Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)

ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17

Memprediksi Biaya Medis Menggunakan Jaringan Syaraf Tiruan

Mohammed Salah, Khaled Altalla, Ahmed Salah, Samy S. Abu-Naser
Departemen Teknologi Informasi,
Ffakultas Teknik & Teknologi Informasi,
Universitas Al-Azhar - Gaza, Palestina

Abstrak: Dalam penelitian ini, model Jaringan Syaraf Tiruan (JST) dikembangkan dan diuji untuk memprediksi tingkat
pengeluaran pengobatan pada individu atau keluarga di suatu negara. Sejumlah faktor telah diidentifikasi yang dapat
mempengaruhi biaya pengobatan. Faktor-faktor seperti usia, tingkat kelas seperti sekolah dasar, persiapan, sekolah menengah
atau perguruan tinggi, jenis kelamin, ukuran kecacatan, status sosial, dan biaya pengobatan tahunan dalam dolar tetap tidak
termasuk klinik gigi dan rawat jalan antara lain, sebagai variabel input untuk model JST. Sebuah model berdasarkan topologi
Perceptron multi-layer dikembangkan dan dilatih menggunakan data pada 5574 kasus. Evaluasi data pengujian menunjukkan
bahwa model JST mampu memprediksi Biaya Medis dengan benar.
Kata kunci: Jaringan Syaraf Tiruan, Biaya Medis, JST, Model Prediktif.
1. PENGANTAR
Tujuan utama dari sistem memprediksi tingkat biaya pengobatan individu adalah untuk mengidentifikasi individu yang
menghabiskan biaya terendah untuk pengobatan di negara ini. Tinggi rendahnya biaya pengobatan mempengaruhi individu secara
positif atau negatif, terlebih lagi memiliki efek umum pada kemajuan negara itu sendiri; Rendahnya biaya pengobatan di suatu
negara menunjukkan minimnya penyakit dan kemajuan negara tersebut.
Jika Anda membayar biaya pengobatan yang tidak ditanggung atau asuransi kesehatan swasta, Anda dapat mengklaim kompensasi
pajak untuk beberapa biaya ini. Biaya ini termasuk biaya yang terlibat dalam perawatan panti jompo.
Tentu saja seseorang mengharapkan untuk memiliki tingkat biaya pengobatan dari pekerjaan dengan sejumlah faktor yang
mencakup kesehatannya. Di sisi lain jelas bahwa akan sangat sulit untuk menemukan model matematika yang mungkin merupakan
model yang sesuai untuk hubungan antara kinerja/faktor ini. Namun, salah satu metode realistis untuk memprediksi tingkat
pengeluaran pengobatan mungkin dengan memeriksa data historis pengeluarannya dalam pengobatan.
Pendekatan praktis untuk jenis masalah ini adalah dengan menerapkan analisis regresi di mana data historis lebih baik
diintegrasikan ke dalam beberapa fungsi. Hasilnya adalah persamaan di mana kedua input xj dikalikan dengan wj; jumlah dari
semua produk ini adalah konstan,, dan kemudian output dari y = wj xj +, diberikan, di mana j = 0.n.

Masalahnya di sini adalah sulit untuk memilih fungsi yang cocok untuk menangkap semua pengumpulan data dan untuk secara
otomatis menyesuaikan output jika lebih banyak informasi diperoleh, karena kinerja filter dikendalikan oleh sejumlah faktor, dan
kontrol ini tidak akan menjadi apa pun. model regresi yang jelas.

Jaringan saraf tiruan, yang mensimulasikan otak manusia dalam memecahkan masalah[3-28], adalah pendekatan yang lebih umum
yang dapat mengatasi jenis masalah ini. Dengan demikian, mencoba mengembangkan sistem adaptif seperti jaringan saraf tiruan
untuk memprediksi kinerja siswa berdasarkan hasil dari faktor-faktor ini [29-40].

