IMPLEMENTASI ALGORITMA NAÏVE BAYES PADA APLIKASI BERBASIS WEB UNTUK PREDIKSI KADAR NORMAL TIROID

• SARIFAH AGUSTIANI
• 2019

---

ABSTRAK

 

Sarifah Agustiani (19180924), Implementasi Algoritma Naïve Bayes Pada Aplikasi Berbasis Web Untuk Prediksi Kadar Normal Tiroid

 

Gangguan fungsi tiroid seringkali sulit diidentifikasi karena gejalanya tidak spesifik. Gejala gangguan tiroid sangat mirip dengan berbagai keluhan akibat gaya hidup modern sehingga sangat sering diabaikan. Akibatnya pasien seringkali tidak menyadari ada masalah dan tidak memeriksakan diri ke dokter. Untuk itu, diperlukan sebuah penelitian yang menerapkan metode untuk memprediksi penyakit tersebut yang nantinya akan mempermudah pasien dalam mendiagnosa dan deteksi dini terhadap kadar tiroid. Penelitian ini bertujuan untuk melakukan prediksi kadar normal tiroid dengan data yang digunakan adalah data sekunder yang diperoleh dari UCI repository, data ini berisi tentang data pasien yang terkena penyakit tiroid, sedangkan metodenya menggunakan algoritma Naïve Bayes karena dalam beberapa penelitian, algoritma Naïve Bayes terbukti memiliki performa yang baik dalam mendeteksi suatu penyakit, serta menghasilkan nilai accuasy dan AUC yang tinggi. Tahapan analisa data dilakukan berdasarkan metode CRISP-DM sedangkan pengujian algoritma dilakukan pada Software RapidMiner Studio sebagai pembanding antara hitungan manual dan hitungan software. Hasil dari pengujian tersebut diperoleh nilai akurasi sebesar 96,89%, dan nilai AUC sebesar 0,895 serta alur algoritma yang dapat diimplementasikan kedalam sebuah aplikasi berbasis website agar mempermudah dokter atau analis kesehatan dalam memprediksi kadar nomal tiroid  dengan waktu yang lebih cepat.

ABSTRACT

 

Sarifah Agustiani (19180924), Implementing the Naïve Bayes algorithm on WEB-based applications to predict Normal thyroid levels

Impaired thyroid function is often difficult to identify because the symptoms are not specific. The symptoms of thyroid disorder are very similar to various complaints due to modern lifestyles so it is often overlooked. As a result, patients often do not notice a problem and do not have to consult a doctor. Therefore, there is a study that implements methods to predict the disease which will facilitate the patient in diagnosing and early detection of thyroid levels. The study aims to predict normal thyroid levels with the data used is the secondary data obtained from the UCI repository, this data contains the data of the patients affected by the thyroid disease, while the method uses Naïve Bayes ' algorithm because in some studies, Naïve Bayes ' algorithm proved to have good performance in detecting an illness, as well as producing high value of Accuasy and AUC. The stage of data analysis is done based on the CRISP-DM method while algorithm testing is done in RapidMiner Studio Software as a comparison between manual count and Software count. The results of the test obtained an accuracy value of 96.89%, and AUC value of 0.895 and algorithm flow that can be implemented into a website-based application to facilitate doctors or health analysts in predicting levels The thyroid nomal with a faster time.

• Tiroid
• Algoritma
• Naive Bayes
• Tahapan CRISP-DM
• Aplikasi Berbasis Web

DAFTAR PUSTAKA

 

Abdulloh, R. (2018). 7 In 1 Pemrograman Web Untuk Pemula. Jakarta: Elex Media Komputindo.

Baharuddin, Asvin Nurulita, M. A. (2015). Clinical Pathology And Majalah Melitus Patologi Klinik Indonesia Dan Laboratorium Medik. Uji Glukosa Darah Antara Metode Heksokinase Dengan Glukosa Oksidase Dan Glukosa Dehidrogenase Di Diabetes, 7(1), 2–7.

Darmanto. (2015). 2 Hari Belajar Komputer& Internet Untukpemula. Yogyakarta: Notebook.

Desmon, P., Adiwijiaya, & Utama, D. Q. (2018). Deteksi Penyakit Gagal Jantung Berdasarkan Sinyal Ekg Menggunakan Naive Bayes. E-Proceeding Of Engineering, 5(2), 3726–3735.

Dewi, S. (2016). Komparasi 5 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan. Techno Nusa Mandiri, Xiii(1), 60–66. Https://Doi.Org/10.1037/A0034271

Fidiawaty, W. A., Selvialiany, & Zulfikar, W. (2016). Distribusi Keganasan Organ Tiroid Berdasarkan Pemeriksaan Histopatologi Di Kota Pekanbaru. Jurnal Informatika, Manajemen Dan Komputer, 10(2), 132–139.

Gunawan, A., Palit, H. N., & Handojo, A. (2018). Aplikasi Rekomendasi Metode Analisis Sesuai Dengan Karakter Data. Jurnal Infra, 6(1).

Hadi, A. (2016). Administratif Jaringan Komputer. Jakarta: Prenada Media.

Handayani, P., Nurlelah, E., Raharjo, M., & Ramdani, P. M. (2019). Prediksi Penyakit Liver Dengan Menggunakan Metode, 4(1), 55–59.

Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4 . 5. Jurnal Media Infotama, 11(2), 130–138.

