Stroke is the deadliest disease in the world. Creating injury to this nervous system because of this requires special attention in its treatment. The development of the Industrial Revolution Era 4.0 technology and health science can collaborate to become something beneficial by using machine learning. Currently the benefits are used in predicting several diseases to be anticipated. In particular, stroke using adaboost optimization with naïve Bayes which can provide an accuracy of 0.986 has an Excellent classification diagnosis with 70/30 split data. The previous accuracy without using optimization is 0.976. The result of this accuracy is used by health experts in making good decisions in the field of nursing and medicine. In order to speed up the results of diagnosis to stroke patients.

No abstract

Latar Belakang Penggunaan pembelajaran mesin sangat dibutuhkan oleh para ahli kesehatan sebagai pengolahan data dan informasi agar lebih mudah dianalisis secara otomatis sehingga menghasilkan akurasi dalam menyelesaikan masalah, penerapan Machine Learning dengan algoritma 3 komparatif untuk menyelesaikan masalah stunting karena balita di Indonesia masih tinggi, terutama pada usia 2 -3 tahun. Terlihat dari sejumlah faktor yang berisiko menyebabkan stunting. Instrumen diperlukan dalam Pembelajaran Mesin. Tujuannya (1). Selain memberikan pengetahuan di bidang Informatika, hal ini juga berguna bagi para pakar kesehatan dalam mengelola data dalam mengambil keputusan sehingga memudahkan serta analisis secara otomatis. (2) Dapat mengurangi dampak pada kejadian stunting. Metode Perbandingan tiga algoritma dalam klasifikasi hasil dari tiga algoritma yang dibandingkan menghasilkan akurasi 87.91% AUC 0,907 untuk algoritma Decision Tree dengan tingkat diagnosis excellent classification, dari Algoritma KNN dan Algoritma Naïve Bayes yang menggunakan 13 variabel data.

No abstract

Industri di bidang kesehatan saat ini memiliki sejumlah pusat data yang besar, dari beberapa data sebagian belum dioptimalkan dalam pengolahannya, sehingga informasi didapat tidak dapat di jadikan referensi di dalam pengambilan keputusan oleh pakar di bidang kesehatan. Pre eklampsia pada ibu hamil adalah satu penyakit ibu hamil yang perlu di waspadai di Indonesia karena menjadi penyebab utama kematian ibu dan janin. Penggunaan Data Mining dalam memprediksi sangat diperlukan sehingga praktisi kesehatan dapat dengan mudah dalam pengambilan keputusan. Diperolehnya informasi dalam menerapkan optimasi particle swarm optimization pada algoritma ID3 (Iterative Dichotomiser Three) untuk meningkatkan keakuratan dalam memprediksi penyakit pre eklampsia pada ibu hamil. Algoritma Decision Tree salah satunya ID3, dapat digunakan untuk memprediksi penyakit Pre Eklamsia. Namun masih ada ruang untuk meningkatkan akurasi, yaitu dengan mengoptimasi algoritma ID3 dengan Particle Swarm Optimization (PSO). Data latih dan testing menggunakan dua metode yang pertama adalah Algoritma ID3 kemudian Algoritma ID3 menggunakan optimasi Particle Swarm Optimization (PSO) dari kedua hasil tersebut didapat yang pertama Algoritma ID3 dengan tingkat akurasi sebesar 90.62% dan AUC sebesar 0.857 menghasilkan diagnosanya adalah Good Classification, hasil yang kedua didapatkan tingkat akurasi sebesar 93.33% dengan AUC sebesar 0,906 dari Algortima ID3 dengan optimasi Particle Swarm Optimization hasil tingkat diagnosanya adalah diagnosa Excelent Classification. Dari hasil kedua metode memiliki perbedaan mulai dari tingkat akurasi 3,07% kemudian AUC 0,049.