ANALISIS TINGKAT AKURASI PREDIKSI GEJALA COVID-19 DENGAN MENGGUNAKAN METODE LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE

TRI PUTRA, BRIANDY (2023) ANALISIS TINGKAT AKURASI PREDIKSI GEJALA COVID-19 DENGAN MENGGUNAKAN METODE LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE. Diploma thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) bab 0 wm.pdf Download (1MB)
	Text (BAB 1) bab 1 wm.pdf Download (895kB)
	Text (ANALISIS TINGKAT AKURASI PREDIKSI GEJALA COVID-19 DENGAN MENGGUNAKAN METODE LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE) lp wm.pdf Restricted to Repository staff only Download (2MB)
	Text (DAFTAR PUSTAKA) dafpus wm.pdf Download (754kB)
	Text (ARTIKEL JURNAL) artikel wm.pdf Restricted to Repository staff only Download (998kB)

Abstract

Kecerdasan buatan merupakan salah satu teknologi ilmu komputer yang diprogram untuk mempelajari dan melakukan aktivitas seperti manusia. Teknologi kecerdasan buatan telah dipakai pada beberapa bidang, salah satunya di bidang kesehatan. Dibidang kesehatan, kecerdasan buatan digunakan sebagai alat untuk mendeteksi penyakit pada manusia, salah satu contohnya adalah memprediksi gejala awal COVID-19 merupakan salah satu penyakit menular SARS-CoV2 yang menyebabkan pandemi di seluruh dunia, dan virus tersebut terdeteksi pertama kali dari hewan-hewan liar di pasar Kota Wuhan, China pada akhir 2019. Pada penelitian sebelumnya yang berjudul Metode Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Algoritma Neural Network” oleh Rahmi, dkk, menggunakan data gejala-gejala COVID-19 untuk mendapatkan tingkat akurasi dalam prediksi COVID-19 dengan menggunakan metode Neural Network dan Logistic Regression. Hasil penelitian tersebut mendapatkan tingkat akurasi sebesar 95% dengan metode Neural Network, dan 94% dengan metode Logistic Regression. Pada penelitian ini, penulis ingin membandingkan metode Logistic Regression dengan Support Vector Machine dalam memprediksi gejala awal COVID-19. Hasil dari penelitian ini adalah mendapatkan akurasi dengan tingkat yang tertinggi dari kedua metode tersebut.

Actions (login required)

View Item