Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naive Bayes, dan k-NN

Praningki, Tutus; Budi, Indra

doi:10.24076/citec.2017v4i2.100

Cited by 12 publications

(9 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dari 923 data start-up memiliki 322 missing value, sehingga diperlukannya proses data preparation agar dapat memperbaiki kualitas data. Missing value dipecahkan dengan menambahkan data dengan nilai rata-rata pada atribut-atribut yang datanya hilang ataupun kosong (Praningki & Budi, 2018). Kemudian pada tahap ini juga menggunakan operator filter example, filter yang digunakan adalah label is not missing yang diterapkan pada atribut label.…”

Section: Persiapan Data (Data Preparation)unclassified

Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Permana

Ainiyah

Holle

2021

JISKa

View full text Add to dashboard Cite

Start-ups have a very important role in economic growth, the existence of a start-up can open up many new jobs. However, not all start-ups that are developing can become successful start-ups. This is because start-ups have a high failure rate, data shows that 75% of start-ups fail in their development. Therefore, it is important to classify the successful and failed start-ups, so that later it can be used to see the factors that most influence start-up success, and can also predict the success of a start-up. Among the many classifications in data mining, the Decision Tree, kNN, and Naïve Bayes algorithms are the algorithms that the authors chose to classify the 923 start-up data records that were previously obtained. The test results using cross-validation and T-test show that the Decision Tree Algorithm is the most appropriate algorithm for classifying in this case study. This is evidenced by the accuracy value obtained from the Decision Tree algorithm, which is greater than other algorithms, which is 79.29%, while the kNN algorithm has an accuracy value of 66.69%, and Naive Bayes is 64.21%.

show abstract

Section: Persiapan Data (Data Preparation)unclassified

Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Permana

Ainiyah

Holle

2021

JISKa

View full text Add to dashboard Cite

show abstract

“…Metode naive bayes dapat memecahkan persoalah tentang penyakit hipertensi di karnakan metode naïve bayes, metode yang berdasarkan aturan berupa rule base diantaranya "system prediksi penyakit kanker serviks menggunakan naïve bayes ", [4], "system pakar deteksi penyakit hipertensi pada rsud gorontalo ", [5], "factor factor yang berhubungan dengan penyakit hipertensi dengan pendekatan naïve bayes", [6],"sters terhadap kejadian komplikasi hipertensi pada pasien hipertensi", [7],"system pendukung keputusan diagnosis dini penyakit hipertensi dengan metode naïve bayes", [8] Dengan perhitungan metode naive bayes akan menghasilkan informasi tentang insesitas deteksi dini penyakit hipertensi yang nanti nya akan di terapkan di sebuah system computer untuk nantinya di ajukan acuan untuk pencegahan penyakit hipertensi untuk kalangan masyarakat rangkas bitung provinsi banten pada ibu hamil.…”

Section: Pendahuluanunclassified

Sistem Pakar Menentukan Penyakit Hipertensi Pada Ibu Hamil Di RSUD Adjidarmo Rangkasbitung Provinsi Banten

