PENERAPAN ALGORITMA NAÏVE BAYES UNTUK PREDIKSI PENYAKIT ALZHEIMER BERBASIS WEB

• SITI KHOTIMATUL WILDAH
• 2019

---

ABSTRAK

Siti Khotimatul Wildah (19180922), Penerapan Algoritma Naïve Bayes Untuk Memprediksi Penyakit Alzheimer Berbasis Web

 

Alzheimer merupakan salah satu pemicu penyakit demensia yakni berupa penimbunan plak atau protein tidak normal dalam otak sehingga dapat menyebabkan hilangnya sel neuron dan mengakibatkan terhambatnya aktivitas sehari-hari karena penurunan daya ingat, kesulitan dalam berkomunikasi,  tidak dapat berpikir jernih, terjadinya perubahan sikap dan perilaku hingga menimbulkan hilangnya kemampuan untuk mengurus diri sendiri. Di negara berpenghasilan tinggi penyakit ini diakui berada pada peringkat ke 7 sebagai penyakit fatal yang berujung pada kematian. Akan tetapi hingga saat ini belum ditemukan obat yang dapat menyembuhkan penyakit Alzheimer. Oleh sebab itu pentingnya deteksi dini agar dapat memulai untuk merencanakan perawatan dan kebutuhan medis yang memadai. Penelitian ini bertujuan untuk melakukan prediksi terhadap penyakit Alzheimer dengan menerapkan metode klasifikasi Naïve Bayes dengan menggunakan dataset OASIS Longitudinal. Tahapan analisa data dilakukan berdasarkan metode CRISP-DM. Hasil penelitian ini menunjukan bahwa, pada pengujian nilai akurasi yang didapatkan sebesar 94,63%, dan kurva roc yang terbentuk memiliki nilai AUC sebesar 0,94 serta implementasi program berbasis website dapat melakukan prediksi dengan cukup akurat. Sehingga dapat diartikan bahwa algoritma naïve bayes memiliki performa yang baik.

 

ABSTRACT

 

Siti Khotimatul Wildah (19180922), Naïve Bayes algorithm implementation for predict Alzheimer's disease web based

 

Alzheimer's is one of the triggers of dementia, which is in the form of abnormal plaque or protein accumulation in the brain so that it can cause neuron cell loss and result in daily activities due to memory loss, difficulty communicating, unable to think clearly, changes in attitudes and behavior until lead to loss of ability to take care of themselves. In high-income countries this disease is recognized as being ranked as seventh as a fatal disease that leads to death. However, until now no drug has been found that can cure Alzheimer's disease. Therefore the importance of early detection in order to start to plan care and adequate medical needs. This study aims to predict Alzheimer's disease by applying the Naïve Bayes classification method using the OASIS Longitudinal dataset. The stages of data analysis are carried out based on the CRISP-DM method. The results of this study indicate that, in testing the obtained accuracy value is 94.63%, and the roc curve formed has an AUC value of 0.94 and the implementation of a website-based program can make predictions quite accurately. So that it can be interpreted that the naïve bayes algorithm has a good performance.

• Naive Bayes
• Penyakit Alzheimer
• OASIS Longitudinal
• WEB

DAFTAR PUSTAKA

Abdulloh, R. (2016). Easy & Simple - Web Programming. Jakarta: Elex Media Komputindo.

Adeniyi, D. A., Wei, Z., & Yongquan, Y. (2016). Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method. Applied Computing and Informatics, 12(1), 90–108. https://doi.org/10.1016/j.aci.2014.10.001

Aditya, C. R., & Pande, M. B. S. (2016). An Algorithmic Approach for Alzheimer ’ s Disease detection from Non- Image Data. International Journal of Current Engineering and Technology, 6(3), 784–787.

Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa, 8(1), 13–19.

Anggraeni, E. Y. (2017). Pengantar Sistem Informasi. Yogyakarta: Penerbit Andi.

Cauwenberghe, C. Van, Broeckhoven, C. Van, & Sleegers, K. (2016). Open The genetic landscape of Alzheimer disease : clinical implications and perspectives, 18(5). https://doi.org/10.1038/gim.2015.117

Dailey, C. (2016). The Impact of Alzheimer’ s Disease -The Silent Killer. JCCC Honors Journal, 7(2), 1–16. Retrieved from http://scholarspace.jccc.edu/honors_journal%5Cnhttp://scholarspace.jccc.edu/honors_journal/vol7/iss2/1

Ertek, G., Tokdil, B., & Günaydın, İ. (2014). Risk Factors and Identifiers for Alzheimer ’ s Disease :, 1–11.

Ervinaeni, Y., Hidayat, A. S., & Riana, E. (2019). Sistem Pakar Diagnosa Gangguan Hiperaktif Pada Anak Dengan Metode Naive Bayes Berbasis Web, 3(2), 90–104. https://doi.org/10.30865/mib.v3i2.1158

Friskahaja, H. H., Ilhamsyah, & Barlian, Y. A. (2018). PERANCANGAN KAMPANYE PERMAINAN TEKA TEKI SILANG SEBAGAI PENCEGAHAN PENYAKIT ALZHEIMER DI USIA DEWASA, 5(3), 1827–1831.

