Sistem Pakar Mendiagnosa Penyakit Covid-19 Dengan Menggunakan Metode Certainty Factor Studi Kasus (Puskesmas Tebing Syahbandar)
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.007 | 0.005 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it