Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : sudo Jurnal Teknik Informatika

Penggunaan Algoritma K-Nearest Neighbor (K-NN) untuk Diagnosa Penyakit Apendisitis Atmaja, Niko Surya; Sabri, Khairul
sudo Jurnal Teknik Informatika Vol. 4 No. 1 (2025): Edisi Maret
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v4i1.782

Abstract

Apendisitis adalah peradangan pada usus buntu yang memerlukan penanganan tepat untuk mencegah komplikasi serius. Gejala umumnya meliputi nyeri perut, mual, muntah, demam, kehilangan nafsu makan, diare, perut kembung, serta nyeri saat berjalan atau batuk. Dalam praktik medis, dokter biasanya mengetahui penyakit apendisitis berdasarkan gejala yang dialami pasien saat konsultasi. Namun, pengetahuan tersebut sering kali tidak mempertimbangkan data rekam medis pasien secara mendalam. Rekam medis apendisitis menyimpan data pasien yang telah terkonfirmasi menderita penyakit ini, sehingga pemanfaatannya dapat meningkatkan keyakinan hasil diagnosa. Penelitian ini menerapkan algoritma K-Nearest Neighbor (K-NN) untuk mengevaluasi data rekam medis guna menentukan kemungkinan pasien menderita apendisitis dengan lebih akurat.
Analisis Pengaruh Jumlah Data Latih terhadap Kinerja Convolutional Neural Network pada Klasifikasi Citra Atmaja, Niko Surya; Harahap, Sahyunan; Harahap, Muhammad Khoiruddin
sudo Jurnal Teknik Informatika Vol. 5 No. 1 (2026): Edisi Maret
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v5i1.1572

Abstract

Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang banyak digunakan dalam tugas klasifikasi citra karena kemampuannya dalam mengekstraksi fitur secara otomatis. Meskipun demikian, kinerja CNN sangat dipengaruhi oleh karakteristik data latih, khususnya jumlah data yang digunakan dalam proses pelatihan. Jumlah data latih yang tidak memadai dapat menyebabkan model gagal melakukan generalisasi dengan baik, sedangkan peningkatan jumlah data latih tidak selalu menjamin peningkatan kinerja model secara signifikan. Penelitian ini bertujuan untuk menganalisis pengaruh jumlah data latih terhadap kinerja model Convolutional Neural Network pada klasifikasi citra. Metode penelitian dilakukan dengan melakukan eksperimen terkontrol menggunakan satu arsitektur CNN yang sama, sementara jumlah data latih divariasikan dalam beberapa skenario, yaitu 20%, 40%, 60%, 80%, dan 100% dari total dataset. Kinerja model dievaluasi berdasarkan nilai akurasi dan loss pada data pelatihan dan data pengujian. Hasil penelitian menunjukkan bahwa peningkatan jumlah data latih cenderung meningkatkan kinerja dan stabilitas model CNN, serta mengurangi kecenderungan overfitting. Temuan ini memberikan gambaran empiris mengenai hubungan antara jumlah data latih dan kinerja CNN pada tugas klasifikasi citra.