Aplikasi Deteksi Dini Penyakit Tidak Menular Pada Lansia Dengan menggunakan metode Dynamic System Development Method (DSDM)

Abstract

Penyakit tidak menular (PTM) merupakan penyakit yang tidak dapat ditularkan dari individu ke individu lainya..PTM biasanya muncul tanpa ada nya gejala,serta tidak menunjukan ada nya tanda-tanda tertentu. indonesia salah satu negara yang menghadapai masalah penyakit tidak menular. Penyakit tidak menular seperti stroke,diabetes,penyakit jantung. jika masyarakat tau akan deteksi dini penyakit tidak menular maka upaya pencegahan segera dilakukan dengan cara melakukan medeical check up agar saat melakukan pemeriksaan dini dapat mengetahui kondisi seseoarang. Pemeriksaan dilakukan seperti tekanan darah,pemeriksaan gula darah, kolestrol. PTM terjadi akibat kurangnya aktifitas fisik,merokok, pola makan yang tidak sehat. Akibatnya menyebabkan tekanan,kenaikan gula darah,dan peningkatan lemak.apabila kenaikan tidak cegah maka akan menyebakan penyakit seperti hipertensi,diabetes,kolestrol dan obesitas. PTM sangat berdampak pada usia lanjut karena kebiasaan buruk yang dilakukan pada masa muda sehingga daya tahan tubuh rentan terkena penyakit tidak menular.Dengan ada nya aplikasi deteksi dini penyakit tidak menular lansia memudahkan masyarakat mendapatkan informasi mengenai penyakit tidak menular pada lansia,serta upaya pencegahan dan mendapat kan hasil yang cepat dan efisien. Hasil dari rancangan sistem ini adalah use case diagram. Perancangan user ini menggunakan canva sebagai media. Metode yang di gunakan aplikasi ini menggunakan metode dynamic system develompment method yang mana setiap perancangan dari sistem informasinya menggunakan metode ini.

Klasifikasi Penyakit Jantung Menggunakan Decision Tree dan KNN Menggunakan Ektraksi Fitur PCA

“…KNN mencapai akurasi 83.16%, dan dengan logistic regression mencapai 77.88%. Melalui model hybrid, akurasi klasifikasi mencapai 84.48%, menunjukkan peningkatan akurasi KNN sebesar 1.32% [18], [19], [20], [21] Studi oleh Alham et al (2021) mengenai sistem diagnosis penyakit jantung koroner dengan menggunakan decision tree di RSUD dr. Soedarso Pontianak mencapai nilai akurasi sebesar 94.4%. Penelitian ini membandingkan hasil klasifikasi decision tree dan KNN dengan k-fold cross-validation untuk menemukan prediksi terbaik terkait penyakit jantung [6], [22], [23][3].…”

Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes

“…Melalui pencapaian tujuan-tujuan ini, penelitian ini diharapkan dapat memberikan wawasan mendalam tentang efektivitas metode klasifikasi dalam menangani tantangan klasifikasi data diabetes, dengan potensi aplikasi pada pemahaman dan penanganan penyakit ini secara lebih efisien. [2], [9], [17], [18], [19], [20], [21] II.…”

“…Dalam konteks ini, penggunaan teknik-teknik analisis data dan machine learning dapat memberikan kontribusi besar dalam identifikasi dan klasifikasi kasus diabetes. Metode klasifikasi, seperti K-Nearest Neighbor (KNN), Naive Bayes, dan Logistic Regression, dapat digunakan untuk memproses data dan memberikan prediksi yang berguna dalam pengelolaan penyakit ini [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [26], [27] Penelitian ini dilatarbelakangi oleh kebutuhan untuk memahami dan membandingkan efektivitas KNN, Naive Bayes, dan Logistic Regression dalam mengklasifikasikan data diabetes. Dengan melibatkan ekstraksi fitur menggunakan Principal Component Analysis (PCA), penelitian ini bertujuan untuk mengidentifikasi metode klasifikasi mana yang paling optimal dan dapat memberikan kontribusi signifikan dalam mendukung diagnosis dini serta pengelolaan penyakit diabetes.…”