Penerapan Sistem Pakar Menentukan Covid-19 Dengan Metode KNN (K Nearest Neighbor) Berbasis Web (Studi Kasus : RSU Sylvani)
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 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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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