeteksi karies gigi. Untuk memudahkan
mendeteksi penyakit karies gigi, maka telah dilakukan pengelompokkan atau
klasifikasi oleh G.V. Black berdasarkan lokasi, tingkat laju perkembangan, dan jaringan
keras yang terkena [3].

Dalam sistem klasifikasi terdapat 2 Jenis yaitu supervised classification dan

unsupervised classification. K-Means adalah unsupervised classification yang paling
sederhana, secara detail teknik ini menggunakan ukuran ketidak miripan untuk
mengelompokkan objek. K-Means merupakan salah satu metode cluster analisis non
hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau lebih
cluster atau kelompok objek berdasarkan karakteristiknya, sehingga objek yang
mempunyai karakteristik yang sama dikelompokan dalam satu cluster yang sama dan
objek yang mempunyai karakteristik yang berbeda dikelompokan kedalam cluster
yang lain. Tujuan pengelompokan adalah untuk meminimalkan objective function
yang di set dalam proses clustering, yang pada dasarnya berusaha untuk
meminimalkan variasi dalam satu cluster dan memaksimalkan variasi antar cluster[5].
Penelitian ini dilakukan dengan menggunakan K-Means algoritma untuk cluster
n objek berdasarkan atribut menjadi k partisi, dimana k < n, k akan menentukan
klasifikasi data pada data karies gigi berdasarkan anatomi Black sedangkan n adalah
data karies gigi [6].

2. METODOLOGI PENELITIAN
2.1 Data
Data yang digunakan untuk Klasifikasi ini adalah data mengenai pasien penyakit
karies gigi yang diperoleh dari Medical Center ITS Jalan Arif Rahman Hakim Surabaya.
Data pasien penyakit karies gigi yang diaplikasikan pada penelitian ini adalah data
pasien pada tahun 2009.

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |13

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

2.2 Karies Gigi

Karies Gigi adalah suatu proses kronis regresif, dimana prosesnya terjadi terus
berjalan kebagian yang lebih dalam dari gigi sehingga membentuk lubang yang tidak
dapat diperbaiki kembali oleh tubuh melalui proses penyembuhan, pada proses ini
terjadi demineralisasi yang disebabkan oleh adanya interaksi kuman, karbohidrat
yang sesuai pada permukaan gigi dan waktu [4].
Untuk memudahkan mendeteksi penyakit karies gigi, maka telah dilakukan
pengelompokkan atau klasifikasi oleh G.V Black.Berikut adalah klasifikasi gigi
menurut G.V. Black :
1. Kelas I. Karies yang terjadi pada bagian oklusal (pits dan fissure) dari gigi premolar
dan molar (gigi posterior, gigi 4-8).Dapat juga terdapat pada gigi anterior di
foramencaecum.
2. Kelas II. Karies yang terdapat pada bagian approximal (mesial dan distal) dari
gigi-gigi molar atau premolar (gigi posterior, gigi 4-8), yang umumnya meluas
sampai bagian oklusal.
3. Kelas III. Karies yang terdapat pada bagian approximal dari gigi depan, tetapi
belum mencapai margo incisalis (belum mencapai ⁄ incisal gigi).Lubang di
permukaan gigi yang menghadap ke langit-langit.
4. Kelas IV. Kelanjutan Kelas III. Karies telah meluas dari approximal dari gigi-gigi
depan dan sudah mencapai margo incisalis (telah mencapai ⁄incisal gigi).
5. Kelas V. Karies yang terdapat pada bagia 1/3 leher gigi-gigi depanatau permukaan
halus dan fasial maupun gigi belakang pada permukaan labial, lingual, palatal
ataupun bukal dari gigi.Lebih dominan timbul dipermukaan yang menghadap
kebibir dan pipi dari pada lidah.
6. Kelas VI. Karies yang terdapat pada incisal edge dan cusp oklosal pada gigi
belakang yang disebabkan oleh abrasi, atrisi atau erosi[5].