Rizky

Hakim²

2020

SISFOKOM

View full text Add to dashboard Cite

abstrack-rangkasbitung adalah salahsatu kabupaten tertinggal di provinsi banten, sulitnya mendapatkan alat alat kesehatan dan dokter spesialis menyulitkan warga masyarakat rangkasbitung mendapatkan pelayanan kesehatan yang maksimal,penelitian ini untuk memecahkan permasalahan yang ada di lingkungan RSUD adjidarmo rangkasbitung provinsi banten,system pakar di percaya dapat memecahkan permaslahan yang ada, di karnakan system pakar mampu membuat ke ahlian seorang pakar di aplikasikan ke dalam system yang dapat menggantikan tugas dokter spesialis,penyakit hipertensi termasuk salahsatu penyakit yang berbahaya jumlah penyandang hipertensi terus meningkat setiap tahunya,di perkirakan pada tahun 2025 akan ada 1,5 miliar orang yang terkena hipertensi,dan di perkirakan setiap tahunya 9,4 juta orang meninggal akibat hipertensi dan komplikasinya, tekanan darah lebih tinggi hipertensi adalah kondisi dimana tekanan darah lebih tinggi dari 130/80 milimeter ,Penelitian ini di hususkan terkait penyakit hipertensi pada ibu hamil hipertensi pada ibu hamil tidak boleh di sepelekan karna kondisi ini dapat meningkatkan resiko gangguan perkembangan janin hingga berakibat fatal pada ibu dan bayi,ada beberapa jenis penyakit hipertensi pada ibu hamil, pertama hipertensi gestasional atau hipertensi yang hanya terjadi selama masa kehamilan, ke dua hipertensi preklamsia yaitu komplikasikehamilan yang terjadi saat kehamilan memasuki usia 24 minggu ke atas,jenis hipertensi ini dapat muncul tanpa riwayat sebelumnya, ketiga eklamsia adalah kondisi serius akibat preklamsia pada ibu hamil yang di tandai kejang di sebut eklamsia, tekanan darah kemudian akan turun kembali usai persalinan,permasalahan yang lainya seringnya dokter umum menganalisa terkait hipertensi ibu hamil di karnakan sulitnya mendapatkan dokter spesialis kandungan, system kerja penyakit hipertensi yaituketika jantung memompa darah ke seluruh tubuh kondisi ini dapat menjadi berbahaya karena jantung di paksa memompa darah lebih keras ke seluruh tubuh ,hingga bisa mengakibatkan berbagai penyakit,seperti ginjal,stroke,dan gagal jantung,salah satu solusi adalah membuat suatu sistem pakar yang nantinya dapat menggantikan tugas dari dokter spesialis untuk menentukan penyakit hipertensi jenis apa, penelitian ini menggunakan metode naive bayes dengan melihat rulebase aturan yang ada pada penyakit hipertensi pada ibu hamil .melalui aplikasi ini,penggunaan dapat melakukan konsultasi dengan sistem layaknya berkonsultasi dengan seorang pakar/dokter spesialis.dengan adanya system pakar ini di harapkan dapat memecahkan permasalahan yang ada.

show abstract

“…Algoritma K-nn selalu diawali dengan pencarian nilai K, kemudian di lakukanpenghitungan pada data ujia dan data latih [8].…”

Section: Algoritma K-nnunclassified

Data Mining Pada Penentuan Kelayakan Kredit Menggunakan Algoritma K-Nn Berbasis Forward Selection Data Mining on Credit Feasibility Determination Using K-Nn Algorithm Based on Forward Selection

Harlina¹

2018

ccitj

View full text Add to dashboard Cite

Along with the development of economic and banking services, the term credit is one of the banking products, in determining credit worthiness required data, information about creditworthiness is an interesting issue to be in carefully. In line with business growth, the leasing or crediting sector (credit), has complex and complex problems and problems in which the data are grouped into two classes, good credit and bad credit. In banking activities the feasibility of credit determination is often the problem of bad debts caused by the failure of partial return of loans provided to the borrowers for it required accurate data prior to lending or credit. So it is appropriate to use data mining classification techniques. This study discusses the Data Mining on the determination of creditworthiness using the K-nn-based Forward Selection algorithm. K-nn algorithm applied to consumer data using credit financial services with the help of Forward Selection. The experimental results show that K-nn in classifying credit risk has accuracy value for K-nn at K = 11 accuracy = 68,30%, and for Forward Selection at K = 9 which accuracy level = 73,60%, using feature Forward Selection can produce a good degree of accuracy, so it can be applied to determine the risk of credit risk eligibility.

show abstract

Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naive Bayes, dan k-NN

Cited by 12 publications

References 6 publications

Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Sistem Pakar Menentukan Penyakit Hipertensi Pada Ibu Hamil Di RSUD Adjidarmo Rangkasbitung Provinsi Banten

Data Mining Pada Penentuan Kelayakan Kredit Menggunakan Algoritma K-Nn Berbasis Forward Selection Data Mining on Credit Feasibility Determination Using K-Nn Algorithm Based on Forward Selection

Contact Info

Product

Resources

About