Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang

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.

Predictive Analysis Pendidikan Menggunakan Machine Learning di Sumatera Barat

“…Selain metode naïve bayes, metode bagging juga digunakan dalam beberapa penelitian untuk mengklasifikasi suatu kajian. Tahun 2015, Rizki Tri Prasetio dan Pratiwi membahas tentang penerapan Teknik bagging pada algoritma klasifikasi untuk mengatasi ketidakseimbangan kelas data set medis [12]. Tahun 2019, Ahmad Rusadi dan kawan-kawan mengkaji Teknik bagging dan boosting algoritma CART untuk klasifikasi masa studi mahasiswa [ahmad rusadi].…”

Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang

“…Masalah pada saat seleksi fitur adalah menentukan kandidat fitur yang akan digunakan pada saat klasifikasi (Jain & Zongker, 1997). Berbagai teknik seleksi fitur pun banyak direkomendasikan oleh peneliti lain, seperti: relief algorithm (Tiwari, 2014), Particle Swarm Optimization (PSO) (Deepa, 2013), Genetic Algorithm (GA) (Villar, Fernández, & Herrera, 2010) (Prasetio & Pratiwi, 2015).…”

“…Hasil yang diperoleh dari metode yang diusulkan kemudian diuji dengan hasil yang diperoleh dari algoritma k-nearest neighbours dengan parameter standar untuk menentukan hasil kinerja metode yang diusulkan meningkatkan akurasi dataset vertebral column secara signifikan menggunakan t-test significance test (Prasetio & Pratiwi, 2015) (Setiyorini & Wahono, 2014 (Prasetio & Riana, 2015)…”

“…Rata-rata peningkatan performa yang dihasilkan adalah 10.194% dengan peningkatan terbesar didapatkan pada rasio split validation 0.9 sebesar 16.130%. Untuk mengetahui metode yang diusulkan dapat meningkatkan performa algoritma k-nearest neighbours secara signifikan, maka pengujian menggunakan uji beda t-Test Paired Two Sample for Means (Prasetio & Riana, 2015) (Prasetio & Pratiwi, 2015) dilakukan.…”

Genetic Algorithm to Optimize k-Nearest Neighbor Parameter for Benchmarked Medical Datasets Classification

“…The closest object (k) around a classified object is a representation of the k-NN algorithm [17]. A dataset that has multimodal classes is very suitable for implementing the k-NN algorithm [18] as well as applications where many class labels on single object [16].…”