Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 4, April 2019, hlm. 3319-3324 http://j-ptiik.ub.ac.id

Diagnosis Tingkat Risiko Penyakit Stroke Menggunakan Metode K-Nearest

Neighbor dan Naïve Bayes
Annisa Puspitawuri1, Edy Santoso2, Candra Dewi3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1annisapsptwr@gmail.com, 2edy144@ub.ac.id, 3dewi_candra@ub.ac.id

Abstrak
Penyakit stroke merupakan penyakit yang timbul akibat terputusnya suplai darah menuju otak karena
terdapat semburan pembuluh darah atau terjadi sumbatan berupa gumpalan darah. Stroke merupakan
penyebab kecacatan nomor satu dan penyebab kematian nomor tiga di dunia setelah penyakit jantung
dan kanker, baik di negara maju maupun berkembang. Berdasarkan data Riskedas, prevalensi stroke di
Indonesia tahun 2013 akan terjadi kenaikan jika dibandingkan data Riskesdas pada tahun 2007 dengan
nilai angka 8,3%, naik mencapai angka 12,1% per 1.000 penduduk. Untuk itu diperlukan suatu tindakan
pendeteksian tingkat risiko penyakit stroke agar dapat segera diatasi sesuai dengan tingkat risikonya.
Penelitian ini mengusulkan adanya suatu aplikasi diagnosis tingkat risiko penyakit stroke menggunakan
metode K-Nearest Neighbor dan Naïve Bayes karena data yang didapat menggunakan atribut numerik
dan kategoris. Algoritme K-Nearest Neighbor digunakan untuk memproses data numerik, dan algoritme
Naïve Bayes digunakan untuk memproses data kategoris. Hasil penelitian menunjukkan nilai akurasi
tertinggi yang diperoleh pada data kelas seimbang adalah 96.67% dengan data latih 45, data uji 30 dan
nilai K=15-22. Sedangkan pada data latih tidak seimbang, menunjukkan akurasi tertinggi sebesar 100%
dengan jumlah data latih 60, data uji 30 dan nilai K=20-30.
Kata kunci: penyakit stroke, klasifikasi, k-nearest neighbor, naïve bayes
Abstract
Stroke is a disease that arises due to the dissolution of blood supply to the brain because of bursts in the
blood vessels or there was a blockage of blood clots. The supply of oxygen and nutrients to the brain
stops and can cause damage to the tissues in the brain. Stroke is number one leading cause of disability
and number three cause of death after cancer and heart disease. Based on Riskesdas data, stroke
prevalence in Indonesia in 2013 has increased when compared with Riskesdas data in 2007 with a value
of 8.3%, increase up to 12.1% per 1,000 population. Therefore, we need an action to detect the level of
risk of stroke to be immediately addressed in accordance with the level of risk. This research proposes
an application of diagnosis of stroke risk level using K-Nearest Neighbor and Naïve Bayes methods,
because the data obtained using numerical and categorical attributes. K-Nearest Neighbor algorithm
is used to process numerical data, and Naïve Bayes algorithm is used to process categorical data. The
results showed that the highest accuracy value obtained in the balanced class data was 96.67% with 45
training datasets, 30 testing datasets and value of K=15-22. Meanwhile, the training datasets that is not
balanced shows the highest accuracy of 100% with the number of training datasets is 60, 30 testing
datasets and the value of K=20-30.
Keywords: stroke, classification, k-nearest neighbor, naïve bayes

otak menjadi terhenti dan dapat menyebabkan

1. PENDAHULUAN
Stroke merupakan penyakit yang timbul
akibat terputusnya suplai darah menuju otak
karena terdapat semburan pada pembuluh darah
atau terjadi sumbatan berupa darah yang
menggumpal. Suplai oksigen dan nutrisi pada
rusaknya jaringan pada otak. Gejala paling
umum yang terjadi pada penyakit stroke adalah
pada bagian wajah, lengan atau tungkai, sering
terasa lemah atau mati rasa. Gejala lainnya yaitu
kesulitan berbicara atau memahami perkataan
orang lain, pusing, kebingungan, kesulitan

Fakultas Ilmu Komputer

Universitas Brawijaya 3319
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
melihat menggunakan satu mata bahkan kedua
mata, kesulitan dalam melakukan aktifitas
ringan seperti berjalan, hilangnya
keseimbangan, pingsan atau tidak sadar serta
sakit kepala tanpa sebab. Efek stroke bergantung
pada bagian otak mana yang terluka dan
seberapa parah pengaruhnya. Kematian secara
mendadak dapat terjadi ketika seorang pasien
mengalami stroke yang sangat parah (WHO,
2014). Penyakit stroke termasuk dalam
penyebab kecacatan nomor satu dan penyebab
kematian nomor tiga di dunia setelah penyakit
jantung dan kanker. Penyakit stroke di Indonesia
memiliki nilai prevalensi yang cukup tinggi.
Berdasarkan data Riskedas, prevalensi stroke di
Indonesia pada tahun 2013 semakin tinggi jika
dibandingkan dengan data Riskesdas 2007
dengan nilai angka 8,3%, naik mencapai angka
12,1% per 1.000 penduduk (RI, 2013).
Penyakit stroke dapat terjadi karena
beberapa faktor, diantaranya tekanan darah,
riwayat fibrilasi atrium, kolesterol, diabetes dan
lain sebagainya. Selama ini penanganan
penyakit stroke dilakukan secara manual,
dimana pasien melakukan pemeriksaan pada
dokter spesialis penyakit syaraf. Kemudian
dilakukan diagnosis pada pasien dengan cara
mengajukan pertanyaan berupa keluhan yang
dirasakan oleh pasien serta faktor-faktor yang
dapat memicu terjadinya stroke. Sehingga akan
didapatkan suatu kesimpulan tingkat risiko
penyakit stroke pada pasien. Kegiatan semacam
ini dapat menimbulkan permasalahan yaitu
membutuhkan biaya serta waktu yang tidak
sedikit. Berdasarkan penjelasan tersebut, maka
diperlukan suatu aplikasi diagnosis tingkat risiko
penyakit stroke agar stroke dapat segera diatasi
sesuai dengan tingkat risikonya. Tingkat risiko
penyakit stroke dibedakan menjadi 3, yaitu
tingkat risiko stroke rendah, tingkat risiko stroke
sedang dan tingkat risiko stroke tinggi.
Pemilihan metode yang tepat untuk deteksi
tingkat risiko penyakit stroke sangat dibutuhkan
karena berpengaruh pada hasil yang akan
ditampilkan. Data sekunder yang digunakan
pada penelitian ini diambil dari data kondisi
kesehatan masyarakat Kota Malang di berbagai
Puskesmas di Kota Malang pada tahun 2015.
Namun data yang didapatkan berupa data
campuran, yaitu data numerik dan kategoris.
Maka penelitian ini dapat memanfaatkan
penggabungan metode K-Nearest Neighbor dan
Naïve Bayes. Penelitian yang dilakukan
sebelumnya oleh Elma Zannatul Ferdousy, dkk
Fakultas Ilmu Komputer, Universitas Brawijaya
3320
menunjukkan bahwa pendekatan sederhana yang
diusulkan (algoritme K-Nearest Neighbor dan
Naïve Bayes) dapat memperbaiki kinerja
klasifikasi Naïve Bayes biasa melalui
penggabungan dua pengklasifikasian, dimana
data yang digunakan mengandung atribut
numerik dan kategoris. Akurasi pada penelitian
menunjukkan angka 89.58% pada dataset
central bank, melebihi nilai akurasi pada metode
lain dengan data yang sama (Ferdousy, et al.,
2013).
Algoritme K-Nearest Neighbor disingkat
KNN biasanya diaplikasikan dalam
pengklasifikasian objek berdasar pada data
pembelajaran yang memiliki nilai selisih kecil
dan jarak tetangga terdekat dengan objek.
Algoritme ini memiliki tujuan untuk
mengklasifikasikan objek baru berdasarkan dari
atribut, data latih dan data uji. Prinsip umum dari
algoritme ini adalah menentukan nilai K pada
data latih yang kemudian akan diproses
menggunakan KNN berdasarkan pada jarak.
Berikutnya nilai mayoritas dari KNN dijadikan
dasar dalam menentukan jenis kelas atau
kategori dari sample berikutnya (Shouman, et
al., 2012).
Berdasarkan pada latar belakang diatas,
maka perlu adanya suatu aplikasi diagnosis
tingkat risiko penyakit stroke menggunakan
metode K-Nearest Neighbor dan Naïve Bayes
karena data yang didapat menggunakan atribut
numerik dan kategoris. Pada aplikasi, terdapat
karakteristik gejala penyakit stroke, seperti
riwayat fibrilasi atrium, tekanan darah, riwayat
keluarga, kolesterol, diabetes, diet, aktifitas fisik
dan merokok yang akan digunakan dalam
perhitungan untuk menentukan tingkat risiko
penyakit stroke yang dialami oleh pasien. Dalam
penelitian sebelumnya, metode K-Nearest
Neighbor dan Naive Bayes memiliki akurasi
yang baik. Maka, diharapkan ketika metode ini
diterapkan dapat membantu dalam menentukan
tingkat risiko penyakit stroke.
2. TINJAUAN PUSTAKA
2.1 Penyakit Stroke
Stroke pada umumnya dialami oleh
penderita sekitar umur 65 tahun dengan
presentase sebesar 33,5%. Angka kejadian
penyakit stroke pada laki-laki biasanya lebih
banyak dari pada perempuan. Stroke dapat
terjadi tanpa munculnya gejala dini, dan muncul
sangat mendadak. Stroke menjadi salah satu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
penyebab kecacatan dan kematian paling tinggi
di dunia. Tidak hanya berdampak bagi para
penyandang, namun kecacatan akibat stroke juga
berdampak buruk bagi keluarganya (Pinzon &
Asanti, 2010). Stroke menjadi salah satu
masalah neurologik paling utama yang ada di
dunia, negara Indonesia menjadi negara di Asia
yang memiliki jumlah penderita stroke terbesar.
2.2 K-Nearest Neighbor
Algoritme K-Nearest Neighbor (KNN)
pada umumnya menjadi algoritme yang
dimanfaatkan untuk melakukan proses
klasifikasi data. Algoritme K-Nearest Neighbor
digunakan dalam pengklasifikasian objek
berdasarkan pada data pembelajaran yang jarak
tetangganya paling dekat atau memiliki nilai
selisih yang kecil dengan objek. Algoritme ini
memiliki tujuan untuk mengklasifikasikan objek
baru berdasar dari atribut, data uji dan data lath.
Teknik data mining paling sederhana, salah
satunya adalah KNN. Hal ini biasa disebut
dengan klasifikasi memori berbasis, sebagai
contoh data latih perlu berada di memori pada
saat run-time. Ketika berhadapan dengan atribut
yang berkelanjutan, perbedaan antara atribut
dihitung menggunakan jarak Euclidean. Jika
contoh pertama adalah (a1, a2, a3, ..., an) dan
contoh kedua adalah (b1, b2, b3, …, bn), maka
jarak di antaranya dihitung dengan
menggunakan persamaan (1) dibawah:
(Shouman, et al., 2012)
𝑑 = √(𝑎1 + 𝑏1 )2 + (𝑎2 + 𝑏2 )2 … (𝑎𝑛 + 𝑏𝑛 )2 (1)
Penjelasan rumus :
a : data uji, digunakan untuk melakukan tes
pada permodelan yang dihasilkan dari data
latih.
b : data latih, digunakan untuk mencari
permodelan yang tepat.
n : data ke-n
2.3 Naïve Bayes
Untuk mengatasi masalah ketidakpastian
pada data, dapat menggunakan probabilitas
bayes Persamaan (2) dan (3) dibawah
menunjukkan persamaan naïve bayes
𝑃(𝐸1 |𝐻).𝑃(𝐻)
𝑃(𝐻|𝐸) = (2)
𝑃(𝐸)
𝑃(𝐻|𝐸) = 𝑃(𝐸1 |𝐻) ∗ 𝑃(𝐸2 |𝐻) ∗ … ∗ 𝑃(𝐸𝑛 |𝐻) ∗
𝑃(𝐻) (3)
Dimana:
Fakultas Ilmu Komputer, Universitas Brawijaya
3321
P(H|E) : nilai probabilitas atribut jika diberikan
kondisi E
P(E|H) : nilai probabilitas munculnya kondisi E
jika diketahui atribut bersifat H
P(H) : nilai probabilitas atribut bersifat H
tanpa melihat kondisi yang lain
P(E) : nilai probabilitas kondisi E
3. METODOLOGI
3.1. Dataset Penelitian
Pada tugas akhir ini, mengambil data
sekunder yang dilaksanakan oleh Safira Adiputri
Insani pada penelitian sebelumnyayang berjudul
“Sistem Pakr Deteksi Dini Penyakit Stroke
Menggunakan Metode Fuzzy Naïve Bayes”.
Dataset penelitian ini dikumpulkan dengan cara
melakukan wawancara secara langsung dengan
metode data sekunder. Data yang digunakan
diambil dari data kondisi kesehatan masyarakat
Kota Malang di Puskesmas Arjuno, Puskesmas
Ciptomulyo, Pusksmas Bareng, Puskesmas
Arjowinangun, Pskesmas Gribig dan Puskesmas
Janti pada tahun 2015. Data atribut penyakit
meliputi riwayat fibrilasi atrium, tekanan darah,
riwayat keluarga, kolesterol, diabetes, diet,
aktifitas fisik, merokok serta kelas untuk
penentuan tingkat risiko stroke apakah termasuk
dalam tingkat rendah, sedang atau tinggi. Data
yang digunakan sebanyak 150 data.
3.2. Alur K-Nearest Neighbor dan Naive
Bayes
Ada beberapa pendekatan yang
berhubungan dengan klasifikasi, misalnya
algoritme berbasis statistik Naïve Bayes
Classifier dan algoritme berbasis jarak K-
Nearest Neighbor. Dalam kasus algoritme Naïve
Bayes, salah satu faktor yang harus ditangani
adalah atribut dengan tipe numerik. Dalam
algoritme ini seseorang harus menentukan
probabilitas bersyarat untuk setiap nilai dari
semua atribut. Untuk mengatasi permasalahan
ini, harus dilakukan diskretisasi atribut numerik
yang kemudian akan dibagi kebeberapa kelas
dengan menerapkan teknik diskretisasi dari
pilihan-pilihan yang ada. Sehingga, teknik yang
digunakan untuk diskretisasi memainkan peran
penting atas keakuratan metode ini. Beberapa
upaya telah dilakukan untuk meningkatkan
keakuratan algoritme Naïve Bayes dengan
mengadopsi skema diskretisasi baru (Yang &
Webb, 2002).
Dalam kasus algoritme K-Nearest
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Neighbor, memiliki situasi yang berlawanan.
Algoritme ini memiliki masalah mengenai
atribut kategoris. Diharapkan adanya skema
pengukuran jarak untuk data yang bersifat
kategoris. Karena algoritma ini melakukan
klasifikasi pada data latih berdasarkan pada nilai
jarak Umumnya dilakukan dengan teknik
preprocessing, yaitu merubah data kategoris
menjadi numerik dengan nilai-nilai tertentu
(Ferdousy, et al., 2013).
Metode K-Nearest Neighbor dan Naïve
Bayes diusulkan agar dapat memperbaiki
kelemahan dari masing-masing algoritme. Pada
algoritme ini tidak diperlukan diskretisasi pada
data numerik dan juga tidak perlu mengukur
jarak antar atribut kategoris. Diharapkan
kombinasi ini dapat meningkatkan kinerja
algoritme tersebut. K-Nearest Neighbor
digunakan dalam menghitung jarak pada data
dengan sifat numerik, dimana pada perhitungan
tersebut hasilnya akan digunakan dalam
pembentukan sebuah model klasifikasi.
Kemudian model klasifikasi tersebut akan
diterapkan dalam perhitungan menggunakan
metode Naïve Bayes dengan data kategoris
(Ferdousy, et al., 2013).
Gambar 1. Diagram Alir Metode
Gambar 1 menunjukkan langkah-langkah
pada metode K-Nearest Neighbor dan Naïve
Bayes.
Langkah Pertama: Gunakan atribut dengan tipe
numerik sebagai data uji dan data latih untuk
proses klasifikasi menggunakan algoritme K-
Nearest Neighbor.
Langkah Kedua: Menentukan K tetangga
Fakultas Ilmu Komputer, Universitas Brawijaya
3322
terdekat untuk proses algoritme K-Nearest
Neighbor menggunakan atribut yang bersifat
numerik.
Langkah Ketiga: K tetangga terdekat yang telah
didapatkan kemudian digunakan untuk langkah
berikutnya, yaitu sebagai data latih dari model
algoritme Naïve Bayes menggunakan atribut
yang bersifat kategoris.
Langkah Keempat: Kemudian akan didapatkan
hasil klasifikasi dari model-model yang telah
dibangun.
4. PENGUJIAN DAN ANALISIS
Pada bab ini akan membahas pengujian
serta analisis sistem diagnosis tingkat risiko
penyakit stroke menggunakan metode K-Nearest
Neighbor dan Naïve Bayes. Pengujian pertama
yaitu pengujian pengaruh sebaran data pada
kelas data latih seimbang dan yang kedua adalah
pengujian pengaruh sebaran data pada kelas data
latih tidak seimbang.
4.1 Pengujian Sebaran Data Kelas Seimbang
Pada pengujian sebaran data kelas
seimbang ini, menggunakan 30, 45 dan 60 data
latih dengan komposisi data jumlah risiko
penyakit stroke yang sama. Sebagai contoh
dalam data latih 30, terdapat 10 data dengan
kelas risiko rendah, 10 data dengan kelas risiko
sedang dan 10 data dengan kelas risiko tinggi.
Data uji pada pengujian ini berjumlah 30 data
dan menggunakan nilai K mulai dari K=1 sampai
K=30. Hasil pengujian sebaran data pada kelas
seimbang ditunjukkan pada Gambar 2.
100
90
80
70
Akurasi (%)
60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Nilai K
30 data 45 data 60 data
Gambar 2. Grafik Sebaran Data Kelas Seimbang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4.2 Pengujian Sebaran Data Kelas Tidak
Seimbang
Pengujian sebaran data kelas tidak
seimbang menggunakan 30, 45 dan 60 data latih
dengan komposisi data jumlah risiko penyakit
stroke tidak sama/berbeda. Sebagai contoh
dalam data latih 30, terdapat 8 data dengan kelas
risiko rendah, 8 data dengan kelas risiko sedang
dan 14 data dengan kelas risiko tinggi. Data uji
yang digunakan berjumlah 30 data dan
menggunakan nilai K mulai dari K=1 sampai
K=30. Hasil pengujian sebaran data pada kelas
tidak seimbang dapat dilihat pada Gambar 3.
Sebaran Data Kelas Tidak
Seimbang
100
90
80
70
Akurasi (%)
60
50
40
30
20
10
0 melakukan diagnosis tingkat risiko
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Nilai K
30 data 45 data 60 data
Gambar 3. Grafik Sebaran Data Kelas Tidak
Seimbang
4.3 Analisis Hasil Pengujian
Berdasarkan grafik pada Gambar 2 dan 3,
pada pengujian sebaran klas seimbang dan tidak
seimbang memiliki nilai akurasi terendah
dengan nilai K=2. Hal ini terjadi karena metode
terakhir yang digunakan adalah Naïve Bayes
dengan peluang K=2, maka untuk melakukan
perhitungan probabilitas Naïve Bayes hanya
menggunakan data latih berjumlah 2 data. Data
latih tersebut diambil dari sorting K-Nearest
Neighbor sebelumnya, dimana K=2 bernilai
sangat sedikit jika menjadi data latih untuk
perhitungan Naïve Bayes. Ketika dilakukan
perhitungan probabilitas munculnya data,
terdapat banyak data dengan nilai probabilitas 0
dan berakibat terjadinya kesalahan dalam hasil
klasifikasi.
Fakultas Ilmu Komputer, Universitas Brawijaya
3323
Akurasi data seimbang dan tidak seimbang
pada pengujian yang sudah dilakukan
menunjukkan bahwa dengan nilai K yang
semakin besar, maka peluang pada proses Naïve
Bayes akan semakin besar, sehingga dapat
mempengaruhi hasil klasifikasi. Sebaran data
kelas tidak seimbang memiliki akurasi yang
lebih baik dan stabil daripada sebaran data kelas
seimbang. Berdasarkan analisis pada atribut data
uji yang digunakan, data latih dengan sebaran
kelas tidak seimbang memiliki kedekatan nilai
atribut yang lebih baik dibandingkan data latih
dengan sebaran kelas seimbang. Sehingga, hal
tersebut mempengaruhi hasil akurasi dari
masing-masing sebaran data. Pada sebaran data
kelas seimbang maupun tidak seimbang nilai
K>5 sudah dapat menghasilkan nilai akurasi
yang cukup baik.
5. KESIMPULAN
Dilihat dari hasil penelitian dan pengujian
pada penelitian diagnosis tingkat risiko penyakit
stroke menggunakan metode K-Nearest
Neighbor dan Naïve Bayes, maka dapat
diberikan kesimpulan sebagai berikut:
1. Metode kombinasi K-Nearest Neighbor dan
Naïve Bayes dapat digunakan untuk
penyakit stroke dengan 8 atribut dan 3 jenis
tingkatan risiko penyakit stroke, yaitu
tingkat risiko rendah, sedang dan tinggi.
Langkah pertama yang dilakukan adalah
menggunakan atribut dengan tipe numerik
sebagai data uji dan data latih untuk proses
klasifikasi menggunakan algoritme K-
Nearest Neighbor. Kemudian menentukan
K tetangga terdekat untuk proses algoritme
K-Nearest Neighbor menggunakan atribut
yang bersifat numerik. K tetangga terdekat
yang telah didapatkan kemudian digunakan
untuk langkah berikutnya, yaitu sebagai
data latih dari model algoritme Naïve Bayes
menggunakan atribut yang bersifat
kategoris. Kemudian akan didapatkan hasil
klasifikasi dari model-model yang telah
dibangun. Hasil klasifikasi berupa nilai
tertinggi pada proses posterior Naïve Bayes,
kemudian menjadi label kelas untuk data
yang di uji. Jika terjadi kesamaan nilai
tertinggi pada posterior, maka nilai mayor
pada proses K-Nearest Neighbor akan
menjadi label kelas data uji.
2. Pengujian pada penelitian ini menggunakan
pengujian pengaruh sebaran data pada kelas
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3324

