Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Informatika: Jurnal Pengembangan IT
Ashri Shabrina Afrah
Program Studi Teknik Informatika, UIN Maulana Malik Ibrahim Malang
Computer Science & IT

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

Found 1 Documents
Search

 1 
Sistem Diagnosa Penyakit Liver Menggunakan Metode Artificial Neural Network: Studi Berdasarkan Dataset Indian Liver Patient Dataset Ashri Shabrina Afrah
Jurnal Informatika: Jurnal Pengembangan IT Vol 8, No 3 (2023): JPIT, September 2023
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v8i3.5346

Abstract

Penyakit Hati atau liver merupakan penyakit yang menyerang organ hati pada manusia dimana organ hati berfungsi dalam pengelolaan kolesterol atau lemak pada tubuh. Dampak yang diberikan oleh penyakit liver ini berbeda-beda tergantung pada tingkat keparahan dan respons pengobatan yang dilakukan oleh individu. Oleh karena itu, pengembangan sistem prediksi penyakit liver menjadi relevan dan bermanfaat dalam membantu dokter dan tenaga medis untuk mengambil tindakan yang tepat secara lebih cepat. Untuk dapat mengembangkan sistem ini maka dapat dilakukan dengan menggunakan metode Artificial Neural Network (ANN). Tujuan dilakukan klasifikasi ini adalah untuk membantu mengetahui keakuratan model ANN dalam mengklasifikasi dataset penyakit liver. Menggunakan metode tersebut dataset dibagi menjadi 3 tahapan yaitu preprocessing data, pemrosesan data, dan evaluasi data. Preprocessing data dilakukan perbaikan terhadap dataset dan melakukan split data sehingga dihasilkan dataset baru. Pada pemrosesan data dilakukan penentuan hidden layer, model aktivasi, dan normalisasi pada model. Pada tahap terakhir yaitu evaluasi dataset, terdapat nilai akurasi, confusion matrix, dan classification report. Pada model ini didapatkan sebuah prediksi true negatif 70, true positif 14, false negatif 16, dan false positif 17. Dengan menggunakan model ini didapatkan hasil akurasi 71,79% yang menandakan bahwa model baik dalam melakukan klasifikasi pada dataset.
Co-Authors