2.3 Prosedure K-Means

Metode K-Means berusaha mengelompokkan data yang ada kedalam beberapa
kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama
satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada
didalam kelompok yang lain [1]. Dengan kata lain, metode ini berusaha untuk
meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan
variasi dengan data yang ada di cluster lainnya.
Digunakan fungsi kriteria: jumlah dari kesalahan kuadrat (sum of squared-error,
SSE) yang dapat mengukur kualitas klastering yang dibuat
𝑘

𝑆𝑆𝐸 = ∑ ∑ 𝑑(𝑝, 𝑚𝑖 )2
𝑖=1 𝑝∈𝐶𝑖

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |14

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

p Є Ci = tiap data poin pada cluster i, mi = centroid dari cluster i, d = jarak/

distances/ variance terdekat pada masing-masing cluster i.
Mengoptimalkan nilai fungsi kriteria tersebut, nilai SSE tergantung pada jumlah
klaster dan bagaimana data dikelompokkan ke dalam klaster-klaster. Semakin kecil
nilai SSE semakin bagus hasil klastering yang dibuat [1].
Proseduryang digunakan dalam melakukan optimasi menggunakan k-means
adalah sebagai berikut:
a) Pilih jumlah klaster k yang diinginkan
b) Inisialisasi k pusat klaster (centroid) secara random/ acak
c) Tempatkan setiap data atau objek ke klaster terdekat. Kedekatan dua objek
ditentukan berdasar jarak. Jarak yang dipakai pada algoritma k-Means adalah
Euclidean distance (d).
𝑛
2
𝑑(𝑥, 𝑦) = ‖𝑥 − 𝑦‖ = √∑(𝑥𝑖 − 𝑦𝑖 )2
𝑖=1

x = x1, x2, . . . , xn, dan y = y1, y2, . . . , yn merupakan banyaknya natribut(kolom)

antara 2 record.
d) Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat
klaster adalah rata-rata (mean) dari semua data atau objek dalam klaster tertentu.
e) Tugaskan lagi setiap objek dengan memakai pusat klaster yang baru. Jika pusat
klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Atau, kembali
lagi ke langkah ke 3 sampai pusat klaster tidak berubah lagi/ stabil atau tidak ada
penurunan yang signifikan dari nilai SSE (Sum of Squared Errors)
[1].

2.4 Uji Coba

Dengan data yang sama uji coba dilakukan dengan membandingkan hasil Cluster
K-Means dengan Klasifikasi karies gigi menurut anatomi Black dari hasil pemeriksaan
dokter pada laporan poli gigi.

3. HASIL DAN PEMBAHASAN

3.1 Implementasi K-means
Data pasien karies gigi sebanyak 375 orang akan diklasifikasikan dengan enam
kelas klasifikasi berdasarkan anatomi Black. Berdasarkan data pasien yang ada,
sejumlah data pasien penyakit karies gigi berdasarkan pembagian kelas Black yang
telah diklasifikasikan oleh dokter dijadikan variable-variabel input untuk klasifikasi.
Variable yang tercatat ada delapan yaitu 𝑥1 ,𝑥2 ,𝑥3 , …, 𝑥8 dimana,
𝑥1 = Karies terdapat pada permukaan aproksimal (mesial dan distal)
𝑥2 = Karies terjadi pada pit
𝑥3 = Karies terdapat pada permukaan halus
𝑥4 = Karies terdapat pada fasial
𝑥5 = Karies terdapat pada lingual gigi

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |15

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

𝑥6 = Posisi gigi anterior

𝑥7 = Posisi gigi pasterior
𝑥8 = Posisi gigi insisal
Sementara itu, enam target cluster sesuai dengan kelas klasifikasi Black yaitu :
𝐶1 = Kelas I
𝐶2 = Kelas II
𝐶3 = Kelas III
𝐶4 = Kelas IV
𝐶5 = Kelas V
𝐶6 = Kelas VI
Berdasarkan data yang telah diperoleh, dilakukan bineralisasi untuk input dan
kelas setiap data dengan menganalisa dan mencocokkan data penyakit karies gigi
berdasarkan anatomi Black, yang dijadikan variable-variabel input untuk klasifikasi.
Proses bineralisai dilakukan dengan memberikan suatu unit masukan yang nilainya
selalu 1 untuk data pasien karies gigi yang sesuai dengan ciri-ciri klasifikasi
berdasarkan anatomi Black seperti yang telah ditentukan berdasarkan delapan
variable dan enam target cluster kelas dalam pengkalsifikasian dan nilai 0 untuk data
pasien penyakit karies gigi yang tidak sesuai dengan ciri-ciri klasifikasi berdasarkan
anatomi Black. Berikut penerapan K-mean pada klasifikasi karies gigi[2].
Tabel 1. Daftar Pasien Penyakit Karies Gigi
No Nama Kelas Black X1 X2 X3 X4 X5 X6 X7 X8
1 A I 1 0 0 0 0 0 1 0
2 B II 0 1 0 0 0 0 1 0
3 C III 0 1 0 0 0 1 1 0
4 D IV 0 1 0 0 0 1 0 1
5 E V 0 0 1 1 1 0 0 0
6 F VI 0 0 0 0 0 1 1 1
7 G VI 0 0 0 0 0 1 0 1
8 H V 0 0 1 0 1 1 0 0
9 I II 0 0 0 0 0 0 1 0
10 J I 1 0 0 0 0 0 1 0
11 K III 0 1 0 0 0 1 1 0
12 L II 0 1 0 0 0 0 1 0

