Jaringan Syaraf Tiruan Untuk Memprediksi Pasien Rawat Inap Menggunakan Metode Backpropagation (Studi Kasus : Rsud DR. RM. Djoelham Binjai)
Notice bibliographique
Résumé
RSUD Dr. R.M. Djoelham Kota Binjai merupakan rumah sakit umum di kotaBinjai penyedia jasa layanan kesehatan berdiri sejak tahun 1927 yang menyediakan pelayanan rawat inap bagi pasien yang sedang sakit, kecelakaan maupun pemulihankondisi (pasca operasi). Dalam kegiatan paisen rawat inap, tidak dapat diprediksi jumlah kunjungan yang terjadi. Memprediksi jumlah pasien rawat sangat penting untuk mengelola rumah sakit, mengatur sumber daya manusia dan keuangan, serta untuk mendistribusikan sumber daya material dengan benar. Jaringan syaraf tiruan digunakan untuk meramalkan apa yang akan terjadi di masa yang akan datang dengan berdasarkan pola kejadian yang ada di masa yang lampau. Backpropagation berfungsi sebagai tempat untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output untuk memprediksi kemungkinan yang akan datang. Dapat disimpulkan bahwa hasil prediksi tahun 2020 dan data dari RSUD DR. RM. Djoelham binjai dengan hasil yaitu tahun 2020 yaitu dibulan januari berjumlah 245 pasien dan hasil berupa valid.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,014 |
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 ».