DIAGNOSA PENYAKIT DISK HERNIA DAN SPONDYLOLISTHESIS MENGGUNAKAN ALGORITMA C5

Ulfi Saidata Aesyi, Taufaldisatya Wijatama Diwangkara, Riyanto Tri Kurniawan

Abstract


Abstract
The vertebral Column or spine is a sequence of bones from the neck to the tail owned by the vertebrates. The function of the spine is to protect the spinal nerves. The spine may experience malfunction if it is caused by abnormalities and diseases such as Disk Hernia and Spondylolisthesis. Based on the problem then it takes a system that can recognize or identify the disease Disk Hernia and Spondylolisthesis that attack the spine. So that it can be diagnosed with early spinal diseases. In building this system using C 5.0 algorithm. This research uses 310 data from the UCI machine Learning, where there are three classification classes of Normal, Hernia disks, and Spondylolisthesis. The results showed that the C 5.0 algorithm was able to identify with accuracy of 79%. Then the resulting decision tree C 5.0 algorithm is maximized by using AdaBoost algorithm, so the accuracy increases to 83%.
Keywords : Vertebral Column, C 5.0 algorithm, AdaBoost algorithm
Vertebral Column atau tulang belakang merupakan sebuah rangkaian tulang dari leher ke ekor yang dimiliki oleh vertebrata. Fungsi dari tulang belakang adalah untuk melindungi syaraf tulang belakang. Tulang belakang dapat mengalami kegagalan fungsi jika disebabkan kelainan dan penyakit seperti Disk Hernia dan Spondylolisthesis. Berdasarkan masalah tersebut maka dibutuhkan suatu sistem yang dapat mengenali atau mengidentifikasi penyakit Disk Hernia dan Spondylolisthesis yang menyerang tulang belakang. Sehingga dapat dilakuakn diagnosa penyakit tulang punggung secara dini. Dalam membangun sistem ini menggunakan algoritma C5.0. Penelitian ini menggunakan 310 data dari UCI Mechine Learning, dimana terdapat tiga kelas klasifikasi yaitu Normal, Disk Hernia, dan Spondylolisthesis. Hasil penelitian menunjukkan bahwa algoritma C5.0 mampu melakukan identifikasi dengan akurasi sebesar 79%. Kemudian pohon keputusan yang dihasilkan Algoritma C5.0 dimaksimalkan dengan menggunakan Algoritma AdaBoost, sehingga akurasi meningkat menjadi 83%.


Keywords


Vertebral Column; Algoritma C5.0; Algoritma AdaBoost; Spondylolisthesis; Disk Hernia

Full Text:

PDF

References


Barreto, G. d., Neto, A. R., & Filho, H. A. (2011, 08 09). Vertebral Column Data Set. Retrieved from UCI Machine Learning Repository: https://archive.ics.uci.edu/ml/datasets/ Vertebral+Column

Handayani, I. (2017). Perbandingan Algoritma C4.5 dan K-Nearest Neighbor pada Klasifikasi Penyakit Disk Hernia dan Spondylolisthesis dalam Kolumna Vertebralis. Yogyakarta: Universitas Gadjah Mada.

Haryanto, T., Shaufiah, & Nhita, F. (2013). Prediksi Penyakit Demam Berdarah dan Typhus dengan Algoritma C5. Telkom University.

Hassoon, M., Kouhi, M. S., Zomorodi-Moghadam, M., & Abdar, M. (2017). Rule Optimization of Boosted C5.0 Classification using Genetic Algorithm for Liver Disease Prediction. 2017 International Conference on COmputer and Application (ICCA) (pp. 299-305). Doha, UAE: IEEE.

Kastawan, P. W., Wiharta, D. M., & Sudarma, I. M. (2018). Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil. Majalah Ilmiah Teknologi Elektro, 371-376.

Mayo Clinic. (2019, 04 26). Herniated Disk. Retrieved from Mayo Clinic: https://www.mayoclinic.org/diseases-conditions/herniated-disk/symptoms-causes/syc-20354095

Meng, X.-H., Huang, Y.-X., Rao, D.-P., Zhang, Q., & Liu, Q. (2013). Comparison of three data mining models for predicting diabetes or prediabetes by risk factors. The Kaohsiung Journal of Medical Sciences, 93-99.

Mulyati, S., Yulianti, & Saifudin, A. (2017). Penerapan Resampling dan AdaBoost untuk Penanganan Masalah Ketidakseimbangan Kelas Berbasis Naïve Bayes pada Prediksi Churn Pelanggan. Jurnal Informatika Universitas Pamulang, 190-199.

Pallardy, R. (2019, 4 26). Vertebral Column. Retrieved from britannica.com: https://www.britannica.com/science/vertebral-column

Rafe, V., Farhoud, S. H., & Rasoolzadeh, S. (2014). Breast Cancer Prediction by using C5.0 Algorithm and Boosting Method. Journal of Medical Imaging and Health Informatics, 600-604.

Santosa, B., & Umam, A. (2018). Data Mining dan Big Data Analytics: Teori dan Implementasi Menggunakan Python & Apache Spark. Yogyakarta: Penebar Media Pustaka.

Sukmawati, K., & Pujiyanta, A. (2014). Deteksi Penyakit Tulang Menggunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation. Jurnal Sarjana Teknik Informatika, 233-246.

Tebet, M. A. (2014). Conceitos atuais sobre equilíbrio sagital e classificac¸ão da espondilólise e espondilolistese. Rev. Bras. Ortop., 3-12.

Wijaya, A. C., Hasibuan, N. A., & Ramadhani, P. (2018). Implementasi Algoritma C5.0 dalam Klasifikasi Pendapatan Masyarakat (Studi Kasus: Kelurahan Mesjid Kecamatan Medan Kota). Majalah Ilmiah INTI, 192-198.




DOI: https://doi.org/10.31315/telematika.v16i2.3181

DOI (PDF): https://doi.org/10.31315/telematika.v16i2.3181.g2489

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright of :
TELEMATIKA: Jurnal Informatika dan Teknologi Informasi
ISSN 1829-667X (print); ISSN 2460-9021 (online)


Dipublikasi oleh
Jurusan Teknik Informatika, UPN Veteran Yogyakarta
Jl. Babarsari 2 Yogyakarta 55281 (Kampus Unit II)
Telp: +62 274 485786
email: jurnaltelematika@upnyk.ac.id


Status Kunjungan Jurnal Telematika