Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal JURNAL IT: Media Infromasi STMIK Handayani Makassar
', Irmayani
LPPM- STMIK HANDAYANI MAKASSAR
Computer Science & IT Control & Systems Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS RULE DECISION TREE PADA PREDIKSI KLASIFIKASI STADIUM KANKER SERVIKS ', Irmayani
JURNAL IT: Media Infromasi STMIK Handayani Makassar Vol 9 No 3 (2018): Volume 9 Nomor 3, Desember 2018 IT JURNAL
Publisher : LPPM- STMIK HANDAYANI MAKASSAR

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Seiring dengan perkembangan ilmu pengetahuan, maka dibutuhkan sebuah sistem pendukung keputusan (SPK), untuk membantu paramedik, khususnya dokter dalam menentukan stadium kanker serviks. SistemPendukungKeputusan (SPK) atauDecission Support System merupakansalahsatujenissisteminformasi yang bertujuanuntukmenyediakaninformasi, membimbing, memberikanprediksisertamengarahkankepadapenggunainformasi agar dapatmelakukanpengambilankeputusandenganlebihbaik. Secara konsep Decision Tree adalah salah satu dari teknik analisis keputusan dan merupakan salah satu metode klasifikasi pada Data Mining.Pada proses klasifikasi data, tentunya terdapat beberapa hal yang perlu diketahui mengenai penyebab kanker serviks yang digunakan sebagai tolak ukur dalam menentukan tingkat stadium, apakah digolongkan dalam stadium tinggi atau pada stadium rendah. Salah satu metode untuk mempermudah dalam menentukan stadium pada kanker serviks adalah dengan menggunakan pohon keputusan (Decision Tree). Dalam penelitian ini, gejala dan tanda-tanda yang digunakan sebagai parameter atau atribut untuk menentukan tingkatan stadium penyakit kanker serviks adalah keadaan umum pasien, penderita mengalami keputihan, adanya gejala anemia, adanya pendarahan pervaginam, dan ukuran atau massa tumor. Hasil pengujian objek sampel 19 pasien yang mengidap kanker serviks yang memiliki informasi atribut secara lengkap dari data pasien RS. Umum Sawerigading Palopo diperoleh kesalahan  Decision Tree sebesar 0%.
Co-Authors