Sistem Pakar Mendiagnosa Penyakit Covid-19 Dengan Menggunakan Metode Certainty Factor Studi Kasus (Puskesmas Tebing Syahbandar)
Notice bibliographique
Résumé
COVID-19 merupakan penyakit menular yang disebabkan oleh jenis coronavirus yang baru ditemukan. Badan WHO (World Health Organization) melaporkan virus ini pertama kali muncul pada tanggal 31 Desember 2019 dan negara yang pertama kali terkonfirmasi adalah negara China tepatnya dikota Wuhan. Indonesia menjadi salah satu negara yang terkonfirmasi setelah presiden Jokowi bersama Menteri Kesehatan Terawan Agus Putranto pada hari senin, tanggal 02 maret 2020. Kebanyakan orang yang terpapar covid-19 merasakan gejala seperti: demam, infeksi pada saluran pernafasan, kehilangan indra penciuman, batuk pilek, sakit kepala, sakit tenggorokan, kehilangan indra perasa, dan mual.. Penelitian terdahulu adalah ilmu untuk mencari perbandingan dan hasil untuk menemukan inspirasi baru untuk penelitia. Metodologi penelitian adalah proses atau cara ilmiah untuk mendapatkan data yang akan digunakan untuk keperluan penelitian. Metodologi juga merupakan analisis teoretis mengenai suatu cara atau metode,penelitian merupakan suatu penyelidikan yang sistematis untuk meningkatkan sejumlah pengetahuan. Berdasarkan hasil perhitungan CF, maka nilai yang di dapat pada penyakit Covid- 19 dari hasil perhitungan di atas dapat diketahui tingkat keyakinan dari hasil diagnosa terhadap penyakit Covid-19 yakni 0,97 x 100% yaitu 97% dengan hasil yang di peroleh maka sistem mengetintifikasi bahwa pasien tersebut adalah Negatif Covid-19. Berdasarkan hasil analisa dan perancangan yang telah dicapai maka dapat diterapkan diterapkan aplikasi sistem pakar mendiagnosa penyakit Covid-19, dimana dalam aplikasi ini pengguna dapat masuk dan untuk mengetahui jenis gejala penyakit Covid-19 yang dimiliki oleh pengguna serta bisa mengetahui solusi penanganan yang tepat untuk membantu menangani penyakit 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.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».