FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4313286084> ?p ?o ?g. }

• W4313286084 endingPage "595" @default.
• W4313286084 startingPage "595" @default.
• W4313286084 abstract "Abstract: In data mining, we can use symptoms suffered by patients for a reference in classifying positive and negative Covid-19 patients using data mining. Random Forest and logistic regression are two data mining algorithms with high accuracy, precision, and sensitivity in data classification. This study compares the random forest and the logistic regression algorithm - where we use the lasso and ridge regulations - on classifying positive and negative Covid-19 patients based on their symptoms. From 5434 data used in the data set, the evaluation results show that the random forest algorithm is the best in terms of accuracy, precision, and sensitivity compared to other algorithms, while the logistic regression algorithm with ridge regulation is the worst. The random forest algorithm is the most reliable in classifying patients with positive Covid-19, while the logistic regression algorithm with ridge regulation is the least reliable. Also, the random forest algorithm is the most reliable in classifying patients with negative Covid-19, while the logistic regression algorithm with lasso regulation is the least reliable. Keywords: classification;covid-19;data mining;logistic regression;random forest. Abstrak: Dalam data mining, kita dapat menggunakan gejala yang diderita pasien sebagai acuan dalam mengklasifikasikan pasien positif dan negatif Covid-19 menggunakan data mining. Random forest dan logistic regression adalah dua algoritma data mining yang memiliki akurasi (accuracy), presisi (precision), dan sensitivitas (recall) tinggi dalam klasifikasi data. Penelitian ini membandingkan algoritma random forest dan logistic regression - di mana kami menggunakan regulasi lasso dan ridge - dalam mengklasifikasikan pasien positif dan negatif Covid-19 berdasarkan gejalanya. Dari 5434 data yang digunakan dalam data set, hasil evaluasi menunjukkan bahwa algoritma random forest adalah yang terbaik dalam hal akurasi, presisi, dan sensitivitas dibandingkan dengan algoritma lainnya, sedangkan algoritma logistic regression dengan regulasi ridge adalah yang terburuk. Algoritma random forest paling andal dalam mengklasifikasikan pasien positif Covid-19, sedangkan algoritma logistic regression dengan regulasi ridge merupakan algoritma yang paling tidak tidak dapat diandalkan. Selain itu, algoritma random forest paling andal dalam mengklasifikasikan pasien dengan Covid-19 negatif, sedangkan algoritma logistic regresssion dengan regulasi lasso merupakan yang paling tidak dapat diandalkan. Kata kunci: covid-19;data mining;klasifikasi;logistic regression;random forest." @default.
• W4313286084 created "2023-01-06" @default.
• W4313286084 creator A5029908540 @default.
• W4313286084 creator A5057360410 @default.
• W4313286084 creator A5068640356 @default.
• W4313286084 creator A5069632672 @default.
• W4313286084 date "2022-10-18" @default.
• W4313286084 modified "2023-10-10" @default.
• W4313286084 title "KOMPARASI RANDOM FOREST DAN LOGISTIC REGRESSION DALAM KLASIFIKASI PENDERITA COVID-19 BERDASARKAN GEJALANYA" @default.
• W4313286084 doi "https://doi.org/10.54314/jssr.v5i3.994" @default.
• W4313286084 hasPublicationYear "2022" @default.
• W4313286084 type Work @default.
• W4313286084 citedByCount "0" @default.
• W4313286084 crossrefType "journal-article" @default.
• W4313286084 hasAuthorship W4313286084A5029908540 @default.
• W4313286084 hasAuthorship W4313286084A5057360410 @default.
• W4313286084 hasAuthorship W4313286084A5068640356 @default.
• W4313286084 hasAuthorship W4313286084A5069632672 @default.
• W4313286084 hasBestOaLocation W43132860841 @default.
• W4313286084 hasConcept C105795698 @default.
• W4313286084 hasConcept C124101348 @default.
• W4313286084 hasConcept C136764020 @default.
• W4313286084 hasConcept C151956035 @default.
• W4313286084 hasConcept C154945302 @default.
• W4313286084 hasConcept C169258074 @default.
• W4313286084 hasConcept C33923547 @default.
• W4313286084 hasConcept C37616216 @default.
• W4313286084 hasConcept C41008148 @default.
• W4313286084 hasConcept C61722155 @default.
• W4313286084 hasConceptScore W4313286084C105795698 @default.
• W4313286084 hasConceptScore W4313286084C124101348 @default.
• W4313286084 hasConceptScore W4313286084C136764020 @default.
• W4313286084 hasConceptScore W4313286084C151956035 @default.
• W4313286084 hasConceptScore W4313286084C154945302 @default.
• W4313286084 hasConceptScore W4313286084C169258074 @default.
• W4313286084 hasConceptScore W4313286084C33923547 @default.
• W4313286084 hasConceptScore W4313286084C37616216 @default.
• W4313286084 hasConceptScore W4313286084C41008148 @default.
• W4313286084 hasConceptScore W4313286084C61722155 @default.
• W4313286084 hasIssue "3" @default.
• W4313286084 hasLocation W43132860841 @default.
• W4313286084 hasOpenAccess W4313286084 @default.
• W4313286084 hasPrimaryLocation W43132860841 @default.
• W4313286084 hasRelatedWork W1980931745 @default.
• W4313286084 hasRelatedWork W2750047195 @default.
• W4313286084 hasRelatedWork W2800963611 @default.
• W4313286084 hasRelatedWork W2932261312 @default.
• W4313286084 hasRelatedWork W2998656135 @default.
• W4313286084 hasRelatedWork W3173725123 @default.
• W4313286084 hasRelatedWork W4212935509 @default.
• W4313286084 hasRelatedWork W4225164054 @default.
• W4313286084 hasRelatedWork W4313286084 @default.
• W4313286084 hasRelatedWork W4321439909 @default.
• W4313286084 hasVolume "5" @default.
• W4313286084 isParatext "false" @default.
• W4313286084 isRetracted "false" @default.
• W4313286084 workType "article" @default.