1. Penentuan pusat awal cluster

Untuk penentuan awal di asumsikan:
Diambil Data ke-1 sebagai pusat cluster ke-1 : 1 0 0 0 0 0 1 0
Diambil Data ke-2 sebagai pusat cluster ke-2 : 0 1 0 0 0 0 1 0
Diambil Data ke-3 sebagai pusat cluster ke-3 : 0 1 0 0 0 1 1 0
Diambil Data ke-4 sebagai pusat cluster ke-4 : 0 1 0 0 0 1 0 1

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |16

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

Diambil Data ke-5 sebagai pusat cluster ke-5 : 0 0 1 1 1 0 0 0

Diambil Data ke-6 sebagai pusat cluster ke-6 : 0 0 0 0 0 1 1 1

2. Perhitungan jarak pusat cluster

Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance,
kemudian akan didapatkan matrik jarak sebagai berikut :
Rumus Euclidian distance : d | x – y | =√∑𝑛𝑖 = (𝑋𝑖 − 𝑌𝑖)2
x = pusat cluster
y = data
C1 untuk data ke-1 :
√(1 − 1)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (1 − 1)2 + (0 − 0)2
=0
C2 untuk data ke-1 :
√(1 − 0)2 + (0 − 1)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (1 − 1)2 + (0 − 0)2
= 1.41
C3 untuk data ke-1 :
√(1 − 0)2 + (0 − 1)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 1)2 + (1 − 1)2 + (0 − 0)2
= 1.73
C4 untuk data ke-4 :
√(1 − 0)2 + (0 − 1)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 1)2 + (1 − 0)2 + (0 − 1)2
= 2.23
C5 untuk data ke-5 :
√(1 − 0)2 + (0 − 0)2 + (0 − 1)2 + (0 − 1)2 + (0 − 1)2 + (0 − 0)2 + (1 − 0)2 + (0 − 0)2
= 2.23
C6 untuk data ke-6 :
√(1 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 0)2 + (0 − 1)2 + (1 − 1)2 + (0 − 1)2
= 1.73
Cari jarak terpendek dari semua hasil clusteruntuk data ke-1
C1 C2 C3 C4 C5 C6 Jarak Terpendek
0 1.41 1.73 2.23 2.23 1.73 0
Dari perhitungan diatas didapatkan hasil seperti pada tabel 2.
Tabel 2. Iterasi ke- 1
Jarak
No X1 X2 X3 X4 X5 X6 X7 X8 C1 C2 C3 C4 C5 C6 Terpendek
1 1 0 0 0 0 0 1 0 0 1.41 1.73 2.23 2.23 1.73 0
2 0 1 0 0 0 0 1 0 1.41 0 1 1.73 2.23 1.73 0
3 0 1 0 0 0 1 1 0 1.73 1 0 1.41 2.44 1.41 0
4 0 1 0 0 0 1 0 1 2.23 1.7 1.41 0 2.44 1.41 0
5 0 0 1 1 1 0 0 0 2.23 2.23 2.44 2.44 0 2.44 0
6 0 0 0 0 0 1 1 1 1.73 1.73 1.41 1.41 2.44 0 0

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |17

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

7 0 0 0 0 0 1 0 1 2 2 1.73 1 2.23 1 1
8 0 0 1 0 1 1 0 0 2.23 2.23 2 2 1.41 2 1.41
9 0 0 0 0 0 0 1 0 1 1 1.41 2 2 1.41 1
10 1 0 0 0 0 0 1 0 0 1.41 1.73 2.23 2.23 1.73 0
11 0 1 0 0 0 1 1 0 1.73 1 0 1.41 2.44 1.41 0
12 0 1 0 0 0 0 1 0 1.41 0 1 1.73 2.23 1.73 0
Setiap kolom pada matrik menunjukkan nilai jarak data terhadap pusat cluster.
kolom pertama pada matrik menunjukkan nilai jarak data terhadap titik pusat cluster
pertama, kolom kedua pada matrik menunjukkan nilai jarak data terhadap titik pusat
cluster kedua dan seterusnya.

