Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : EXPLORER

Perancangan Aplikasi Data Mining Untuk Menentukan Pasien Menderita Tifoid Dengan Metode Algoritma C4.5 Yusra Fadhillah; Muhammad Noor Hasan Siregar; Oberlin Siagian
Explorer Vol 1 No 2 (2021): Juli 2021
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (466.857 KB) | DOI: 10.47065/explorer.v1i2.92

Abstract

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database. Proses data minig ini akan diimplementasikan dengan menggunakan algoritma C.45. Algoritma C.45 dapat digunakan dalam pembentukan pohon keputusan tetapi lebih mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebut atau untuk mengklarifikasi record dengan mengelompokan ke dalam satu kelas. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklarifikasi record yang beulm ada kelasnya. Dimulai dari node root menggunakan tes terhadap atribut dari record yang belum ada kelasnya, kemudian mengikuti cabang sesuai dengan proses pohon keputusan yanitu mengubah bentuk data (table) menjadi pohon (tree) kemudian merubah model pohon tersebut menjadi aturan. Berdasarkan penelitian yang telah dilakukan yang telah dibangun dapat menentukan pasien yang menderita penyakit tipes.
Optimasi Fungsi Aktivasi pada Artificial Neural Network untuk Prediksi Gagal Jantung Secara Akurat Raharjo, Mokhamad Ramdhani; Indra Riyana Rahadjeng; Siregar, Muhammad Noor Hasan; Alkhairi, Putrama
Explorer Vol 5 No 1 (2025): January 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/explorer.v5i1.1840

Abstract

Heart failure is one of the major health problems that can be fatal if not diagnosed properly and quickly. Therefore, early prediction using artificial intelligence models, especially Artificial Neural Network (ANN), is needed to improve the accuracy in detecting heart failure. This study aims to optimize the activation function in ANN to predict heart failure accurately. Several optimization algorithms tested, namely Adam, RMSprop, SGD, Adagrad, and Adadelta, were used to evaluate model performance in terms of accuracy, precision, recall, and F1-score. The results showed that the Adam optimization algorithm provided the best performance with an accuracy of 86.74%, precision of 75.12%, recall of 66.67%, and F1-score of 70.64%. Meanwhile, other algorithms such as RMSprop, SGD, Adagrad, and Adadelta showed lower performance, with some metrics reaching 0%. This study shows that proper activation function optimization in ANN is very important to improve the model's ability to predict heart failure with a high level of accuracy.