Klasifikasi Stroke Iskemik Menggunakan Metode K-Nearest Neighbor (KNN) di RS Bhayangkara Bondowoso

Adinda Zulaikha; Angga Rahagiyanto; Muhammad Yunus; Dony Setiawan Hendyca Putra

doi:10.47134/phms.v2i1.714

Authors

Adinda Zulaikha Politeknik Negeri Jember
Angga Rahagiyanto Politeknik Negeri Jember
Muhammad Yunus Politeknik Negeri Jember
Dony Setiawan Hendyca Putra Politeknik Negeri Jember

DOI:

https://doi.org/10.47134/phms.v2i1.714

Keywords:

Stroke Iskemik, KNN, K-Fold Cross Validation

Abstract

Stroke iskemik terjadi akibat penyempitan pembuluh darah sehingga sirkulasi darah terganggu. Angka kasus stroke iskemik di RS Bhayangkara Bondowoso mengalami fluktuasi dari tahun 2019-2023. Penelitian ini bertujuan melakukan klasifikasi penyakit stroke iskemik berdasarkan faktor risiko (usia, jenis kelamin, diabetes melitus, GDA, obesitas, hipertensi dan merokok), gejala (kelemahan ekstremitas, penurunan kesadaran, pusing, muntah, kejang, sesak, nyeri, kesemutan dan afasia) dan tindakan CT Scan kepala. Jenis penelitian ini kuantitatif menggunakan data primer. Sampel penelitian terdiri dari 385 rekam medis rawat inap menggunakan simple random sampling. Klasifikasi menggunakan algoritma KNN dengan supplied test. Hasil penelitian menunjukkan variabel yang menjadi faktor risiko penyakit stroke iskemik yaitu usia (65,8%), jenis kelamin (58,03%) dan hipertensi (63,73%). Sedangkan gejala yang sering dialami pasien stroke iskemik yaitu kelemahan ekstremitas (54,92%), pusing (53,89%) dan lemas (52,33%). Serta tindakan CT Scan kepala yaitu 98,96%. Klasifikasi ini menggunakan metode K-Nearest Neighbor dengan k=18 dan supplied test. Hasil akurasi menghasilkan performance dengan tingkat akurasi 92,2078%, Precision 86,05%, Recall 100%, F1 Score 0,9250 dan nilai ROC Area 0,9962. Nilai ROC area tergolong kategori Excellent Classification. Saran dalam penelitian ini yaitu melakukan perancangan sistem.

References

[1] Khariri and R. D. Saraswati, “Transisi epidemiologi stroke sebagai penyebab kematian pada semua kelompok usia di Indonesia.”

[2] Dinas Kesehatan Jawa Timur, Profil Kesehatan Provinsi Jawa Timur Tahun 2022. Surabaya: Dinas Kesehatan Jawa Timur, 2022.

[3] R. M. Natsir, Perilaku ‘Cerdik Pandai’ Mengatasi Silent Killer ‘Stroke’. Solok: RSUD M. Natsir, 2020.

[4] Z. Nabila, A. R. Isnain, and Z. Abidin, “Analisis data mining untuk clustering kasus COVID-19 di Provinsi Lampung dengan algoritma K-Means,” Jurnal Teknologi dan Sistem Informasi, vol. 2, no. 2, p. 100, 2021.

[5] M. S. Hutagalung, Panduan Lengkap Stroke. Bandung: Nusa Media, 2019.

[6] K. Othadinar, M. Alfarabi, and V. Maharani, “Faktor risiko pasien stroke iskemik dan hemoragik,” Majalah Kedokteran UKI, vol. 35, no. 3, 2019.

[7] M. N. Maskuri, K. Sukerti, and R. M. H. Bhakti, “Penerapan algoritma K-Nearest Neighbor (KNN) untuk memprediksi penyakit stroke,” Jurnal Ilmiah Intech: Information Technology Journal of UMUS, vol. 4, no. 1, pp. 130–140, 2022.

[8] N. Agustus, R. N. Fitria, W. Sugianto, and A. Cemara, “Prediksi penyakit diabetes mellitus tipe I dan tipe II menggunakan metode KNN di Klinik Dharma Husada Universitas PGRI Yogyakarta,” vol. 2, no. 3, 2024.

[9] A. Yogianto, A. Homaidi, and Z. Fatah, “Implementasi metode K-Nearest Neighbors (KNN) untuk klasifikasi penyakit jantung,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 3, pp. 1720–1728, 2024, doi: 10.33379/gtech.v8i3.4495.

