SEED (Stoke Disease Early Detection Application) - Rancang Bangun Aplikasi Mobile Berbasis Android untuk Mendiagnosis Gejala Dini Penyakit Stroke Menggunakan K-Nearest Neighbor (K-NN)
Journal Title: Jurnal Teknologi Informasi dan Ilmu Komputer - Year 2019, Vol 6, Issue 3
Abstract
Stroke merupakan penyakit yang tinggi di Indonesia. Stroke menjadi peringkat kedua sebagai penyakit yang paling banyak menyebabkan kematian didunia. Pada zaman modern, stroke tidak hanya menyerang orang yang sudah lanjut usia namun juga bisa menyerang orang usia muda. Data dari Rumah Sakit Saiful Anwar (RSSA) Kota Malang, sepanjang tahun 2016 penderita penyakit stroke 30% nya masih diusia muda, yaitu antara usia 18 – 40 tahun. Salah satu solusi untuk mencegah penyakit stroke adalah dengan mendeteksi gejala-gejala dini yang bisa mengakibatkan penyakit tersebut terjadi. Salah satu metode yang bisa dilakukan adalah dengan menggunakan metode kecerdasan buatan. Metode ini akan lebih mudah diimplementasikan dalam bentuk program atau aplikasi. Aplikasi membuat pengguna dapat lebih mudah membaca dan menerima pelaporan melalui fitur-fitur yang disediakan. SEED (Stroke Disease Early Detection Application) adalah sebuah aplikasi berbasis android untuk mendiagnosis gejala dini penyakit stroke menggunakan algoritma klasifikasi k-NN. Algoritma k-NN dipilih lantaran pada penelitian sebelumnya menghasilkan tingkat akurasi yang relatif tinggi. SEED dibangun menggunakan metode prototyping. Metode prototyping merupakan salah satu jenis software development lifecycle (SDLC) dalam pengembangan perangkat lunak. Terdapat empat fitur utama pada SEED, yaitu 1) klasifikasi dan rekomendasi, 2) riwayat, 3) informasi kesehatan, serta 4) masuk dan daftar. Proses klasifikasi dibagi kedalam tiga tingkatan, yaitu risiko rendah, sedang, dan tinggi. Fitur-fitur yang digunakan untuk proses klasifikasi diantaranya adalah : 1) tinggi badan, berat badan, indeks masa tubuh, tekanan darah, riwayat fibrilasi atrium, riwayat keluarga, kebiasaan merokok, aktivitas fisik, tingkat kolesterol, serta diabetes. Berdasarkan hasil pengujian, didapatkan tingkat validasi kebutuhan sebesar 100%, tingkat akurasi pengklasifikasian sebesar 88%. dan tingkat penerimaan pengguna sebesar 78%.
Authors and Affiliations
Dedin Anike Putra
Keywords
Related Articles
- EP ID EP619726
- DOI -
- Views 69
- Downloads 0
Implementasi Data Mining untuk Rekomendasi Pengambilan Mata Kuliah Pilihan Mahasiswa Sistem Informasi
Pada penelitian ini kami mengimplementasikan algoritma klasifikasi untuk memberikan rekomendasi kepada mahasiswa keminatan apa yang lebih cocok diambil berdasarkan nilai-nilai mata kuliah prasyarat di semester-semester s...
Indeks Kesiapan Perguruan Tinggi dalam Mengimplementasikan Smart Campus
Keberhasilan perguruan tinggi memanfaatkan Teknologi Informasi dan Komunikasi (TIK) atau sering dikenal dengan istilah smart campus sebagai upaya kompetitif dan bernilai saing pada hakekatnya terletak pada sejumlah indic...
Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
Fuzzy C-Means (FCM) merupakan algoritma klastering yang sangat baik dan lebih fleksibel dari algoritma klastering konvensional. Selain kelebihan tersebut, kelemahan utama algoritma ini adalah sensitif terhadap pusat kla...
Evaluasi Sistem Informasi Usaha Kecil dan Menengah (UKM) Kota Palembang
Sistem Informasi Usaha Kecil dan Menengah (UKM) Kota Palembang merupakan suatu sistem informasi yang mengakomodir para pelaku UKM di Kota Palembang dalam melakukan promosi terhadap produk atau jasa yang di lakukan oleh p...
SEED (Stoke Disease Early Detection Application) - Rancang Bangun Aplikasi Mobile Berbasis Android untuk Mendiagnosis Gejala Dini Penyakit Stroke Menggunakan K-Nearest Neighbor (K-NN)
Stroke merupakan penyakit yang tinggi di Indonesia. Stroke menjadi peringkat kedua sebagai penyakit yang paling banyak menyebabkan kematian didunia. Pada zaman modern, stroke tidak hanya menyerang orang yang sudah lanjut...