Seseorang yang telah meninggal dunia dapat diidentifikasi secara visual oleh keluarga atau kerabat dekat yang mengenal orang tersebut semasa hidupnya. Proses identifikasi sering dilakukan dengan mengamati secara visual karakteristik wajah, tubuh, atau barang-barang pribadi. Namun secara ilmiah teknik ini menjadi tidak dapat diandalkan jika anggota tubuh yang ditemukan mengalami kondisi kerusakan yang parah, seperti pembusukan atau terbakar hebat.
Metode identifikasi primer yang dapat dilakukan meliputi identifikasi sidik jari, pemeriksaan gigi, dan pemeriksaan DNA. Masing-masing metode ini memiliki tingkat kesulitan yang beragam, tetapi semuanya memiliki tingkat ketepatan yang tinggi. Identifikasi melalui pemeriksaan gigi telah diterima oleh ahli forensic sebagai metode identifikasi yang paling sederhana dan cepat serta efisien dalam menemukan identitas seseorang. Odontologi forensik merupakan bagian dari ilmu kedokteran gigi yang berfokus terutama pada proses identifikasi individu dengan menganalisis struktur anatomi rongga mulut yang khas. Penerapan utama dari ilmu ini adalah di bidang investigasi medicolegal, identifikasi korban bencana massal, identifikasi jenazah dan penentuan identitas individu berdasarkan baik hidup maupun meninggal dunia.
Struktur gigi dapat menjadi sumber informasi yang berharga untuk menentukan jenis kelamin, usia, dan ras seseorang. Perkembangan gigi erat kaitannya dengan usia kronologis dimana secara umum tahapan tumbuh kembang gigi manusia dibagi menjadi beberapa periode: munculnya gigi sulung pada tahun kedua kehidupan, erupsi dua gigi seri permanen dan molar permanen pertama antara usia 6 dan 8 tahun, dan erupsi gigi molar ketiga sekitar usia 18 tahun. Pemeriksaan radiografis berdasarkan tumbuh kembang dan mineralisasi gigi dianggap sebagai salah satu metode yang paling dapat diandalkan untuk menentukan usia anak-anak dan remaja.
Selain pemeriksaan gigi untuk memperkirakan usia individu, ukuran dan bentuk tulang rahang seseorang dapat digunakan dalam menentukan jenis kelamin. Penentuan jenis kelamin menggunakan analisis tulang cranium memiliki akurasi hingga 90%. Dalam kasus bencana massal, ketika tubuh korban rusak parah hingga identifikasi visual tidak lagi memungkinkan, maka sisa-sisa gigi, tulang rahang, dan cranium terbukti menjadi sumber informasi yang berharga untuk proses identifikasi individu.
Kemajuan teknologi dalam data mining telah merevolusi semua cabang ilmu pengetahuan, termasuk odontologi forensik. Machine learning merupakan salah satu cabang kecerdasan buatan (Artificial Intelligence) dan ilmu komputer yang menggunakan data dan algoritme untuk meniru cara manusia belajar, dan secara bertahap meningkatkan tingkat akurasinya. Algoritma machine learning umumnya digunakan untuk membuat prediksi atau klasifikasi. Algoritma ini akan mengestimasi suatu pola dalam data berdasarkan beberapa data input, baik data yang dapat diberi label maupun data tanpa label.
Selain itu, machine learning dapat berfungsi sebagai proses pengoptimalan model. Misalnya, jika model lebih cocok dengan titik data dalam set training, maka bobot disesuaikan untuk mengurangi kesenjangan antara contoh yang diketahui dan perkiraan model. Algoritme akan mengulangi evaluasi ini dan mengoptimalkan proses, memperbarui bobot secara otomatis hingga ambang akurasi tercapai. Hal ini telah membuktikan keunggulan machine learning, di mana tidak diperlukan campur tangan manusia, karena memberikan mesin kemampuan untuk belajar, membuat prediksi, dan meningkatkan algoritme sendiri. Di sisi lain, metode deep learning yang merupakan subset dari machine learning yang menggunakan deep artificial neural network (ANN) sebagai model dan secara otomatis membangun hirarki representasi data. Baru-baru ini mendapat perhatian karena kemampuannya untuk memecahkan sebagian besar masalah klasifikasi gambar. Berbagai studi telah melaporkan penerapan model machine learning, termasuk metode deep learning dalam odontologi forensik berdasarkan pemeriksaan gigi untuk identifikasi manusia.
Mempertimbangkan tren otomasi yang berkembang pesat di bidang medis, teknik ilmu komputer seperti machine learning, ANN, dan deep learning menjadi metode yang menjanjikan yang dapat mengotomatisasi metode konvensional dan meningkatkan reproduktifitas. Beberapa penelitian telah dipublikasikan dengan menggunakan teknik ilmu komputer untuk penentuan jenis kelamin. Seperti penelitian yang dilakukan oleh Akkoç et al. yang mengusulkan penentuan jenis kelamin secara otomatis dari gambar model plester gigi rahang atas seseorang. Proses akuisisi gambar dilakukan sebelum tahap segmentasi dan klasifikasi.
