AbstrakTulang merupakan bagian yang sangat penting di dalam bagian ortopedi manusia. Tulang bukan hanya kerangka penguat tubuh tetapi juga merupakan bagian dari susunan sendi, sebagai pelindung tubuh, tempat melekatnya bagian ujung otot yang melekat pada tulang. Terbatasnya jumlah pakar Penyakit Tulang serta minimnya pengetahuan masyarakat tentang penyakit tulang menjadi kendala mengapa penyakit ini tidak mudah diatasi. Banyaknya gejala yang mirip untuk menentukan suatu penyakit Tulang. Dari masalah diatas maka dibuatlah aplikasi sistem pakar diagnosa awal penyakit tulang. Dari penelitian yang dilakukan menghasilkan sebuah perangkat lunak Sistem Pendukung Keputusan Klinis berbasis web untuk diagnosa Penyakit Tulang. Informasi yang dihasilkan adalah hasil diagnosa penyakit berdasarkan gejala-gejala yang dipilih oleh user. Hasil uji coba menunjukkan bahwa aplikasi ini layak dan dapat digunakan sebagai alat bantu para medis Penyakit Tulang dalam mendiagnosa awal.Kata Kunci : Sistem Pakar, Penyakit Tulang, Diagnosa awal, Backward Chaining , Web Progaming. Abstract Bone was a very important part in the human orthopedics. Bone is not only the body's reinforcement part, but it is also part of the joints, as a protector of the body, where the attachment of the muscle ends attached to the bone. The limited number of experts in Bone

AbstrakKerusakan tulang belakang dialami oleh sekitar dua pertiga orang dewasa serta termasuk ke dalam penyakit yang paling umum kedua setelah sakit kepala. Klasifikasi gangguan tulang belakang sulit dilakukan karena membutuhkan radiologist untuk menganalisa citra Magnetic Resonance Imaging (MRI). Penggunaan Computer Aided Diagnosis (CAD) System dapat membantu radiologist untuk mendeteksi kelainan pada tulang belakang dengan lebih optimal. Dataset vertebral column memiliki tiga kelas sebagai klasifikasi penyakit kerusakan tulang belakang yaitu, herniated disk, spondylolisthesis dan kelas normal yang diambil berdasarkan hasil ekstraksi citra MRI. Dataset akan diolah dalam lima eksperimen berdasarkan validasi dataset menggunakan split validation dengan pembagian data training dan data testing yang bervariasi. Pada penelitian ini diusulkan implementasi algoritma genetika pada algoritma k-nearest neighbours untuk meningkatkan akurasi dari klasifikasi gangguan tulang belakang. Algoritma genetika digunakan untuk fitur seleksi dan optimasi parameter algoritma k-nearest neighbours. Hasil penelitian menunjukan bahwa metode yang diusulkan menghasilkan peningkatan yang signifikan dalam klasifikasi kerusakan pada tulang belakang. Metode yang diusulkan menghasilkan rata-rata akurasi sebesar 93% dari lima eksperimen. Hasil ini lebih baik dari algoritma k-nearest neighbours yang menghasilkan rata-rata akurasi hanya sebesar 82.54%. Kata kunci: algoritma genetika, k-nearest neighbours, kerusakan tulang belakang, vertebral AbstractSpinal disorder is experienced by about two-thirds of adults and is included in the second most common disease after headaches. Classification of spinal disorders is difficult because it requires a radiologist to analyze Magnetic Resonance Imaging (MRI) images. The use of Computer Aided Diagnosis (CAD) System can help radiologists to detect abnormalities in the spine more optimally. The vertebral column dataset has three classes as a classification of spinal disorders, namely, herniated disk, spondylolisthesis and normal classes taken based on MRI Image extraction. The dataset will be processed in five experiments based on dataset validation using split validation with various training data and testing data. In this study proposed the implementation of genetic algorithms in the k-nearest neighbors algorithm to improve the accuracy of the classification of spinal disorders. Genetic algorithms are used for algorithm feature selection and parameter optimization of k-nearest neighbors. The results showed that the proposed method produced a significant increase in the classification of spinal disorder. The proposed method produces an average accuracy of 93% from five experiments. This result is better than the k-nearest neighbors algorithm which produces an average accuracy of only 82.54%. Keywords: genetic algorithm, k-nearest neighbours, spinal disorder, vertebral column.

