Diagnosis adalah klasifikasi seseorang berdasarkan suatu penyakit atau abnormalitas yang diidapnya. Salah satu jenis penyakit yang memerlukan diagnosis adalah penyakit tumor otak. Akan tetapi dalam proses pemeriksaannya tentu memerlukan sautu biaya yang cukup mahal. Oleh sebab itu diperlukan suatu sistem yang dapat bertindak layaknya serang pakar untuk mengetahui gejala- gejala yang timbul akibat penyakit tumor otak. Salah satu metode yang dapat diterapkan dalam pembuatan sistem pakar adalah metode Certinty Factor(CF). Metode ini dapat digunakan untuk mengatasi permasalahan berkaitan dengan ketidakpastian dalam menyelesaikan atau menentukan suatu solusi. Hasil dari penelitian ini adalah prosantase kemungkinan pasien terhadap keempat jenis penyakit tumor otak yang ada.

Klasifikasi adalah proses membedakan sekumpulan model kedalam beberapa kelas data. Salah satu algoritma yang dapat digunakan untuk proses klasifikasi adalah Jaringan Syaraf Tiruan. Salah satu proses yang memepengaruhi proses Jaringan Syaraf Tiruan adalah proses pembobotan jaringan antar neuron pada Jaringan Syaraf Tiruan. Terdapat beberapa metode yang dapat digunakan dalam proses pencarian bobot, seperti algoritma genetika dan Particle Swarm Optimization atau PSO. PSO adalah salah satu metode optimasi pada Artificle Intelegent. Pada penelitian ini akan dilakukan proses pengujian pengaruh parameter PSO terhadap hasil akurasi yang diperoleh oleh Jaringan Syaraf Tiruan. Dari penelitian yang telah dilakukan nilai parameter terbaik PSO yang digunakan adalah w=0.8, c1=1.5, dan c2 = 2.2. Dari penelitian tersebut menunjukan bahwa optimasi pebobotan dengan Particle Swarm Optimization (PSO) dapat meningkatkan rata – rata nilai akurasi sebesar 0.5%.

Pada sebuah sistem temu kembali,salah satu cara untuk mencari kesamaan antara query dengan dokumen adalah dengan menggunakan Term Frequency – Inverse Document Frequency atau TF-IDF. TF yang umum digunakan adalah langsung menggunakan jumlah term frequency padahal banyak jenis TF lainnya yang dapat dikombinasikan dengan IDF. Penelitian ini akan mengkombinasikan 4 jenis TF, yaitu Natural TF, Normalization/max TF, Logaritma TF, dan Boolean TF dengan tujuan untuk mencari jenis TF mana yang lebih baik setelah dikombinasikan dengan IDF. Hasil penelitian menunjukkan bahwa.Logaritma TF adalah yang terbaik dengan nilai F-measure sebesar 0,00662. Keywords: TF-IDF, Natural TF, Normalization TF, Logaritma TF, Boolean TF

Nurse is a job that has many roles in everyday life. Obtained from the ability to become a nurse. In 1980, there was an explosion in the number of registrants at the Ljubljana nursing school, Slovenia. The data is then collected in a data collected data that is a nursery dataset. There are several things related to health conditions, family status, financial conditions and other things that are considered feasible or not to enter the nursing school. A system that can be used for this problem needs to be created. In this study, a system will be made by applying the method of punishment based on cases and classifying domains to increase computational time. Each new case will be calculated the similarity value to the old case using the Bayes naive algorithm. The system built will produce a decision about whether or not the applicant is suitable in nursing school. Of the 100 data tested, 96 data were obtained that produced true values. With a computing time between 0.253 seconds - 0.607 seconds.

The diagnosis is a classification of a person based on a disease or abnormality . One classification technique that can be used is Artificial Neural Networks. ANN is an information processing system that has characteristics similar to human nerves, in ANN training data is needed in learning. The learning process in Artificial Neural Networks related to the length of time the learning is done. One way to reduce computing time can be done with the selection feature. In this study, an analysis of the results of the diagnosis of liver disorders using Artificial Neural Networks with feature selection and without feature selection. The test results show that the accuracy of the data obtained by performing feature selection tends to be more stable when compared to the value of data accuracy without feature selection. Besides the learning time required by the data that do feature selection tends to be faster than data that does not do the feature selection.