RANCANG BANGUN SISTEM PAKAR UNTUK DETEKSI DINI NYERI KEPALA DENGAN METODE NAIVE BAYES CLASSIFIER BERBASIS ANDROID

• Main Author: NI PUTU DESYA ESPRILLIA PUTRI NANINTYA, 081411731041
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian
• Published: 2018
• Subjects: R856-857 Biomedical engineering. Electronics. Instrumentation
• Online Access: http://repository.unair.ac.id/78320/1/ST%20T%2039_18%20Nan%20r%20Abstrak.pdf; http://repository.unair.ac.id/78320/2/ST%20T%2039_18%20Nan%20r.pdf; http://repository.unair.ac.id/78320/; http://www.lib.unair.ac.id
• Institution: Universitas Airlangga

Nyeri kepala menjadi keluhan yang paling sering dialami dalam kehidupan sehari-hari serta memiliki prevalensi yang tinggi. Data dari World Health Organization pada tahun 2010, 75% orang dewasa di dunia yang berumur 18 - 65 tahun mengalami nyeri kepala paling sedikit satu kali dalam setahun. Saat ini masih banyak orang yang cacat akibat ketidaktahuan tentang bahaya nyeri kepala dan belum mendapatkan perawatan kesehatan yang efektif. Hal ini terjadi karena kesadaran yang dimiliki masyarakat masih rendah serta kurangnya pengetahuan tentang tipe nyeri kepala yang dialami. Penelitian ini bertujuan untuk mendeteksi tipe nyeri kepala secara dini dengan metode Naive Bayes Classifier berbasis android, metode Naive Bayes Classifier ini meliputi perhitungan probabilitas masing-masing kelas dari keseluruhan data (prior), probabilitas masing-masing fitur dalam tiap kelas (likelihood) dan mengalikan kedua probabilitas tersebut. Hasil tertinggi dari dari perkalian tersebut akan menjadi hasil deteksi. Fitur yang digunakan dalam deteksi nyeri kepala digolongkan menjadi dua yaitu fitur red flags dan fitur nyeri kepala primer. Fitur red flags akan dideteksi pada deteksi pertama, dan fitur nyeri kepala primer digunakan pada deteksi kedua. Hasil pengujian akurasi, sensitivitas, serta spesifitas pada deteksi pertama menghasilkan nilai sebesar 100% untuk ketiga uji. Sedangkan pada deteksi kedua menghasilkan akurasi sebesar 96,67%, sensitivitas kelas Migren sebesar 100%, sensitivitas kelas Klaster sebesar 80%, sensitivitas kelas TTH sebesar 100%, spesifisitas kelas Migren sebesar 92,86%, spesifisitas kelas Klaster sebesar 100% dan spesifisitas TTH sebesar 100%. Hasil akurasi, sensitivitas dan spesifisitas tersebut membuktikan aplikasi memiliki kinerja yang baik.