Tujuan dari penelitian ini adalah:

 Untuk menentukan faktor-faktor yang mempengaruhi tingkat pengeluaran pengobatan
 Untuk mengubah faktor-faktor ini menjadi model yang sesuai untuk pengkodean sistem adaptif
 Desain jaringan saraf tiruan yang dapat digunakan untuk memprediksi tingkat pengeluaran perawatan berdasarkan
beberapa data individu yang telah ditentukan sebelumnya

2. TINJAUAN LITERATUR
Penelitian perawatan medis sebelumnya terutama menggunakan regresi linier untuk memodelkan biaya perawatan medis. Smith
dkk. [1] upaya untuk memecahkan masalah yang sama dengan masalah saat ini: memprediksi rasio pembayaran-untuk-biaya (PCR)

www.ijeais.org
11
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17
untuk Medicare oleh rumah sakit. Penelitian ini menggunakan model regresi dengan fitur yang meliputi variabel casemix,
karakteristik rumah sakit, dan karakteristik negara bagian. Namun, kami menggunakan jaringan saraf.
Tujuan dari penelitian Mahboubi et. Al [2] adalah untuk mengetahui biaya yang dikenakan pada pasien diabetes menggunakan
Jaringan Syaraf Tiruan. Dalam penelitian itu Jaringan Syaraf Tiruan menggunakan Multiple Layer Perception (MLP) digunakan
untuk menyelidiki biaya yang dikenakan pada pasien Diabetes. Variabel yang terkait dengan pengobatan diabetes dihitung melalui
jaringan saraf yang mencakup 8 lapisan keluaran yang berbeda.
3. JARINGAN SYARAF TIRUAN
Jaringan Syaraf Tiruan (JST) adalah model aritmatika yang dimotivasi oleh organisasi dan/atau fitur fungsional jaringan syaraf
biologis[41-51]. Jaringan saraf berisi satu set neuron buatan yang saling terkait, dan memproses informasi menggunakan bentuk
koneksionis untuk komputasi. Sebagai aturan umum JST adalah sistem adaptif yang menyesuaikan strukturnya berdasarkan
informasi eksternal atau internal yang berjalan melalui jaringan selama proses pembelajaran. Jaringan saraf terbaru adalah alat
pemodelan data numerik non-linear. Mereka biasanya digunakan untuk memodelkan hubungan yang rumit antara input dan output
atau untuk mengungkap pola dalam data. JST telah diterapkan dalam berbagai aplikasi dengan pencapaian yang cukup besar [7-8].
Misalnya, JST telah efektif diterapkan di bidang prediksi, pengenalan karakter tulisan tangan,
Neuron sering dikelompokkan ke dalam lapisan. Lapisan adalah kelompok neuron yang melakukan fungsi serupa. Ada tiga jenis
lapisan. Lapisan input adalah lapisan neuron yang menerima input dari program pengguna. Lapisan neuron yang mengirimkan data
ke program pengguna adalah lapisan keluaran. Antara lapisan input dan lapisan output adalah lapisan tersembunyi. Neuron lapisan
tersembunyi hanya terhubung hanya ke neuron lain dan tidak pernah berinteraksi langsung dengan program pengguna. Lapisan
input dan output tidak hanya ada sebagai titik antarmuka. Setiap neuron dalam jaringan saraf memiliki peluang untuk
mempengaruhi pemrosesan. Pemrosesan dapat terjadi pada setiap lapisan dalam jaringan saraf. Tidak setiap jaringan saraf memiliki
banyak lapisan ini. Lapisan tersembunyi adalah opsional. Lapisan input dan output diperlukan,
Pembelajaran JST dapat diawasi atau tidak diawasi. Pelatihan yang diawasi dilakukan dengan memberikan jaringan saraf satu set
data sampel bersama dengan keluaran yang diantisipasi dari masing-masing sampel ini. Pelatihan yang diawasi adalah bentuk
pelatihan jaringan saraf yang paling umum. Saat pelatihan yang diawasi berlangsung, jaringan saraf diambil melalui beberapa
iterasi, atau zaman, hingga keluaran aktual dari jaringan saraf cocok dengan keluaran yang diantisipasi, dengan kesalahan yang
cukup kecil. Setiap epoch adalah satu melewati sampel pelatihan. Pelatihan tanpa pengawasan mirip dengan pelatihan yang diawasi
kecuali bahwa tidak ada keluaran yang diantisipasi yang disediakan. Pelatihan tanpa pengawasan biasanya terjadi ketika jaringan
saraf mengklasifikasikan input menjadi beberapa kelompok. Pelatihan berlangsung melalui banyak zaman, seperti dalam pelatihan
yang diawasi.
4. METODOLOGI
Dengan melihat secara mendalam melalui literatur dan mengumpulkan pengalaman para ahli manusia tentang tingkat biaya
perawatan individu, sejumlah faktor diidentifikasi yang berdampak pada kinerja siswa di tahun kedua. Faktor-faktor ini dipelajari
dengan cermat dan disinkronkan dengan nomor yang sesuai untuk pengkodean komputer dalam lingkungan pemodelan JST.
Faktor-faktor ini diklasifikasikan sebagai variabel input. Variabel keluaran mencerminkan beberapa level potensial
4.1. Variabel Masukan
Variabel input spesifik adalah variabel yang dapat diperoleh hanya dari sistem biaya perawatan individu. Variabel masukan adalah:
1 pengeluaran medis tahunan dalam dolar konstan tidak termasuk gigi dan rawat jalan mental
2. log(coinsrate+1) di mana tingkat coinurance adalah 0 hingga 100,
3. rencana pengurangan individu?,
4 log (pembayaran insentif partisipasi tahunan) atau 0 jika tidak ada pembayaran,
5 log(maks(pengeluaran medis yang dapat dikurangkan)) jika IDP=1 dan MDE>1 atau 0 lainnya,
6. keterbatasan fisik ?,
7. jumlah penyakit kronis,
8. kesehatan penilaian diri (sangat baik, baik, cukup, buruk),
9. log pendapatan keluarga tahunan (dalam \$),
10. log ukuran keluarga
11. tahun sekolah kepala rumah tangga
12. usia yang tepat
13. jenis kelamin (laki-laki, perempuan)
14. umur kurang dari 18 ?
15. apakah kepala rumah tangga berkulit hitam?

www.ijeais.org
12
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17
Tabel 1.Transformasi Data Masukan
S/T Variabel masukan Domain S/T Variabel masukan Domain

1 Lc 0 – 4,564348 8 linc 0 - 10.28324

2 idb Ya – 1 9 lfam 0 - 2.564949

Tidak - 0
3 lpi 0 – 7.163699 10 educdec 0 - 25

4 fmde 0 – 8.294049 11 usia 0,0253251 –

63.27515
5 fisik Ya – 1 12 seks Wanita – 0
Tidak - 0 Pria - 1

6 penyakit 0 – 58.6 13 anak Ya – 1

Tidak - 0
7 kesehatan Miskin – 0 14 hitam Ya – 1
Adil – 1 Tidak - 0
Bagus – 2
Luar biasa - 3

4.2. Variabel Keluaran

Variabel keluaran model JST seperti pada tabel 2.
Meja 2: variabel keluaran
S/T Variabel Domain
Keluaran
1 obat 0 - 39182,02

5. DESAIN JARINGAN SYARAF

5.1. Arsitektur jaringan
Jaringan tersebut merupakan jaringan syaraf tiruan perceptron multilayer dengan menggunakan fungsi aktivasi linear sigmoid
seperti terlihat pada Gambar 3.

www.ijeais.org
13
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17
Gambar 1 : Kumpulan data di lingkungan alat JustNN

5.2. Algoritma Pelatihan Back-propagation

 Inisialisasi setiap wi ke beberapa nilai acak kecil
 Sampai kondisi terminasi terpenuhi, Do
 Untuk setiap contoh latihan <(x1,…xn),t> Do
 Masukkan instance (x1,…,xn) ke jaringan dan hitung output jaringannya ok
 Untuk setiap unit keluaran k: &k=ok(1-ok)(tk-ok)
 Untuk setiap unit tersembunyi h: &h=oh(1-oh) k ap, k &k
 Untuk setiap bobot jaringan wj Do
 wi,j=wi,j+ delta wi,j, di mana delta wi,j= n &j xi,j dan n adalah kecepatan belajar.

