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."

"Latar Belakang: Prakiraan usia memiliki peran yang sangat penting dalam dunia hukum dan forensik terkait permasalahan kasus eksploitasi anak di bawah umur di Indonesia. Prakiraan usia menggunakan gambaran radiologis tulang vertebra servikalis pada sefalometri dengan menilai prakiraan usia skeletal telah dilakukan oleh beberapa penelitian terdahulu, namun belum pernah dilakukan pada populasi di Indonesia. Tujuan: Untuk mengetahui kesesuaian prakiraan usia skeletal vertebra servikalis dan usia gigi terhadap usia kronologis subjek penelitian. Metode: Pengukuran parameter dilakukan pada sampel data sekunder gambaran radiografis sefalometri dan panoramik pada dua kelompok sampel, yaitu sebanyak 100 orang dengan rentang usia 9-18 tahun dan kelompok kedua sebanyak 10 orang dengan rentang usia 9-11 tahun, dimulai dengan rumus prakiraan usia skeletal vertebra servikalis yang dihasilkan melalui regresi linier berganda pada kelompok pertama (n=100 orang). Selanjutnya dilakukan uji perbedaan one-way ANOVA dan uji kesesuaian Bland Altman terhadap prakiraan usia skeletal vertebra servikalis dan usia gigi terhadap usia kronologis serta pengujian selisih prakiraan usia pada kelompok kedua(n=10 orang) Hasil: Uji One-way ANOVA menunjukkan perbedaan yang tidak bermakna secara statistik antar semua pengukuran usia (p<0.05), sedangkan hasil uji Bland Altman menunjukkan selisih rerata antara prakiraan usia skeletal vertebra servikalis dan usia kronologis sebesar 0,0000 ± 1,34 tahun, lebih kecil jika dibandingkan dengan selisih rerata antara prakiraan usia gigi dan usia kronologis sebesar 0,0937 ± 1,37 tahun pada kelompok pertama. Hasil uji t tidak berpasangan pada nilai selisih rata-rata vertebra servikalis sebesar 1,04 tahun dan usia gigi pada 2,52 tahun. Kesimpulan: Prakiraan usia skeletal vertebra servikalis menunjukkan kesesuaian yang lebih baik terhadap usia kronologis dibandingkan usia gigi terhadap usia kronologis.

---

Background: Age estimation plays important role in law enforcement and forensics related to the under age / children exploitation issue in Indonesia. Age estimation using radiographs of cervical vertebrae in cephalometry by estimating its skeletal age had been carried out in several previous studies, but has never been done in populations in Indonesia. Objective: To study the agreement of cervical vertebrae skeletal age estimation and dental age with the chronological age of the research subject. Methods: Measurement of parameters was performed on secondary data samples of cephalometric and panoramic radiographs consist of two groups. The first group were 100 people with 9-18 year old range and the second group were 10 people with 9-11 year old range. Starting from the skeletal age estimation of cervical vertebrae was generated using multiple linear regression analysis (n=100 people). Furthermore, a one-way ANOVA and Bland Altman's agreement test were conducted to the cervical vertebrae skeletal age estimation, dental age, and chronological age. Independent t test was conducted to test the delta of the second group (n= 10 people) Results: One-way ANOVA test showed no significant differences statistically among all age estimations (p <0.05), while the Bland Altman test showed mean difference of 0.0000 ± 1.34 years between the skeletal age estimation of cervical vertebrae and chronological age, which is lower compared to the mean difference between the dental age estimation and chronological age 0.0937 ± 1.37 years from the first group. Followed with independent t test from the delta of skeletal-chronological was 1,04 years and dental-chronological was 2,52 years. Conclusion: The skeletal age estimation of cervical vertebrae shows better agreement with chronological age compared to dental age with chronological age."