Penerapan Sistem Pakar Menentukan Covid-19 Dengan Metode KNN (K Nearest Neighbor) Berbasis Web (Studi Kasus : RSU Sylvani)
Notice bibliographique
Résumé
Covid-19 adalah virus yang baru muncul di wuhan pada akhir tahun 2019. Gejala yang di timbulkan oleh covid-19 bervariasi antara suhu tubu meningkat, demam, batuk dan lain nya. Untuk mengatasi faktor ketidakpastian dalam mendiagnosis gejala covid-19, system pakar dirancang untuk menemukan kasus serupa mengenai covid 19 tersebut. Gejala-gejala akan dimasukkan dan dicocokan dengan data penelitian untuk diolah dengan data latih, yaitu data lama pasien yang telah terdiagnosi. suatu sistem yang dapat mencegah sejak dini, sehingga membantu mengatasi penyakit yang disebabkan oleh virus covid-19 lebih dini. Subjek penelitian ini adalah sistem pakar untuk menentukan covid-19. Tahap pengembangan sistem dimulai dengan menganalisis kebutuhan sistem, merancang sistem, antara lain membangun basis pengetahuan, pengambilan tabel keputusan, tabel aturan, memonitor kesimpulan, merancang aliran data, diagram relasional entitas yang kemudian melakukan implementasi dan pengujian. dari sistem. Dengan black box test dan alpha test. Hasil penelitian menunjukkan bahwa aplikasi layak dan bermanfaat
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,025 |
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 ».