K-Nearest Neighbor's Accuracy in Dermatic Bacterial Disease Diagnosis Results
DOI:
https://doi.org/10.24114/cess.v7i2.34855Keywords:
K-Nearest Neighbor, Akurasi, Diagnosa, Dermatic Bacterial, Sistem PakarAbstract
Penelitian ini membahas dan memaparkan tentang mencari nilai akurasi dari metode K-Nearest Neighbor dalam menghasilkan kesimpulan. Hal ini perlu dilakukan untuk mengetahui efektivitas metode tersebut dalam menyelesaikan permasalahan yang terjadi. Dalam penelitian ini akan dilakukan perhitungan nilai akurasi dengan menggunakan studi kasus identifikasi penyakit Dermatic Bacterial. Pemilihan kasus ini didasari dengan fakta bahwa sulitnya melakukan diagnosis melalui gejela-gejala yang terjadi serta penanganan dini terhadap penyakit tersebut. Masalah yang terjadi dikarenakan keterbatasan pengetahuan masyakarat serta keterbatasan para ahli yang berada di berbagai daerah. Penelitian ini diawali dengan pengumpulan data kasus, gejala dan penyakit pada Dermatic Bacterial, selanjutnya membentuk basis pengetahuan berdasarkan data kasus. Proses tersebut dilanjutkan dengan melakukan perhitungan dengan menggunakan metode K-Nearest Neighbor. Setelah memperoleh hasil diagnosa berdasarkan perhitungan yang telah dilakukan menggunakan metode K-Nearest Neighbor maka proses selanjutnya adalah mencari nilai akurasi hasil diagnosa yang akan dibandingkan dengan hasil diagnosa pakar. Pada penelitian ini menggunakan 10 data sampel riwayat kasus sebelumnya dan 20 sampel untuk data pengujian. Dari proses pengujian yang dilakukan maka diketahui bahwa untuk nilai akurasi pada metode K-Nearest Neighbor sebesar 85%, sehingga dapat disimpulkan bahwa metode K-Nearest Neighbor sangat baik digunakan dalam melakukan perhitungan hasil diagnosa sebagai bagian dari diagnosa awal dan penanganan dini terhadap pasienReferences
M. El Agha, A. Jarghon, and S. S. A. Naser, œPolymyalgia Rheumatic Expert System, no. August, 2018.
A. F. Ahmed and S. S. A. Naser, œAnemia Expert System Diagnosis Using Sl5 Object, vol. 3, no. 5, pp. 9“17, 2019.
P. S. Ramadhan, œSistem Pakar Pendeteksian Psoriasis Postular Menggunakan Kombinasi Teorema Bayes Dengan Euclidean Probability, Comput. Eng. Sci. Syst. J., vol. 4, no. 2, p. 111, 2019, doi: 10.24114/cess.v4i2.13203.
A. Rudiyan, A. E. Dzulkifli, and K. Munazar, œKlasifikasi Kebakaran Hutan Menggunakan Metode K-Nearest Neighbor : Studi Kasus Hutan Provinsi Kalimantan Barat, JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 4, pp. 195“202, 2022, doi: 10.35746/jtim.v3i4.177.
E. Purwaningsih and E. Nurelasari, œPenerapan K-Nearest Neighbor Untuk Klasifikasi Tingkat Kelulusan Pada Siswa, Syntax J. Inform., vol. 10, no. 01, pp. 46“55, 2021, [Online]. Available: https://journal.unsika.ac.id/index.php/syntax/article/download/5173/2749
P. S. Ramadhan and S. Nurarif, œExpert System of Detection Defisiensi Imun Uses K-Nearest Neighbor Method, vol. 3, no. 2, pp. 41“48, 2019, doi: 10.30865/ijics.v3i2.1372.
* Puji et al., œImplementasi K-Nearest Neighbor Untuk Pendiagnosaan Gangguan Inflamasi Pada Anak, ï®, vol. 26, no. 1, pp. 26“31, 2019.
P. S. Ramadhan, œPenerapan K-Nearest Neighbor dalam Pendeteksian Abcessus, vol. 2, 2019.
P. S. Ramadhan, œSistem E-Diagnosis Untuk Pendiagnosaan X-Linked Agammaglobulineamia Menggunakan Euclidean Probability, pp. 464“468, 2019.
F. M. Salman and S. S. Abu-naser, œExpert System for Castor Diseases and Diagnosis, vol. 3, no. 3, pp. 1“10, 2019.
P. S. Ramadhan, œPenerapan K-Nearest Neighbor dalam Pendeteksian Abcessus, InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 3, no. 2, pp. 61“70, 2019, doi: 10.30743/infotekjar.v3i2.1003.
A. R. Akib and J. K. N, Penyakit Defisiensi Imun, 1st ed. Jakarta: Ikatan Dokter Indonesia, 2019.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 CESS (Journal of Computer Engineering, System and Science)

This work is licensed under a Creative Commons Attribution 4.0 International License.