SEED (Stoke Disease Early Detection Application) - Rancang Bangun Aplikasi Mobile Berbasis Android untuk Mendiagnosis Gejala Dini Penyakit Stroke Menggunakan K-Nearest Neighbor (K-NN)

Penulis

Dedin Anike Putra, Muhammad Dimas Setiawan Sanapiah, Azifatul Istna Hanifah, Tri Afirianto

Abstrak

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%.

Abstract

Stroke is one of the highest disease in Indonesia. Stroke become the second most common cause of deadly disease in the world In modern era, young people can get this disease. Data from Syaiful Anwar Hospital (RSSA) Malang City shows that 30% of stroke patient's age is among 18-30 years old. Preventif action needs to be done for reducing the risk level of stroke. One of them is using artificial intelegence technique. These method can be implemented by creating a programme or an application. Application also make a user more convenient to access through its features. SEED (Stroke Disease Early Detection Application) is an android based application that can measure the risk level of stroke disease. This algorith choosen because of its previous accuracy. prototyping model used to develop this application. There are four main features of seed : 1) classification and recommendation, 2) history, 3) health information, and 4) login and register. Risk level of prediction is consists of low, middle, and high risk. Features used in SEED are height, weight, blood pressure, history of atrial fibrillation, history of family, smoking habbit, phisical exercise habbit, cholesterol, and blood sugarit makes. Based on testing phase, The application gain validation test is up to 100%, Its accuracy of classification is up to 88%, and its acceptance test is up to 78%.


Kata Kunci


Stroke; Aplikasi Mobile; K-NN

Teks Lengkap:

PDF

Referensi


ARISETIJONO, 2016. 30 Persen Penderita Stroke

Usia Muda. Wawancara pada jpnn.com. https://www.jpnn.com/news/30-persen-penderita-stroke-usia-muda. Diakses pada 13 Oktober 2017, Puluk : 10.20.

BADAN PENELITIAN DAN PENGEMBANGAN

KESEHATAN RI, 2013. Laporan Riset Kesehatan Dasar (RISKESDAS) 2013. Jakarta : Kementerian Kesehatan Republik Indonesia.

KURNIANINGTYAS, DIVA, BRILLIAN

ARISTYO R., DYAN PUTRI M., AMALIA KARTIKA A., DWI ANGRAENI K. 2017. Sistem Pendukung Keputusan Diagnosis Penyakit Sapi Potong Menggunakan k-Nearest Neighbour (K-NN). Jurnal Teknologi Informasi dan Ilmu Komputer,Vol. 4, No.2, hlm. 122-126.

SUCI, WAHYU, ARIEF, A. S., TANZIL, M. F.,

Sistem Pakar Deteksi Dini Penyakit Stroke Menggunakan Metode Imporved k-Nearest Neighbor (KNN)+. [online]. Tersedia melalui : [Diakses 20 Oktober 2017].

SUDHARANI, K, SARMA, SATYA PRASAD.

Brain Stroke Detection Using k-Nearest Neighbour and Minimum mean Distance Technique. International Conference on Control, Instrumentatiom, Communication and Computation Technologies (ICCICCT), IEEE. hlm. 770-776.

STATCOUNTER, 2018. Mobile & Tabley Operating

System Market Share Asia. [online]. Tersedia melalui : . [Diakses 4 Mei 2018]

SYAFIQ, MUHAMMAD, ACHMAD JAFAR A. K.,

RIZKA HUSNUN Z., DAESWARA JAUHARI, WANDA ATHIRA L., IMAM CHOLISSODIN, LAILIL MULFLIKHAH. 2016. Aplikasi Mobile (LIDE) untuk Diagnosis Tingkat Risiko Penyakit Stroke Menggunakan PTVPSO-SVM. Jurnal Teknologi Informasi dan Ilmu Komputer,Vol. 3, No.2, hlm. 147-155.

WWW.ALODOKTER, 2017. Penyebab Stroke.

[online]. Tersedia melalui : [Diakses pada 20 Oktober 2017]




DOI: http://dx.doi.org/10.25126/jtiik.201963915