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 77
- Downloads 0
Rancang Bangun Sistem Try Out Berbasis Paperless untuk Evaluasi Hasil Belajar Siswa dengan MVC
Sistem pelaksanaan Ujian Nasional di Indonesia saat ini mulai beralih menggunakan komputer sebagai media dalam pelaksanaannya menggantikan sistem yang lama. Sebagai bentuk dukungan dalam mengurangi penggunaan kertas dala...
Evaluasi Berbasis Kriteria untuk Kesusksesan Implementasi Sistem Informasi Kesehatan Berdasarkan Delone and Mclean Model
Penelitian bertujuan untuk mengevaluasi kesuksesan implementasi sistem informasi kesehatan (Homedika.com). Pengukuran dilakukan berdasarkan DeLone & McLean Model. Pengumpulan data dilakukan melalui kuesioner yang telah l...
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...
Perbandingan Performa Metode Klasifikasi SVM, Neural Network, dan Naive Bayes untuk Mendeteksi Kualitas Pengajuan Kredit di Koperasi Simpan Pinjam
Mendeteksi kualitas kredit sejak dini merupakan satu tahapan penting yang wajib dilakukan oleh koperasi simpan pinjam guna meminimalisir adanya risiko kredit. Dalam penelitian ini, kami menggunakan tiga metode klasifikas...
Sistem Notifikasi Sms Hasil Prediksi Saham/Forex Menggunakan Raspberry Pi
Proyek ini dimaksudkan untuk membuat sebuah sistem yang dapat menganalisa data saham, membuat prediksi trend harga naik atau turun, dan mengirimkan notifikasi SMS mengenai hasil analisa dan prediksi kepada para pengguna....