Sistem Pakar Mendiagnosa Penyakit Covid-19 Dengan Menggunakan Metode Certainty Factor Studi Kasus (Puskesmas Tebing Syahbandar)
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 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.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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