[10] W. Saputra, J. Santoso, and P. Ardanari, “Penerapan metode K-Nearest Neighbor untuk mendeteksi penyakit kulit,” Jurnal Informatika Atma Jogja, vol. 2, no. 1, pp. 63–72, 2021.

[11] N. M. Putry, “Komparasi algoritma KNN dan Naïve Bayes untuk klasifikasi diagnosis penyakit diabetes mellitus,” Evolusi: Jurnal Sains dan Manajemen, vol. 10, no. 1, 2022, doi: 10.31294/evolusi.v10i1.12514.

[12] A. Rahman, “Pada berbagai penyakit aterosklerosis,” Jurnal Media Medika Muda, pp. 1–146, 2012.

[13] H. Budi, “Faktor risiko stroke pada usia produktif di Rumah Sakit Stroke Nasional (RSSN) Bukittinggi,” 2019, doi: 10.32419/jppni.v3i3.163.

[14] F. Y. Putri, “Hubungan derajat keparahan stroke terhadap status kognitif pasien pasca stroke iskemik di RSUD Raden Mattaher Jambi tahun 2022,” 2023. [Online]. Available: https://repository.unja.ac.id/43628/

[15] R. Ayuningtyas and I. Ningsih, “Hubungan derajat merokok dan tekanan darah pada pasien stroke di Rumah Sakit X,” Collaborative Medical Journal, vol. 5, no. 1, pp. 26–31, 2022.

[16] T. Sertani et al., “Hubungan antara usia dan jenis kelamin dengan kejadian stroke pada pasien diabetes melitus di RSUD Ulin Banjarmasin,” Homeostasis, vol. 6, no. 1, p. 167, 2023, doi: 10.20527/ht.v6i1.8802.

[17] I. M. F. Wikananda, I. B. K. Putra, and I. W. Widiantara, “Hubungan hipertensi dengan stroke pada pasien Poliklinik Neurologi RSUP Sanglah Denpasar,” Intisari Sains Medis, vol. 10, no. 3, pp. 858–861, 2019, doi: 10.15562/ism.v10i3.468.

[18] M. I. Fuadi, D. P. Nugraha, and E. Bebasari, “Gambaran obesitas pada pasien stroke akut di RSUD Arifin Achmad Provinsi Riau periode Januari–Desember 2019,” Jurnal Kedokteran Syiah Kuala, vol. 20, no. 1, pp. 13–17, 2020, doi: 10.24815/jks.v20i1.18293.

[19] S. Mardani et al., “Hubungan antara indeks massa tubuh (IMT) dan kebiasaan mengonsumsi lemak dengan tekanan darah,” Jurnal Kesehatan Komunitas, vol. 1, no. 3, pp. 129–135, 2011, doi: 10.25311/keskom.vol1.iss3.17.

[20] Y. L. Wibowo, A. An, and S. N. Yanti, “Hubungan antara merokok dengan kejadian stroke di RSUD Abdul Aziz Singkawang,” Jurnal Mahasiswa PSPD FK Universitas Tanjungpura, vol. 5, no. 1, pp. 1–12, 2019.

[21] M. A. Rafiudin, I. T. Utami, and N. L. Fitri, “Penerapan range of motion (ROM) aktif cylindrical grip terhadap kekuatan otot pasien stroke nonhemoragik,” Cendikia Muda, vol. 4, no. 3, 2024.

[22] K. Sargolzaei, M. S. Fallah, N. Aghebati, and H. Esmaily, “Effect of a structured sensory stimulation program on the sensory function of patients with stroke-induced disorder of consciousness,” Evidence Based Care Journal, 2017.

[23] R. Pinzon, Awas Stroke: Pengertian, Gejala, Tindakan, Perawatan dan Pencegahan. Yogyakarta: Andi, 2010.

[24] A. Khansa, A. Cahyani, and L. Amalia, “Clinical profile of stroke patients with vertigo in Hasan Sadikin General Hospital Bandung Neurology Ward,” Journal of Medicine and Health, vol. 2, no. 3, pp. 856–866, 2019, doi: 10.28932/jmh.v2i3.1225.

[25] H. Hayati and S. Sutarni, “Laporan kasus: Vertigo pada pasien stroke iskemik vertebrobasiler dan syok hipovolemik,” Callosum Neurology Journal, vol. 3, no. 2, pp. 54–57, 2020, doi: 10.29342/cnj.v3i2.110.

[26] S. O. Batubara and F. Tat, “Hubungan antara penanganan awal dan kerusakan neurologis pasien stroke,” Jurnal Keperawatan Soedirman, vol. 5, no. 2, pp. 105–114, 2010.

[27] J. A. Tombeng, C. N. Mahama, and M. A. H. M. Kembuan, “Profil kejang pasca stroke pada pasien rawat inap periode Juli 2018–Juni 2019 di RSUP Prof. Dr. R. D. Kandou Manado,” Medical Scope Journal, vol. 1, no. 2, pp. 19–23, 2020, doi: 10.35790/msj.1.2.2020.27461.

[28] N. N. Imani and D. Hudiyawati, “Increasing oxygen saturation with head-up position in stroke non-hemorrhagic patient,” Prosiding Seminar Nasional Keperawatan Universitas Muhammadiyah Surakarta, vol. 5, no. 2, pp. 9–15, 2023.

[29] K. Ward et al., “Poor cough flow in acute stroke patients is associated with reduced functional residual capacity and low cough inspired volume,” BMJ Open Respiratory Research, vol. 4, no. 1, 2017, doi: 10.1136/bmjresp-2017-000230.

[30] Dedi, D. Syamsul, and R. T. Siregar, “Profil penggunaan obat pada pasien stroke iskemik di poli neurologi,” Borneo Nursing Journal, vol. 5, no. 1, 2023.

[31] P. Yusastra and B. Utama, “Overview of the head CT-scan in stroke patients who were treated at Muhammadiyah Hospital Palembang,” vol. 2, no. 1, pp. 24–34, 2021, doi: 10.24853/mmj.2.1.24-34.

[32] F. N. Cahya, N. Hardi, D. Riana, and S. Hadianti, “Klasifikasi penyakit mata menggunakan convolutional neural network (CNN),” vol. 10, pp. 618–626, 2021.

[33] A. Supoyo and P. T. Prasetyaningrum, “Analisis data mining untuk memprediksi lama perawatan pasien COVID-19,” Bianglala Informatika, vol. 10, no. 1, pp. 21–29, 2022.

[34] C. C. Ciptohartono, “Algoritma klasifikasi Naïve Bayes untuk menilai kelayakan kredit,” Jurnal Universitas Dian Nuswantoro, pp. 1–6, 2013.

[35] T. Hendrawati, “Kajian metode imputasi dalam menangani missing data,” dalam Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS, pp. 637–642, 2015.

[36] M. R. A. Prasetya, A. M. Priyatno, and Nurhaeni, “Penanganan imputasi missing values pada data time series dengan menggunakan metode data mining,” Jurnal Informasi dan Teknologi, pp. 52–62, 2023, doi: 10.37034/jidt.v5i2.324.

[37] R. I. Borman and M. Wati, “Penerapan data mining dalam klasifikasi data anggota Kopdit Sejahtera Bandarlampung dengan algoritma Naïve Bayes,” Jurnal Ilmiah Fakultas Ilmu Komputer, vol. 9, no. 1, pp. 25–34, 2020.

[38] R. N. Fahmi, N. Nursyifa, and A. Primajaya, “Analisis sentimen pengguna Twitter terhadap kasus penembakan laskar FPI oleh Polri dengan metode Naïve Bayes classifier,” JIKO (Jurnal Informatika dan Komputer), vol. 5, no. 2, pp. 61–66, 2021.

[39] H. Bugis, “Metode Naïve Bayes untuk memprediksi penyakit stroke,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 6, no. 1, pp. 8–14, 2022, doi: 10.47970/siskom-kb.v6i1.317.

[40] R. Wahyudi, M. Orisa, and N. Vendyansyah, “Penerapan algoritma K-Nearest Neighbors pada klasifikasi penentuan gizi balita (studi kasus di Posyandu Desa Bluto),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 5, no. 2, pp. 750–757, 2021, doi: 10.36040/jati.v5i2.3738.

[41] N. Nurussakinah and M. Faisal, “Klasifikasi penyakit diabetes menggunakan algoritma decision tree,” Jurnal Informatika, vol. 10, no. 2, pp. 143–149, 2023, doi: 10.31294/inf.v10i2.15989.

[42] A. Afif, “Penerapan algoritma Naïve Bayes untuk klasifikasi penyakit diabetes mellitus di Rumah Sakit Aisyiyah,” Jurnal Ilmu Komputer dan Matematika, vol. 1, no. 2, 2020.