DIAGNOSA PENYAKIT DISK HERNIA DAN SPONDYLOLISTHESIS MENGGUNAKAN ALGORITMA C5

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%.