yang seimbang dan tidak seimbang. Nilai

akurasi tertinggi diperoleh pada data kelas
seimbang yaitu, 96.67% dengan data latih
sejumlah 45 dan nilai K=15-22. Sedangkan
pada data latih tidak seimbang,
menunjukkan akurasi tertinggi sebesar
100% dengan jumlah data latih sebanyak 60
dan nilai K=20-30.

6. DAFTAR PUSTAKA
Adams, H., Adams, R., Zoppo, G. D. &
Goldstein, L. B., 2005. Guidelines for the
Early Management of Patients With
Ischemic Stroke. AHA/ASA Scientific
Statement, pp. 916-923.
Arofah, A. N., 2011. Penatalaksanaan Stroke
Trombotik: Peluang Peningkatan
Prognosis Pasien. Volume 7, pp. 65-70.
Bustami, 2014. Penerapan Algoritma Naive
Bayes untuk Mengklasifikasi Data
Nasabah Asuransi. Jurnal Informatika,
Volume 8, pp. 884-898.
Ferdousy, E. Z., Islam, M. M. & Matin, M. A.,
2013. Combination of Naive Bayes
Classifier and K-Nearest Neighbor (cNK)
in the Classification Based Predictive
Models. Computer and Information
Science, Volume 6, pp. 48-56.
Insani, S. A., Soebroto, A. A. & Furqon, M. T.,
2017. Sistem Pakar Deteksi Dini Penyakit
Stroke Menggunakan Metode Fuzzy
Naïve Bayes. Repositori Jurnal
Mahasiswa PTIIK UB, Volume 9.
Pinzon, R. & Asanti, L., 2010. Awas Stroke!
Pengertian, Gejala, Tindakan, Perawatan
dan Pencegahan. Yogyakarta: Penerbit
Andi.
RI, K. K., 2013. Riset Kesehatan Dasar.
Riskedas, 1 Desember.
Shouman, M., Turner, T. & Stocker, R., 2012.
Applying k-Nearest Neighbour in
Diagnosing Heart Disease Patients.
International Journal of Information and
Education Technology, Volume 2-No. 3,
pp. 220-223.
WHO, 2014. [Online]
Tersedia di: <http://www.who.int/
topics/cerebrovascular_accident/en/>
[Diakses 19 Maret 2018]

Fakultas Ilmu Komputer, Universitas Brawijaya