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 76
- Downloads 0
Pengembangan Deteksi Citra Mobil untuk Mengetahui Jumlah Tempat Parkir Menggunakan CUDA dan Modified YOLO
Besarnya lahan pada parkir dan jumlah kendaraan roda empat dalam hal ini adalah mobil, dapat menjadi kendala bagi pengendara lain dalam mengetahui posisi parkir mana yang masih dapat digunakan. Sistem pengembangan perpar...
Pengembangan Alat Bantu Komunikasi Penderita Pascastroke Menggunakan Flex Sensor dan Accelerometer
Pada tahun 2013, prevelansi penderita stroke di Indonesia sebesar 12,1 % serta merupakan penyebab kematian kedua dan penyebab disabilitas ketiga di dunia. Di Indonesia, angka kontribusi proporsional disability-adjusted l...
Kuantifikasi Pengaruh Understandability dan Maintainability pada Evolusi Perangkat Lunak
Understandability dipercaya sebagai salah satu faktor yang mempengaruhi proses maintenance. Hal ini dikarenakan dalam praktiknya tidak selalu tim pengembang yang sama yang melakukan perbaikan kesalahan pada perangkat lun...
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...
Implementasi Mekanisme End-To-End Security pada IoT Middleware
Pada penelitian sebelumnya telah dikembangkan sebuah middleware dengan pendekatan event-driven yang mampu mendukung interoperabilitas berbagai macam perangkat sensor pada lingkungan IoT. Namun, skema komunikasi pada midd...