Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Estimasi usia merupakan bagian dari proses identifikasi individu, baik dalam keadaan hidup maupun mati. Gigi dapat digunakan untuk membantu estimasi usia kronologis seseorang antara lain dengan metode Tooth Coronal Index (TCI). Tujuan: Mengetahui korelasi antara TCI gigi insisivus, caninus, premolar, dan molar rahang atas dengan usia kronologis populasi Indonesia rentang 16 - 70 tahun. Metode: Pengukuran tinggi koronal pulpa (CPCH) dan panjang mahkota (CL) dilakukan terhadap 116 radiograf periapikal, kemudian dilakukan perhitunganindeks koronal gigi (TCI). Indeks yang diperoleh dianalisis secara statistik sehingga dapat diketahui korelasinya terhadap usia. Hasil: Terdapat perbedaan bermakna pada rerata TCI gigi insisivus, caninus, premolar, dan molar rahang atas antar kelompok usia (p<0,05). Dihasilkan empat persamaan regresi yang dapat digunakan untuk estimasi usia: Usia = 78,011 - 1,102TCII(r = -0,916 dengan SEE 5,25 tahun); Usia = 82,471 - 1,184TCIC(r = - 0,923 dengan SEE 5,03 tahun); Usia = 95,659-1,686TCIP(r = -0,964 dengan SEE 3,51 tahun);Usia = 91,606 - 1,532 TCIM(r = -0,912 dengan SEE 5,38 tahun). Kesimpulan: Adanya korelasi negatif yang sangat kuat antara TCI dan usia kronologis dimana korelasi tertinggi dijumpai pada gigi premolar dan terendah pada gigi molar, mengindikasikan bahwa metode TCI dapat digunakan untuk estimasi usia.

---

Background: Age estimation is a part of human identification process for both deceased and living individuals. Tooth can be used to help estimate individual's chronological age.

Aim: To determine the correlation between the Tooth Coronal Index (TCI) of the upper jaw’s incisive, canine, premolar, and molar; and the chronological age of 16 - 70 years old in Indonesian population.

Method: The measurements of coronal pulp cavity height (CPCH) and coronal length (CL) were performed on 116 periapical radiographs, and the TCIs were calculated and analyzed statistically.

Results: The TCI mean of the incisive, canine, premolar, and molar upper jaw showed significant differences among age group (p<0.05). Regression analysis produced four equations, which can be used for age estimation; Age =78,011 - 1,102TCII(r = -0,916 with 5,25year SEE); Age = 82,471 - 1,184TCIC(r = -0,923 with 5,03 year SEE); Age = 95,659-1,686TCIP(r = -0,964 with 3,51 year SEE);Age = 91,606 - 1,532 TCIM(r = -0,912 with 5,38 year SEE).

Conclusion: A very strong negative correlation between TCI and chronological age showed that TCI method can be used for age estimation, where the highest correlation was found in premolar tooth and the lowest in molar tooth."

"Dalam konteks estimasi usia gigisebagai metode non-invasif untuk determinasi usia kronologis pasien, teknik orthopantomography (OPG) telah luas diaplikasikan meski menghadapi kendala seperti biaya tinggi dan eksposur radiasi. Merespons limitasi pendekatan konvensional, paradigma machine learning dan deep learning kini dioptimalkan untuk mengidentifikasi pola intrinsik pada data pencitraan medis kompleks. Penelitian ini bertujuan mengembangkan algoritma YOLOv8 untuk meningkatkan akurasi estimasi usia gigi, menggunakan dataset dari RSGMP Universitas Airlangga dengan subjek pediatrik 5—15 tahun. Dataset dimodifikasi menjadi tiga variasi: tanpa augmentasi, augmentasi tiga kali per sampel, dan augmentasi lima kali per sampel. Hasil optimal dicapai oleh variasi ketiga dengan augmentasi lima kali per sampel, mendemonstrasikan akurasi 60% dan F1-Score 61,05%, mengindikasikan potensi signifikan teknik augmentasi data dalam meningkatkan kinerja algoritma deep learning untuk estimasi usia gigi.

---

In the context of dental age estimation as a non-invasive method for determining patients' chronological age, orthopantomography (OPG) techniques have been widely applied despite facing challenges such as high costs and radiation exposure. Responding to the limitations of conventional approaches, machine learning and deep learning paradigms are now being optimized to identify intrinsic patterns in complex medical imaging data. This research aims to develop the YOLOv8 algorithm to improve the accuracy of dental age estimation, using a dataset from the Dental and Oral Hospital of Airlangga University with pediatric subjects aged 5-15 years. The dataset was modified into three variations: without augmentation, triplet augmentation, and quintuplet augmentation per sample. Optimal results were achieved by the third variation with quintuplet augmentation, demonstrating 60% accuracy and 61.05% F1-Score, indicating significant potential for data augmentation techniques in enhancing the performance of deep learning algorithms for dental age estimation."