Aplikasi Mobile (Lide) Untuk Diagnosis Tingkat Resiko Penyakit Stroke Menggunakan PTVPSO-SVM
DOI:
https://doi.org/10.25126/jtiik.201632190Abstrak
Abstrak
Penyakit Stroke merupakan penyakit yang umum dan menduduki peringkat kedua dalam kematian di Indonesia dengan angka 11,13%. Penyakit yang mernyerang fungsi saraf otak dengan tingkat resiko bertahap. Dengan tidak hanya menyerang pada manusia usia lanjut, kini penyakit stroke dapat menyerang siapa saja. Indikator yang dapat digunakan dalam mewaspadai tingkat stroke adalah memeriksa kolestrol tubuh, HLD, LDL, dan Trigliserida. Namun faktor umum juga menjadi masalah utama namun umum. Dengan bertambahnya umum 10 tahun dimulai dari umur 55 tahun, maka tingkat resiko penyakit stroke menjadi dua kali lipat. Tingkat kewaspadaan perlu diperhatikan, sehingga dalam sewaktu-waktu untuk memeriksakan kondisi tubuh diperlukan. Lide adalah sebuah aplikasi pada smarthphone yang berbasis Android yang mengimplementasikan perhitungan algoirtma dalam menentukan tingkat resiko penyakit stroke. Lide merupakan salah satu solusi yang dibangun dalam mengontrol tingkat resiko stroke, hanya dengan memasukkan tingkat kolestrol, LDL, HDL, dan triglieserida. Dilengkapi dengan treatment bagi para pengguna, sehingga dapat melakukan penanganan awal pada tingkat-tingkat tertentu. Dalam aplikasi bergerak ini mengimplementasikan metode Particle Swarm Optimization dan Support Vector Machine untuk klasifikasi dengan menggunakan 4 fitur (kolesterol, HDL, LDL, dan Trigliserida). Dengan menggunakan metode ini, nilai akurasi yang dihasilkan mencapai 87%.
Kata kunci: Stroke, PTVPSO-SVM, Aplikasi Perangkat Bergerak, Lide
Abstract
Stroke is a common disease and was ranked second in the number of death in Indonesia with 11, 13%. This disease attacks the nerve function of brain with the level of risk. Not only attacks on old age, this disease can attacks everyone. Indicators that can be used in reasonably level stroke is cholesterol, HDL, LDL, and Triglycerides. But the common factor is also becoming a major problem, however. Increasing public 10 years starting at age 55 years, then the risk level of stroke become twice. The level of alertness to note, so in any time to check the condition of the body is required. Lide is an application on an android-based smartphone which implement algorithm calculation to determining the risk level of stroke. Lide is one of solution that is built to control the risk level of stroke, by simply entering the level of LDL, HDL, Cholesterol, and Triglycerides. It is equipped with treatment for users, so that it can perform the initial handling at certain levels. This mobile application implements the method of Particle Swarm Optimization and Supprot Vector Machine for classification by using 4 features (cholesterol, LDL, HDL, and Triglycerides). By using this method, the value of the resulting accuracy is reached 87%.
Keywords: Stroke, PTVPSO-SVM, Mobile Apps, Lide
Downloads
Referensi
Chen, H., Yang, B. & Wang, G. 2011. A Novel Bankruptcy Prediction Model Based on an Adaptive Fuzzy K-Nearest Neighbor Method. College of Computer Science and Technology, Jilin University, Changchun 130012, China.
Dinata, C. A., Safrita, Y. & Sastri, S., 2013. Gambaran Faktor Risiko dan Tipe Stroke pada Pasien rawat Inap di Bagian Penyakit Dalam RSUD Solok Selatan. kesehatan Andalas, 2(2), pp. 57-61.
Du, Y., Lu, X. & Hu, C., 2014. Parameters optimization of T-S fuzzy classification system using PSO and SVM. Nanjing, s.n.
Kesehatan., K. K. (2013). Riset Kesehatan Dasar.
Listiana, L. & Purbosari, T. Y., 2012. Kadar Kolesterol Total pada usia 25-60 tahun. pp. 36-40.
Lu, N. & Jianzhong, H. Y., 2009. Smulated Annealing Theory based Particle Swarm Optimization fo Support Vector Machine Model in Short-term Load Forcasting. Yichang, s.n.
Marbun, Y. (2013). Analisa PSO dan GA untuk optimasi penjadwalan matakuliah. Jakarta: Universitas Indonesia.
Ratnasari, D. (2013). Klasifikasi kondisi pasien stroke menggunakan regresi logistik dan SVM. Surabaya: Institut Teknologi Sepuluh November.
Soebroto A. A., Cholissodin I., Wihandika R. C., Frestantiya M. T., Arief Z. E., 2015. Prediksi Tinggi Muka Air (TMA) Untuk Deteksi Dini Bencana Banjir Menggunakan SVR-TVIWPSO. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 2(2), 79-86.
Sun, C. & Gong, D., 2006. Support Vector Machine with PSO Algorithm for Short-term Load Forecasting. Nanjing, s.n.
Zhang, H. & Mao, H., 2009. Feature Selection for the Stored-grain Insects Based on PSO and SVM. Zhenjiang, s.n.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
