OPTIMASI K-NEAREST NEIGHBOR (K-NN) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENGIDENTIFIKASI PENYAKI GIGI DAN MULUT

Al Ghifari, Dloifur Rohman (2025) OPTIMASI K-NEAREST NEIGHBOR (K-NN) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENGIDENTIFIKASI PENYAKI GIGI DAN MULUT. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
21.55.2142 - Dloifur Rohman Al Ghifari.pdf - Published Version
Download (4MB)

Abstract

Gigi dan mulut merupakan salah organ tubuh yang sangat penting bagi manusia. Mulut merupakan gerbang masuk seluruh makanan yang dibutuhkan tubuh dan gigi merupakan alat mengunyah agar proses pencernaan makanan dalam perut berjalan baik. Mulut dan gigi yang tidak sehat akan menimbulkan dampak negatif dan mengganggu kegiatan sehari hari. Menurut Hasil Riset Dasar Kesehatan (RISKESDAS) 2018, sebanyak 57,6% Masyarakat Indonesia mengalami masalah mulut dan gigi, serta 93% anak Indonesia mengalami karies gigi dan 87% orang yang memiliki penyakit mulut dan gigi tidak berobat ke dokter, mereka berusaha untuk mengobatinya secara mandiri. Berdasarkan data tersebut kesadaran akan Kesehatan gigi dan mulut masih tergolong rendah karena kurangnya sosialisasi dan pengetahuan tentang penyakit mulut dan gigi. Padahal apabila dibiarkan penyakit pada gigi dan mulut akan dapat menyebabkan penyakit berbahaya lainnya. teknologi komputasi telah mengalami perkembangan salah satunya pengolahan citra menggunakan algoritma Machine learning dan deep learning. Pada penelitian ini akan dilakukan klasifikasi penyakit gigi dan mulut berdasarkan citra gigi dan mulut menggunakan algoritma hybrid CNN dan KNN. Algoritme CNN digunakan untuk proses ekstraksi fiturnya sedangkan proses klasifikasinya menggunakan algoritma KNN. Untuk mengatasi kelemahan KNN dalam penentuan nilai k yang masih adaptif, maka dilakukan optimasi dengan algoritme Particle Swarm optimization (PSO). Berdasarkan pengujian yang dilakukan algoritma PSO-KNN menghasilkan akurasi yang baik dibandingkan dengan algoritma CNN saja, dengan rata-rata akurasi sebesar 91.59%.

Item Type:

Thesis (S2 - Magister)

Contributor: