SISTEM PAKAR MENDIAGNOSA PENYAKIT COVID-19 DENGAN MENGGUNAKAN METODE CERTAINTY FACTOR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19 is an infectious disease caused by a newly discovered type of coronavirus. The WHO (World Health Organization) reported that this virus first appeared on December 31, 2019 and the country that was first confirmed was China, precisely in the city of Wuhan. Indonesia became one of the confirmed countries after President Jokowi and Minister of Health Terawan Agus Putranto on Monday, March 2, 2020. Most people who are exposed to COVID-19 experience symptoms such as: fever, respiratory tract infection, loss of sense of smell, coughing runny nose, headaches, sore throats, loss of sense of taste, and nausea.. Previous research is a science to find comparisons and results to find new inspiration for research. Research methodology is a scientific process or method to obtain data to be used for research purposes. Methodology is also a theoretical analysis of a method or method, research is a systematic investigation to increase a number of knowledge. Based on the results of the CF calculation, the value obtained for the Covid-19 disease from the calculation results above can be seen the level of confidence from the results of the diagnosis of the Covid-19 disease, which is 0.97 x 100%, which is 97% with the results obtained, the system identifies that the patient is Covid-19 negative. Based on the results of the analysis and design that have been achieved, it can be applied to apply an expert system application to diagnose Covid-19 disease, where in this application the user can enter and find out the types of symptoms of the Covid-19 disease that the user has and can find out the right handling solution to help dealing with Covid-19.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle