Lihat Juga

• Pengaruh incomplete data terhadap akurasi voting feature intervals-5 (vfi5) Vol 6, No 1, 2008
  oleh: Sulistyo, Atik Pawestri, et al.
  Terbitan: (2011)
• Permasalahan mengenai data hilang merupakan masalah umum yang terjadi pada lingkungan medis. Data hilang dapat disebabkan karena beberapa hal yaitu salah memasukkan data, datanya tidak valid dan peralatan yang digunakan untuk mengambil data tidak berfungsi dengan baik. Voting Feature Intervals merupakan algoritma klasifikasi yang dikembangkan oleh Gülşen Demiroz dan H. Altay Güvenir pada tahun 1997. Algoritma ini dapat mengatasi data hilang dengan mengabaikan data hilang tersebut. Pada penelitian ini dilakukan penerapan algoritma Voting Feature Intervals-5 (VFI5) sebagai algoritma klasifikasi pada kasus data hilang. Data yang digunakan adalah data ordinal (data Dermatology) dan data interval (data Ionosphere). Untuk mengatasi data hilang digunakan tiga metode yaitu mengabaikan data hilang, menghapus satu baris data hilang dan mengganti data hilang dengan mean atau modus. Pengaruh data hilang terhadap tingkat akurasi adalah tingkat akurasi algoritma VFI5 mengalami penurunan dengan semakin banyaknya jumlah data yang hilang dan semakin banyaknya jumlah feature yang memiliki data hilang. Rata-rata tingkat akurasi data ordinal tertinggi sebesar 93.81% dan rata-rata tingkat akurasi data interval tertinggi sebesar 79.89%. Hasil penelitian menunjukkan rata-rata tingkat akurasi yang tertinggi dicapai ketika data hilang diatasi dengan mengganti data hilang dengan mean atau modus
  oleh: Sulistyo, Atik Pawestri, et al.
  Terbitan: (2011)
• Klasifikasi Incomplete Data Penyakit Liver Pada Manusia Dengan Menggunakan Algoritma Voting Feature Interval-5 (VIF5)”
  oleh: Satyatama, RevianggaDika
  Terbitan: (2013)
• Pengenalan potensi anak melalui sidik jari Menggunakan algoritma voting feature intervals 5 (vfi5)
  oleh: Saparudin, Saparudin; Universitas Sriwijaya, et al.
  Terbitan: (2012)
• Diagnosis terhadap suatu penyakit tertentu sudah merupakan kegiatan rutin yang dilakukan di dalam dunia kedokteran. Hal tersebut tidaklah mudah, karena banyak dari gejala-gejala penyakit yang ada merujuk pada beberapa penyakit tertentu. Penelitian ini bertujuan untuk membandingkan diagnosis tahap awal pada anjing yang dilakukan oleh dokter dengan diagnosis yang dihasilkan dari klasifikasi menggunakan voting feature intervals, dan untuk mengetahui tingkat akurasi yang dicapai oleh algoritma klasifikasi voting feature intervals (VFI5). Terdapat 2 proses dalam penelitian yaitu proses pelatihan dan pengujian algoritma. Hasil pelatihan menunjukkan bahwa terdapat gejala-gejala yang konsisten menjadi ciri khas kelas parvo saja atau kelas distemper saja pada setiap iterasi. Untuk kelas parvo terdapat 14 gejala yang menjadi ciri khas, sedangkan untuk kelas distemper terdapat 11 gejala yang menjadi ciri khas. Hasil pengujian juga menunjukkan terdapat 3 instance yang kelas prediksinya berdasarkan hasil klasifikasi menggunakan algoritma VFI5 tidak sesuai dengan kelas sebenarnya pada data. Hal tersebut terjadi karena ketiga instance memiliki ciri khas gejala kelas prediksi
  oleh: Kustiyo, Aziz, et al.
  Terbitan: (2010)