3. Pengelompokkan data
Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak
terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut
berada dalam satu kelompok dengan pusat cluster terdekat.
Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data
tersebut berada dalam group.
G1 =
Tabel 3.Hasil Iterasi ke- 1
No C1 C2 C3 C4 C5 C6
1 1 0 0 0 0 0
2 0 1 0 0 0 0
3 0 0 1 0 0 0
4 0 0 0 1 0 0
5 0 0 0 0 1 0
6 0 0 0 0 0 1
7 0 0 0 1 0 1
8 0 0 0 0 1 0
9 1 1 0 0 0 0
10 1 0 0 0 0 0
11 0 0 1 0 0 0
12 0 1 0 0 0 0

4. Penentuan pusat cluster baru

Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru
dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat
anggota cluster.
Dari pengelompokan data iterasi ke-1 didapatkan hasil :
Untuk C1 ada 3 buah data yakni, data ke-1, 9, dan 10

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |18

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

Untuk C2 ada 3 buah data yakni, data ke-2, 9, dan 12

Untuk C3 ada 2 buah data yakni, data ke-3 dan 11
Untuk C4 ada 2 buah data yakni, data ke-4 dan 7
Untuk C5 ada 2 buah data yakni, data ke-5 dan 8
Untuk C6 ada 2 buah data yakni, data ke-6 dan 7
Untuk mendapatkan cluster baru dilakukan perhitungan sebagai berikut :
1+0+1
C1 : 3 = 0.67
0+0+0
C2 : =0
3
1+0+1
C3 : = 0.67
3
0+0
C4 : =0
2
0+0
C5 : =0
2
0+0
C6 : 2 = 0
Dari hasil perhitungan tersebut didapatkan cluster baru seperti terlihat pada tabel.
Tabel 4.Penentuan Pusat Cluster Baru
No X1 X2 X3 X4 X5 X6 X7 X8 Cluster baru
1 1 0 0 0 0 0 1 0 0.67 0 0 0 0 0
2 0 1 0 0 0 0 1 0 0 0.67 1 0.5 0 0
3 0 1 0 0 0 1 1 0 0 0 0 0 1 0
4 0 1 0 0 0 1 0 1 0 0 0 0 0.5 0
5 0 0 1 1 1 0 0 0 0 0 0 0 1 0
6 0 0 0 0 0 1 1 1 0 0 1 1 0.5 1
7 0 0 0 0 0 1 0 1 1 1 1 0 0 0.5
8 0 0 1 0 1 1 0 0 0 0 0 1 0 1
9 0 0 0 0 0 0 1 0
10 1 0 0 0 0 0 1 0
11 0 1 0 0 0 1 1 0
12 0 1 0 0 0 0 1 0

5. Ulangi langkah ke 2 (kedua) hingga posisi data tidak mengalami perubahan.

D2 =
Tabel 5.Iterasi ke- 2
No 1 2 3 4 5 6 7 8 C1 C2 C3 C4 C5 C6 Jarak Terpendek
1 1 0 0 0 0 0 1 0 0.33 1.2 1.73 2.06 2.12 1.8 0.33
2 0 1 0 0 0 0 1 0 1.2 0.33 1 1.8 2.12 1.8 0.33
3 0 1 0 0 0 1 1 0 1.56 1.05 0 1.5 2.12 1.5 0
4 0 1 0 0 0 1 0 1 2.1 1.76 1.41 0.5 2.12 1.11 0.5

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |19

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

5 0 0 1 1 1 0 0 0 2.1 2.1 2.44 2.29 0.7 2.29 0.7

6 0 0 0 0 0 1 1 1 1.56 1.56 1.41 1.11 2.1 0.5 0.5
7 0 0 0 0 0 1 0 1 1.85 1.85 1.73 0.5 1.87 0.5 0.5
8 0 0 1 0 1 1 0 0 2.1 2.1 2 1.8 0.7 1.8 0.7
9 0 0 0 0 0 0 1 0 0.67 0.67 1.41 1.8 1.87 1.5 0.67
10 1 0 0 0 0 0 1 0 0.33 1.2 1.73 2.06 2.12 1.8 0.33
11 0 1 0 0 0 1 1 0 1.56 1.05 0 1.5 2.12 1.5 0
12 0 1 0 0 0 0 1 0 1.2 0.33 1 1.8 2.12 1.8 0.33
Langkah selanjutnya sama dengan langkah pada nomer 3 jarak hasil
perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data
dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu
kelompok dengan pusat cluster terdekat. Berikut ini akan ditampilkan data matriks
pengelompokkan group, nilai 1 berarti data tersebut berada dalam group.
G2 =
Tabel 6.Hasil Iterasi ke- 2
No C1 C2 C3 C4 C5 C6
1 1 0 0 0 0 0
2 0 1 0 0 0 0
3 0 0 1 0 0 0
4 0 0 0 1 0 0
5 0 0 0 0 1 0
6 0 0 0 0 0 1
7 0 0 0 1 0 1
8 0 0 0 0 1 0
9 1 1 0 0 0 0
10 1 0 0 0 0 0
11 0 0 1 0 0 0
12 0 1 0 0 0 0

