Heart disease is one of the types of deadly diseases whose treatment must be dealt with as soon as possible because it can occur suddenly to the sufferer. Factors of heart disease that are recognized based on the condition of the body of a sufferer need to be known from an early age so that the risk of possible instant attacks can be minimized or can be overcome in various ways such as a healthy lifestyle and regular exercise that can regulate heart health in the body. By looking at the condition of a person's body based on sex, blood pressure, age, whether or not a smoker and some indicators that cause a person's affected by heart disease are described in a study using the Neural Network and Naïve Bayes algorithm with the aim of comparing the level of accuracy to attributes influential to predict heart disease, so the results of this study can be used as a reference to predict whether a person has heart disease or not based on health data used as research benchmarks.
Alzheimer merupakan kelainan berupa penimbunan plak atau protein tidak normal dalam otak sehingga menyebabkan hilangnya sel neuron dan menjadi salah satu pemicu penyakit demensia yang dapat mengakibatkan terhambatnya aktivitas sehari-hari karena penurunan daya ingat,kesulitan dalam berkomunikasi, tidak dapat berpikir jernih, terjadinya perubahan sikap dan perilaku hingga menimbulkan hilangnya kemampuan untuk mengurus diri sendiri. Di negara berpenghasilan tinggi penyakit ini diakui berada pada peringkat ke 7 sebagai penyakit fatal yang berujung pada kematian. Akan tetapi hingga saat ini belum ditemukan obat yang dapat menyembuhkan penyakit Alzheimer. Oleh sebab itu pentingnya deteksi dini agar dapat memulai untuk merencanakan perawatan dan kebutuhan medis yang memadai. Penelitian ini bertujuan untuk melakukan deteksi penyakit Alzheimer dengan menerapkan metode klasifikasi Naïve Bayes dan seleksi atribut menggunakan Correlation Based Feature Selection pada dataset OASIS Longitudinal. Tahapan analisa data menggunakan metode CRISP-DM. Hasil penelitian ini, menunjukan bahwa pada pengujian algoritma Naïve Bayes nilai akurasi yang didapatkan sebesar 93,83%, dan kurva ROC yang terbentuk memiliki nilai AUC sebesar 0,937% sedangkan pada pengujian algoritma Naïve Bayes dan Correlation Based Feature Selection menghasilkan nilai akurasi sebesar 94,64% dan kurva ROC yang terbentuk memiliki nilai AUC sebesar 0,945%. Sehingga dapat disimpulkan bahwa penerapan algoritma Naïve Bayes dan metode Correlation Based Feature Selection dapat meningkatkan nilai akurasi.
<p>Mahasiswa di setiap perguruan tinggi dituntut untuk memperoleh pengetahuan dan keterampilan yang memenuhi syarat dengan prestasi akademik. Hasil dari pembelajaran mahasiswa didapat dari ujian teori dan praktek, setiap mahasiswa wajib menuntaskan nilai sesuai kriteria kelulusan minimum dari masing-masing dosen pengajar, jika dibawah batas minimum maka mahasiswa mengikuti her. Her adalah salah satu cara untuk menuntaskan kriteria kelulusan minimum. Mahasiswa yang mengikuti her setiap semesternya hampir mencapai angka yang relatif tinggi dari jumlah seluruh mahasiswa. Untuk mengurangi jumlah mahasiswa yang mengikuti her maka dibutuhkan sebuah metode yang dapat mengurangi hal tersebut, dengan metode <em>Support Ve</em><em>c</em><em>tor Machine</em> (SVM) dan <em>Decision Tree </em>(DT). SVM dan DT adalah salah satu metode klasifikasi <em>supervised learning</em>. Oleh karena itu, dalam penelitian ini menggunakan SVM dan DT. SVM dapat menghilangkan hambatan pada data, memprediksi, mengklasifikasikan dengan sampling kecil dan dapat meningkatkan akurasi dan mengurangi kesalahan. Klasifikasi data siswa yang melakukan her/peningkatan dengan mengimprovisasi model kernel untuk visualisasi termasuk bar, histogram, dan sebaran<em> </em>begitu juga<em> Decision Tree </em>mempunyai kelebihan tersendiri. Dari hasil penelitian ini telah didapatkan akruasi dan presisi model DT lebih besar dibandingkan dengan SVM, akan tetapi untuk <em>recall </em>DT lebih kecil dibandingkan SVM.