Gaugler, J., James, B., Johnson, T., Scholz, K., & Weuve, J. (2016). 2016 Alzheimer’s disease facts and figures. Alzheimer’s and Dementia, 12(4), 459–509. https://doi.org/10.1016/j.jalz.2016.03.001

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

Hendrian, S. (2018). Algoritma Klasifikasi Data Mining Untuk Memprediksi, 11(3), 266–274.

Hidayatullah, P., & Kawistara, J. K. (2017). Pemrograman Web Edisi Revisi. Bandung: Informatika Bandung.

Indra, M. R., Marhaendraputro, E. A., & Hidayat, R. R. (2017). PERBANDINGAN NAIVE BAYES CLASSIFIER DENGAN NEAREST NEIGHBOR UNTUK IDENTIFIKASI PENYAKIT MATA, 1–4.

JUD, & Enterprise, J. (2017). Mastering Python.

J.S., B., Birks, J. S., & Harvey, R. (2018). Donepezil for dementia due to Alzheimer’s disease. The Cochrane Database of Systematic Reviews, (3), CD001190. https://doi.org/10.1002/14651858.CD001190.pub3.www.cochranelibrary.com

Marcus, D. S., Fotenos, A. F., Csernansky, J. G., Morris, J. C., & Buckner, R. L. (2010). Open Access Series of Imaging Studies : Longitudinal MRI Data in Nondemented and Demented Older Adults, 2677–2684.

 

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

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

Novitasari, D. C. R., Puspitasari, W. T., Wulandari, P., & Foeady, A. Z. (2018). KLASIFIKASI ALZHEIMER DAN NON ALZHEIMER MENGGUNAKAN FUZZY C-MEAN , GRAY LEVEL CO- OCCURRENCE MATRIX DAN SUPPORT VECTOR MACHINE, 04(02), 83–89.

Nugroho, R. A., Tarno, & Prahutama, A. (2017). KLASIFIKASI PASIEN DIABETES MELLITUS MENGGUNAKAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM). Gaussian, 6, 439–448. Retrieved from http://ejournal-s1.undip.ac.id/index.php/gaussian

Oktavian, D. P. (2013). Membuat Website Powerfull Menggunakan PHP. Jakarta: Publisher.

Randles, B. M., Pasquetto, I. V., Golshan, M. S., & Borgman, C. L. (2017). Using the Jupyter Notebook as a Tool for Open Science: An Empirical Study. Proceedings of the ACM/IEEE Joint Conference on Digital Libraries. https://doi.org/10.1109/JCDL.2017.7991618

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

Rianto, H., & Wahono, R. S. (2015). Resampling Logistic Regression untuk Penanganan Ketidakseimbangan Class pada Prediksi Cacat Software. Journal of Software Engineering, 1(1), 46–53.

Ristandi, R., Hidayat, N., Pd, S., Sc, M., Fauzi, M. A., Kom, S., & Kom, M. (2018). Pemodelan Sistem Pakar Diagnosa Hama-Penyakit pada Tanaman Bawang Merah Menggunakan Metode Naïve Bayes Pemodelan Sistem Pakar Diagnosa Hama - Penyakit pada Tanaman Bawang Merah, (January 2016).

Rosi, F., Fauzi, M. A., & Perdana, R. S. (2018). Prediksi Rating Pada Review Produk Kecantikan Menggunakan Metode Naïve Bayes dan Categorical Proportional Difference (CPD). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(5), 1991–1997.

Samper-González, J., Burgos, N., Bottani, S., Fontanella, S., Lu, P., Marcoux, A., … Colliot, O. (2018). Reproducible evaluation of classification methods in Alzheimer’s disease: Framework and application to MRI and PET data. NeuroImage, 183(March), 504–521. https://doi.org/10.1016/j.neuroimage.2018.08.042

 Saputra, D. D., Pratama, B., Akbar, Y., Gata, W., Studi, P., & Ilmu, M. (2018). Penerapan text mining untuk assingment complaint handling customer terhadap divisi terkait menggunakan metode decission tree algoritma c4.5 (studi case : pt. xl axiata, tbk), 11(2), 207–216.

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

Septiani, W. D. (2017). Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Jurnal Pilar Nusa Mandiri, 13(1), 76–84.

Siringoringo, R. (2018). KLASIFIKASI DATA TIDAK SEIMBANG MENGGUNAKAN ALGORITMA SMOTE DAN k-NEAREST NEIGHBOR, 3(1), 44–49. Retrieved from https://ejournal.medan.uph.edu/index.php/isd/article/view/177/63

Subramanian, G. (2015). Python Data Science Cookbook. Birmingham: Packt Publishing Ltd.

Sulastri, H., & Gufroni, A. I. (2017). Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia. Jurnal Teknologi Dan Sistem Informasi, 3(2), 299. https://doi.org/10.25077/teknosi.v3i2.2017.299-305

Suyanto. (2017). DATA MINING UNTUK KLASIFIKASI DAN KLASTERISASI DATA. Bandung: Informatika Bandung.

T, L. D., & Larose, C. D. (2015). Data Mining and Predictive Analytics (Second Edi). Canada: Simultaneously.

Wardana. (2016). Aplikasi Website Profesional dengan PHP dan jQuery. Jakarta: Elex Media Komputindo.

Yuli, M. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik Informatika, 2(2), 213–219.