SISTEM PAKAR DIAGNOSA PENYAKIT MATA MENGGUNAKAN METODE DEMPSTER SHAFER BERBASIS WEB (Studi Kasus : RSUD dr. R.M. Djoelham Binjai)
Notice bibliographique
Résumé
Penyakit mata merupakan penyakit dengan jumlah penderita yang terus meningkat setiap tahunnya. Penyebab utama dari banyaknya kasus kebutaan ini adalah Katarak, Glaukoma, Kelainan Refraksi, serta gangguan penglihatan lain seperti Blefaritis, Konjungtivitis serta Keratitis. Terbatasnya informasi kesehatan mata serta kurangnya tenaga dokter spesialis penyakit mata mengakibatkan kurangnya pengetahuan masyarakat tentang penyakit mata. Setiap penderita penyakit mata dapat dengan mudah mengetahui penyakit dan gejalanya yaitu dengan membangun sistem pakar. Sistem ini dibangun berbasis website dengan bahasa pemrograman PHP dan MySQL sebagai databasenya. Sistem ini menerapkan Metode Dempster yang digunakan untuk mencari ketidakkonsistenan akibat adanya penambahan maupun pengurangan fakta baru yang akan merubah aturan yang ada. Penelitian ini untuk mengetahui keakuratan mesin inferensi Dempster-Shafer dimana hasil diagnosa penyakit mata yang dihasilkan oleh sistem pakar sama dengan hasil perhitungan secara manual dengan metode Dempster-Shafer . Sehingga dapat disimpulkan bahwa sistem pakar yang telah dibangun dapat mendiagnosa penyakit Blefaritis yang diderita pasien dengan nilai keyakinan sebesar 0,8214 dari 8 penyakit mata dengan 32 gejalanya. Kelemahan sistem yaitu jika nilai keyakinan yang terbesar terdiagnosa pada lebih dari satu penyakit, sistem tidak mau menampilkan hanya satu diagnose penyakit, sistem akan menampilkan keseluruhan jenis penyakit yang memiliki nilai sama besarnya.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,077 | 0,065 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».