No abstract

AbstrakKerusakan tulang belakang dialami oleh sekitar dua pertiga orang dewasa serta termasuk ke dalam penyakit yang paling umum kedua setelah sakit kepala. Klasifikasi gangguan tulang belakang sulit dilakukan karena membutuhkan radiologist untuk menganalisa citra Magnetic Resonance Imaging (MRI). Penggunaan Computer Aided Diagnosis (CAD) System dapat membantu radiologist untuk mendeteksi kelainan pada tulang belakang dengan lebih optimal. Dataset vertebral column memiliki tiga kelas sebagai klasifikasi penyakit kerusakan tulang belakang yaitu, herniated disk, spondylolisthesis dan kelas normal yang diambil berdasarkan hasil ekstraksi citra MRI. Dataset akan diolah dalam lima eksperimen berdasarkan validasi dataset menggunakan split validation dengan pembagian data training dan data testing yang bervariasi. Pada penelitian ini diusulkan implementasi algoritma genetika pada algoritma k-nearest neighbours untuk meningkatkan akurasi dari klasifikasi gangguan tulang belakang. Algoritma genetika digunakan untuk fitur seleksi dan optimasi parameter algoritma k-nearest neighbours. Hasil penelitian menunjukan bahwa metode yang diusulkan menghasilkan peningkatan yang signifikan dalam klasifikasi kerusakan pada tulang belakang. Metode yang diusulkan menghasilkan rata-rata akurasi sebesar 93% dari lima eksperimen. Hasil ini lebih baik dari algoritma k-nearest neighbours yang menghasilkan rata-rata akurasi hanya sebesar 82.54%. Kata kunci: algoritma genetika, k-nearest neighbours, kerusakan tulang belakang, vertebral AbstractSpinal disorder is experienced by about two-thirds of adults and is included in the second most common disease after headaches. Classification of spinal disorders is difficult because it requires a radiologist to analyze Magnetic Resonance Imaging (MRI) images. The use of Computer Aided Diagnosis (CAD) System can help radiologists to detect abnormalities in the spine more optimally. The vertebral column dataset has three classes as a classification of spinal disorders, namely, herniated disk, spondylolisthesis and normal classes taken based on MRI Image extraction. The dataset will be processed in five experiments based on dataset validation using split validation with various training data and testing data. In this study proposed the implementation of genetic algorithms in the k-nearest neighbors algorithm to improve the accuracy of the classification of spinal disorders. Genetic algorithms are used for algorithm feature selection and parameter optimization of k-nearest neighbors. The results showed that the proposed method produced a significant increase in the classification of spinal disorder. The proposed method produces an average accuracy of 93% from five experiments. This result is better than the k-nearest neighbors algorithm which produces an average accuracy of only 82.54%. Keywords: genetic algorithm, k-nearest neighbours, spinal disorder, vertebral column.

AbstrakHutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian untuk mengklasifikasikan jenis populasi tumbuhan hutan pada hutan Ibraki, Jepang. Algoritma SVM (Support Vector Machine) dan MLP (Multy Layer Perceptron) diterapkan untuk mengklasifikasikan jenis populasi tumbuhan hutan di hutan Ibraki dengan hasil akurasi 85.9%. Hasil Penelitian Brian Johnson dkk, diberi nama Forest Type Mapping Datasets.  Hasil akurasi yang diperoleh dari penerapan algoritma SVM dan MLP masih belum mencapai hasil akurasi yang optimal dan masih mungkin untuk ditingkatkan. Untuk dapat meningkatkan hasil akurasi yang optimal terhadap klasifikasi jenis populasi tumbuhan hutan pada Forest Type Mapping Datasets, maka pada penelitian ini diusulkan untuk menerapkan algoritma optimasi fitur Optimize Selection pada algoritma Deep Learning. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan akurasi yang signifikan. Nilai akurasi klasifikasi pada jenis populasi tumbuhan hutan yang dihasilkan algoritma Deep Learning dengan optimasi fitur Optimize Selection berhasil meningkat menjadi  96.46%.