Hasan, F. N., & Wahyudi, M. (2018). Analisis Sentimen Artikel Berita Tokoh Sepak Bola Dunia Menggunakan Algoritma Support Vector Machine Dan Naive Bayes Berbasis Particle Swarm Optimization. Jurnal Akrab Juara, 3(4), 42–55. Retrieved From Http://Akrabjuara.Com/Index.Php/Akrabjuara/Article/View/396

Henry Crosby, V. P., & Kandidat, M. A. M. (2016). Pola Kelainan Tiroid Di Rsup Prof. Dr. R. D. Kandou Manado Periode Januari 2013 - Desember 2015. Jurnal E-Clinic, 4(1), 430–437.

Hidatullah, P., & Kawistara, J. K. (2017). Pemrograman Web Edisirevisi. Bandung: Informatika Bandung.

Kementerian Kesehatan. (2015). Infodatin Tiroid.

Larose, D., & Larose, C. (2014). Discovering Knowledge In Data: An Introduction to Data Mining-Second Edition (2nd Ed.). New Jersey: John Wiley & Sons, Inc.

Marisa, F. (2017). Web Programming (Client Side And Server Side). Yogyakarta: Deepublish.

Media, R. H. (2019). Thyroid Function Tests Normal Laboratory Value.

Murya, Y. (2014). Membuat Website Buku Digital. Jasakom.

Muslikh, A. R., Santoso, H. A., & Marjuni, A. (2018). Klasifikasi Data Time Series Arus Lalu Lintas Jangka Pendek Menggunakan Algoritma Adaboost Dengan Random Forest. Jurnal Teknologi Informasi, 14(1), 24–38.

Oktavian, D. P. (2013). Membuat Website Powerfull Menggunakan Php. Jakarta: Mediakom.

Parura, Y., Pontoh, V., & Merung, M. (2016). Pola Kanker Tiroid Periode Juli 2013-Juni 2016 Di Rsup Prof . Dr . R . D . Kandou Manado. Jurnal E-Clinic (Ecl), 4(2), 1–6.

Purwandari, R., Musoddaq, M. A., Fuada, N., Penelitian, B., Akibat, G., Iodium, K., … Jayan, D. K. (2017). Profil Petani Sayur Di Kabupaten Karanganyar Berdasarkan Kadar Kholinesterase Dan Fungsi Tiroidnya. Media Litbangkes, 27(4), 237–246.

Putri, A. W. (2019). Gangguan Tiroid Sebagai Beban Baru Negara.

Rahman, M. F., Alamsah, D., Darmawidjadja, M. I., & Nurma, I. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (Rbnn). Jurnal Informatika, 11(1), 36. Https://Doi.Org/10.26555/Jifo.V11i1.A5452

Rahmat, B., Gafar, A. A., Fajriani, N., Ramdani, U., Uyun, F. R., P, Y. P., & Ransi, N. (2017). Implemetasi K-Means Clustering Pada Rapidminer Untuk Analisis Daerah Rawan Kecelakaan, (April), 58–62.

Rerung, R. R. (2018). Pemrograman Web Dasar. Yogyakarta: Deepublish.

Sani, K., Winarno, W. W., & Fauziati, S. (2016). Untuk Authentication Uang Kertas ( Studi Kasus : Banknote Authentication ), 10(1), 1130–1139.

Soares, C., & Ghani, R. (2010). Data Mining For Business Appilications. Amsterdam: IOS Press.

Saputra, R. A. (2014). Komparasi Algoritma Klasifikasi Data Mining Untuk Memprediksi Penyakit Tuberculosis ( Tb ): Studi Kasus Puskesmas Karawang. Seminar Nasional Inovasi Dan Tren (Snit) 2014 Komparasi, 1–8.

Sarwandi. (2016). Toko Online Modern Dengan Opencart. Jakarta: Elex Media Komputindo.

Sudibyo, A., Asra, T., & Rifai, B. (2018). Klasifikasi Seleksi Atribut Pada Serangan Spam Menggunakan Metode Algoritma Decision Tree. Jurnal Pilar Nusa Mandiri, 14(2), 145–150.

Suyanto. (2017). Data Mining Untuk Klasifikasi Dan Klasterisasi Data. Bandung: Informatika Bandung.

Sidiq, U., Aaqib, S. M., & Khan, R. A. (2019). Diagnosis Berbagai Penyakit Tiroid Menggunakan Data Mining Teknik Klasifikasi. International Journal Of Scientific Research Di Ilmu Komputer, Teknik Dan Teknologi Informasi ©, 5(1), 131–136.

The Modelling Agency. (2018). CRISP-DM 1.0. Dipetik July 15, 2019, dari The Modelling Agency: https://www.the-modeling-agency.com/

UCI Repository. (2019). About: UCI Repository. Dipetik 20 Mei 2019, dari UCI Machine Learning Repository: https://archive.ics.uci.edu/ml

Vandria, A. S., Milvita, D., & Nazir, F. (2014). Analisis Uptake Tiroid Menggunakan Teknik Roi ( Region Of Interest ) Pada Pasien Hipertiroid, 3(1), 20–24.

Wardana. (2016). Aplikasi Website Profesional Dengan Php Dan Jquery. Jakarta: Elex Media Komputindo.

Wijonarko, B. (2018). Perbandingan Algoritma Data Mining Naive Bayes Dan Bayes Network Untuk Mengidentifikasi Penyakit Tiroid. Pilar Nusa Mandiri, 14(1), 21–26. Retrieved From Https://Media.Neliti.Com/Media/Publications/227524-Perbandingan-Algoritma-Data-Mining-Naive-2eb3d17d.Pdf