Model machine learning lain yang menjanjikan untuk klasifikasi jenis kelamin diusulkan oleh Esmaeilyfard et al. yang menggunakan gigi molar pertama pada Cone Beam Computed Tomography (CBCT). Sembilan parameter diukur di tengah bagian sagital dan koronal gigi yang diamati. Parameter tersebut adalah atap, lantai, dan tinggi ruang pulpa, serta ketebalan enamel marginal dan ketebalan dentin pada ketinggian kontur, lebar gigi, dan panjang mahkota pada aspek bucco-lingual dan mesiodistal. Penelitian ini bereksperimen dengan tiga pengklasifikasi yang berbeda: Naïve Bayesian, RF, dan SVM. Berdasarkan validasi silang 10 kali lipat, Naïve Bayesian memberikan hasil terbaik, dengan akurasi rata-rata 92,31%.
Selain dalam hal penentuan jenis kelamin, proses otomasi juga dapat diterapkan perhitungan estimasi usia. Proses otomasi ini terbukti memiliki reproduktifitas yang tepat dan sama baiknya dengan metode konvensional. Metode estimasi usia gigi yang paling umum berdasarkan perkembangan gigi didasarkan pada sistem stadium Demirjian, yang menggunakan radiografi panoramik digital untuk memperkirakan usia kronologis individu berdasarkan mineralisasi tujuh gigi bawah permanen kiri. Metode ini juga cocok untuk menentukan status maturitas gigi, apakah individu dengan usia yang diketahui maju atau mundur, daripada memprediksi usia yang tidak diketahui.
Sistem yang sepenuhnya otomatis untuk identifikasi individu menggunakan gambaran radiografi gigi membutuhkan segmentasi gambar sebelumnya menjadi beberapa bagian yang berisi satu gigi. Ekstraksi bentuk gigi berdasarkan informasi kontur adalah pendekatan umum untuk ekstraksi fitur. Pushparaj et al. menggunakan proyeksi intensitas integral untuk mengelompokkan rahang atas, rahang bawah, dan gigi individu secara terpisah, diikuti dengan ekstraksi bentuk berdasarkan komponen yang terhubung secara cepat. Tahap akhir dari proses ini meliputi pengukuran jarak, dengan menggunakan persamaan jarak Mahalanobis untuk mengukur cara pencocokan jarak. Hasil penelitian menunjukkan bahwa algoritma tersebut menghasilkan kinerja yang lebih baik dibandingkan dengan pekerjaan mereka sebelumnya, yang didasarkan pada ekstraksi kontur semi-otomatis. Young melakukan klasifikasi gigi menggunakan CNN classifier untuk mengklasifikasikan 28 gigi permanen. Gambaran training diuji pada dua model CNN yang berbeda yaitu 4 layer dan 16 layer. Hasilnya menunjukkan bahwa waktu training model CNN 4 layer lebih pendek namun akurasinya lebih rendah dibandingkan model CNN 16 layer.
Sementara itu, De Tobel dkk. mengusulkan teknik otomatis untuk estimasi usia berdasarkan perkembangan molar ketiga mandibula menggunakan radiografi panoramik dengan menggunakan pengenalan pola dan pendekatan klasifikasi pada gambar target. Hasilnya, metode yang diusulkan dapat menampilkan perkembangan gigi molar ketiga bawah sesuai dengan stadium yang dilakukan oleh pengamat manusia. Namun, diperlukan lebih banyak pelatihan data karena studi percontohan hanya diuji pada 20 gambar.
Machine learning telah membuktikan kemampuannya untuk melakukan prediksi seperti yang dilakukan oleh manusia. Oleh karena itu, kelayakan machine learning untuk diterapkan dalam bidang forensic tidak dapat diragukan lagi. Melatih model deep learning dapat dilakukan melalui transfer learning atau modeling from scratch. Jaringan deep learning akan mempelajari sebuah sistem dengan mengamati pola kompleks dalam data yang diberikan. Oleh karena itu, kumpulan big data mungkin diperlukan untuk dilatih dalam jaringan tersebut karena deep learning perlu mempelajari fitur sebanyak mungkin untuk membuat prediksi yang baik. Ketersediaan platform open-source end-to-end untuk machine learning, seperti TensorFlow, telah membuat arsitektur deep learning menjadi lebih luas dan lebih mudah diimplementasikan. Teknologi baru ini menunjukkan bahwa machine learning dapat dibangun oleh siapa saja yang ingin mengotomatisasi proses konvensional.
Oleh: Arofi Kurniawan, drg., Ph.D
Diambil dari artikel berjudul:Applications of contemporary artificial intelligence technology in forensic odontology as primary forensic identifier: A scoping review
Artikel dapat diakses pada: https://doi.org/10.3389/frai.2022.1049584