Setelah melakukan 4 kali iterasi didapatkan hasil G3= G4 memiliki anggota yang
sama maka tidak perlu dilakukan iterasi / perulangan lagi. Hasil clustering telah
mencapai stabil dan konvergen
G3 = G4

Tabel 7.Tabel Hasil Iterasi ke- 3 dan Iterasi ke- 4

No C1 C2 C3 C4 C5 C6
1 1 0 0 0 0 0
2 0 1 0 0 0 0

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |20

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

3 0 0 1 0 0 0
4 0 0 0 1 0 0
5 0 0 0 0 1 0
6 0 0 0 0 0 1
7 0 0 0 1 0 1
8 0 0 0 0 1 0
9 0 1 0 0 0 0
10 1 0 0 0 0 0
11 0 0 1 0 0 0
12 0 1 0 0 0 0

3.2 Perbandingan Hasil

Dari hasil di atas dapat dilihat perbandingan hasil K-means dan Klasifikasi kelas
anatomi Black sebagai berikut :
Tabel 8. Hasil Perbandingan Klasifikasi Kelas Black dengan K-Means
No Nama Kelas Black Kelas K-Means
1 A I I
2 B II II
3 C III III
4 D IV IV
5 E V V
6 F VI VI
7 G VI IV/VI
8 H V V
9 I II II
10 J I I
11 K III III
12 L II II
Pada tabel diatas didapatkan hasil untuk pasien ke-7, pasien seharusnya memiliki
karies gigi kelas VI, tetapi pada K-means pasien memiliki karies gigi pada kelas IV dan
VI.

4. SIMPULAN
Kesimpulan yang diperoleh dari penelitian ini adalah :

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |21

 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 01, No.01 September 2014
ISSN: 2406-7857

1. K-means dapat digunakan sebagai metode pengklasifikasian untuk cluster kelas

karies gigi anatomi Black karena memiliki nilai eror yang kecil, tetapi data harus
dibineralisasikan terlebih dahulu.
2. Perbedaan hasil cluster pada perbandingan cluster kelas Black Poli Gigi Medical
Center dan cluster kelas Black K-means karena pada data Poli Gigi yang
melakukan pemeriksaan adalah dokter ahli secara langsung pada pasien,
sedangkan cluster kelas K-means menggunakan metode perhitungan berdasarkan
nilai variabel yang dikelompokkan menjadi 6 cluster.
3. Menambahkan variabel pada data-data yang memiliki variabel tunggal dapat
meningkatkan akurasi perhitungan K-Means untuk klasifikasi penyakit karies gigi.

5. DAFTAR PUSTAKA
[1]. Arriyani, Farisa. “Pengelompokan Jenis Tanah Menggunakan Algoritma
Clustering K-Means”.http://ftp.gunadarma.ac.id/Presentasi-Sidang/FIK-
10104657.ppt.ppt.2010. Diakses Tanggal 22 September 2013.

[2]. Meisida, Novita. “Klasifikasi Penyakit Karies Gigi Menggunakan K-Means”.

Universitas Lambung Mangkurat, Banjarbaru. 2014.

[3]. Schuurs, A.H.B. “Patologi Gigi Geligi Kelainan Jaringan Keras Gigi”. Gajah Mada
University Press, Yogyakarta.1992.

[4]. Suwargiani, Anne Agustina. “Indeks def-t dan DMF-T Masyarakat Desa
Cipondoh dan Desa Mekarsari Kecamatan Tirtamulaya Kabupaten
Karawang”.http://unpad.ac.id/unpad-content/uploads/publikasi
dosen/masyarakat desa cipondoh.pdf. 2008. Diakses Tanggal 26 Desember
2011

[5]. Tarigan, Rasinta. “Karies Gigi”. Hipokrates, Jakarta.1995.

[6]. Wakhidah, Nur. “Clustering Menggunakan K-Means Algorithm (K-Means

AlgorithmClustering)”.http://journal.usm.ac.id/elibs/USM_841bjurnalkmea
nsjuli2010ida.pdf.2010. Diakses Tanggal 22 September 2013

K-Means untuk Klasifikasi Penyakit Karies Gigi (Novita Meisida) |22