Dunia kedokteran gigi forensik mengalami kemajuan signifikan dengan hadirnya teknologi kecerdasan buatan (AI) dalam proses estimasi usia. Pendekatan baru yang menggabungkan teknik pencitraan digital dengan algoritma pembelajaran mesin, khususnya convolutional neural networks (CNN), menawarkan akurasi dan efisiensi yang lebih tinggi dibandingkan metode konvensional.
Metode estimasi usia berbasis pencitraan, seperti radiografi dan tomografi, telah lama diakui sebagai metode utama dalam odontologi forensik. Penelitian-penelitian sebelumnya menegaskan bahwa pencitraan gigi—melalui pengamatan kalsifikasi gigi, pertumbuhan akar dan mahkota, hingga tahap erupsi gigi—berkorelasi kuat dengan usia kronologis seseorang. Hal ini menjadikannya indikator penting dalam identifikasi individu, terutama dalam konteks hukum, kemanusiaan, dan bencana.
Salah satu metode konvensional yang digunakan secara luas adalah London Atlas of Tooth Development and Eruption, yang menyusun tahapan pertumbuhan gigi berdasarkan rentang usia tertentu. Atlas ini terbukti akurat untuk anak-anak dan remaja hingga usia 23 tahun. Namun, penerapan metode estimasi usia secara konvensional membutuhkan keahlian dan bergantung pada subyektifitas pengamat.
Merespons keterbatasan metode konvensional, penelitian terbaru di Indonesia mengintegrasikan CNN dengan metode Al-Qahtani menggunakan citra radiografi panoramik (orthopantomogram/OPG). Tim peneliti dari Universitas Airlangga menggunakan 801 radiografi panoramik dari anak-anak berusia 5 hingga 15 tahun sebagai data training dalam mengembangkan algoritma CNN untuk estimasi usia. Model CNN yang dikembangkan awalnya hanya menghasilkan akurasi di bawah 50%, namun setelah diterapkan teknik data augmentation—yakni memperbanyak data dengan memutar citra sebesar 1–3 derajat—akurasi meningkat hingga 74%. Data augmentation dapat digunakan untuk menghindari overfitting dan meningkatkan kemampuan generalisasi model CNN. Total citra yang digunakan setelah augmentasi meningkat menjadi 1.298 gambar, memperkaya variasi pelatihan dan meningkatkan keandalan sistem.
Keunggulan CNN terlihat pula dalam studi-studi internasional. Di Malaysia, kombinasi CNN dan algoritma K-Nearest Neighbors (KNN) mampu memperkirakan usia individu dalam rentang 15–23 tahun dengan akurasi mencapai 99,98% untuk estimasi usia satu tahun. Studi lain dari Kroasia dan Korea Selatan juga menunjukkan keberhasilan CNN dalam memproses ribuan OPG dan menghasilkan prediksi usia yang akurat, bahkan pada sisa-sisa arkeologis.
Penggunaan CNN bukan tanpa tantangan. Salah satu kendala terbesar adalah keterbatasan data pelatihan yang dapat menyebabkan model overfitting—yaitu ketika algoritma terlalu menyesuaikan diri dengan data pelatihan dan gagal menggeneralisasi data baru. Oleh karena itu, diperlukan dataset yang besar, beragam, dan representatif agar AI dapat memberikan hasil estimasi usia yang akurat dalam berbagai populasi.
Studi perbandingan antara metode tradisional seperti Kvaal dan algoritma machine learning juga menunjukkan keunggulan AI. Dalam satu penelitian, algoritma XG Boosting menghasilkan galat rata-rata (MAE) sebesar 4,77, lebih baik dibandingkan Kvaal yang mencatat MAE 5,68. Hal ini mengindikasikan kemampuan algoritma AI untuk mendeteksi lebih banyak pola visual dibandingkan yang dapat dikenali manusia.
Namun, satu tantangan utama dalam implementasi AI adalah menjelaskan bagaimana dan bagian mana dari citra yang memengaruhi keputusan algoritma. Studi Korea Selatan mencoba menjawab ini dengan menggunakan teknik visualisasi lanjutan seperti heatmaps dan Grad-CAM, yang memetakan area penting yang menjadi fokus CNN saat membuat prediksi.
Secara keseluruhan, integrasi AI dengan forensic odontology membuka jalan baru bagi estimasi usia yang lebih presisi dan objektif. Meski masih diperlukan validasi lanjutan lintas populasi dan konteks hukum, perkembangan ini menandai langkah besar menuju otomatisasi forensik yang lebih cepat, andal, dan bebas dari bias manusia.
Dengan akurasi 74% yang diperoleh melalui integrasi CNN dan metode Al-Qahtani, penelitian ini menunjukkan bahwa AI bukan hanya pelengkap, tetapi telah menjadi fondasi penting dalam praktik estimasi usia berbasis gigi di era digital.
Penulis: Arofi Kurniawan, drg., Ph.D
Diambil dari artikel ilmiah berjudul: Dental age estimation using a convolutional neural network algorithm on panoramic radiographs: A pilot study in Indonesia
Artikel dapat diakses pada: https://doi.org/10.5624/isd.20240134