</p><p> </p><p><em><strong>Abstract</strong></em></p><p><em><strong><br /></strong></em></p><p class="Abstract"><em>Students in each tertiary institution are required to obtain knowledge and skills that meet the requirements with academic achievement. The results of student learning are obtained from the theory and practice exams, each student is required to complete grades according to the minimum graduation criteria of each teaching lecturer, if below the minimum limit then students take remedial. Remedial is one way to complete the minimum passing criteria. Students who take remedial every semester almost reach a relatively high number of the total number of students. To reduce the number of students who take remedial, a method that can reduce this is needed, with the Support Vector Machine (SVM) and Decision Tree (DT) methods. SVM and DT are one of the supervised learning classification methods. Therefore, in this study using SVM and DT. SVM can eliminate barriers to data, predict, classify with small sampling and can improve accuracy and reduce errors. Data classification of students who do remedial/improvements by improving the kernel model for visualization including bars, histograms, and distributions as well as the Decision Tree has its own advantages. From the results of this study it has been obtained that the accuracy and precision of DT models is greater than that of SVM, but for recall DT is smaller than SVM.</em></p><p><em><strong><br /></strong></em></p>
Wajah merupakan bagian dari sistem biometric dimana wajah manusia memiliki bentuk dan karakteristik yang berbeda antara satu dengan lainnya sehingga wajah dapat dijadikan sebagai alternatif pengamanan suatu sistem. Proses pengenalan wajah didasarkan pada proses pencocokan dan perbandingan citra yang dimasukan dengan citra yang telah tersimpan di database. Akan tetapi pengenalan wajah menjadi permasalahan yang cukup menantang dikarenakan illuminasi, pose dan ekspresi wajah serta kualitas citra. Oleh sebab itu pada penelitian ini bertujuan untuk melakukan pengenalan wajah dengan menggunakan metode machine learning seperti Logistic Regression (LR), Linear Discriminant Analysis (LDA), Decision Tree Classifier, Random Forest Classifier (RF), Gaussian NB, K Neighbors Classifier (KNN) dan Support Vector Machine (SVM) dan beberapa metode ekstraksi fitur Hu-Moment, HOG dan Haralick pada dataset Yale Face. Berdasarkan pengujian yang dilakukan metode ekstraksi fitur gabungan Hu-Moment, HOG dan Haralick dengan algoritma Linear Discriminant Analysis (LDA) menghasilkan nilai akurasi tertinggi sebesar 79,71% dibandingkan dengan metode ekstraksi fitur dan algoritma klasifikasi lainnya.
Memutuskan tempat untuk membuka usaha adalah hal yang sangat penting dan wajib diperhatikan saat akan memulai bisnis baru atau membuka cabang, sejumlah faktor penting diperhitungkan supaya dapat meminimalisir resiko kerugian di masa yang akan datang sehingga tujuan dari bisnis yaitu meningkatkan keuntungan bisa dicapai secara maksimal, pada penelitian ini sejumlah faktor dicatat dan dijadikan sebagai kriteria untuk menilai tempat usaha yang layak dan potensial berdasarkan hasil observasi dan pengamatan di lapangan pada tempat usaha dengan merk dagang SahabatLink dengan menggunakan metode Simple Additive Weight. Konsep metode SAW adalah mencari penjumlahan terbobot berdasarkan rating kinerja dari setiap alternatif yang ditambahkan dengan banyak kriteria. Hal ini yang menjadikan metode ini tepat digunakan untuk menentukan keputusan memilih tempat usaha potensial dengan banyak kriteria diantaranya akses, visibilitas, lalu lintas, persaingan, jarak ke tempat keramaian, tempat parkir, biaya sewa, ekspansi dan konduktivitas. Hasil akhir dari penjumlahan kriteria inputan dengan metode SAW dapat menjadi rekomendasi bagi pihak manajemen untuk membuka tempat usaha berdasarkan nilai alternatif yang paling tinggi.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.