6. EVALUASI JARINGAN SYARAF

Seperti disebutkan di atas, tujuan dari percobaan ini adalah untuk memprediksi tingkat biaya pengobatan untuk individu dan
keluarga di suatu negara.
Kami menggunakan feed Forward Backpropagation, yang menyediakan fasilitas untuk melakukan pengujian saraf Jaringan dan
algoritma pembelajarannya sendiri. Jaringan saraf kami adalah jaringan feeding forward, dengan satu lapisan input (15 input),
lapisan tersembunyi (14 input) dan satu lapisan output (1 output). Sebanyak 5561 Bill of Expense digunakan dalam analisis seperti
yang terlihat pada Gambar 1.
Setelah pelatihan dan validasi, jaringan diuji dengan kumpulan data uji yang diperoleh. Ini melibatkan memasukkan data input
variabel ke grid tanpa hasil variabel output. Keluaran dari grid tersebut kemudian dibandingkan dengan data variabel yang
sebenarnya. Selanjutnya, atribut yang paling penting dari model JST diidentifikasi seperti pada gambar 3.
Jaringan saraf mampu memprediksi secara akurat 88% dari kasus uji dengan kesalahan rata-rata 0,00023 seperti yang ditunjukkan
pada gambar 2.

Gambar 2 : Kemajuan pelatihan model JST

www.ijeais.org
14
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17

Gambar 3 : Atribut paling penting dari model JST

Gambar 4: Arsitektur model JST

7. KESIMPULAN
Model jaringan syaraf tiruan untuk menentukan tingkat pengeluaran pengobatan di Negara Bagian. Model pengguna meneruskan
algoritma Backpropagation untuk pelatihan. Faktor bentuk diperoleh dari individu. Model diuji dan skor total adalah 88%. Studi ini
menunjukkan potensi jaringan saraf tiruan untuk menentukan tingkat pengeluaran pengobatan.

REFERENSI
1. Smith, dkk. "Memprediksi Pembayaran Rumah Sakit Rawat Inap di Amerika Serikat: analisis retrospektif." Riset
Pelayanan Kesehatan BMC, 2015.

www.ijeais.org
15
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17
2. Mahboubi, M., Rahimi, M., Mohebbi, M., & Ghahramani, F. (2014). Cara memperkirakan dan memprediksi biaya yang
dikeluarkan untuk pengobatan diabetes menggunakan Jaringan Syaraf Tiruan (JST). J.Biol. Dunia hari ini. 3 (1), 1-6.
3. Deb, P. dan PK Trivedi (2002) "Struktur Permintaan Perawatan Medis: Kelas Laten versus Model Dua Bagian", Jurnal
Ekonomi Kesehatan, 21, 601-625.
4. Abu Naser, S., Zaqout, I., Ghosh, MA, Atallah, R., & Alajrami, E. (2015). Memprediksi Kinerja Mahasiswa
Menggunakan Jaringan Syaraf Tiruan: di Fakultas Teknik dan Teknologi Informasi. Jurnal Internasional Teknologi
Informasi Hibrida, 8(2), 221-228.
5. Elzamly, A., Abu Naser, SS, Hussin, B., & Doheir, M. (2015). Memprediksi Risiko Proses Analisis Perangkat Lunak
Menggunakan Analisis Diskriminan Bertahap Linear: Metode Statistik. Int. J. Adv. Inf. Sci. Technol, 38(38), 108-115.
6. Abu Naser, SS (2012). Memprediksi kinerja peserta didik menggunakan jaringan saraf tiruan dalam sistem bimbingan
cerdas pemrograman linier. Jurnal Internasional Kecerdasan Buatan & Aplikasi, 3 (2), 65.
7. Elzamly, A., Hussin, B., Abu Naser, SS, Shibutani, T., & Doheir, M. (2017). Memprediksi Masalah Keamanan
Komputasi Awan yang Penting menggunakan Algoritma Jaringan Syaraf Tiruan (JST) di Organisasi Perbankan. Jurnal
Internasional Teknologi Informasi dan Teknik Elektro, 6(2), 40-45.
8. Abu Naser, SS, & Al-Bayed, MH (2016). Mendeteksi Gangguan Kesehatan Terkait Kecanduan Bermain Video Game
Menggunakan Sistem Pakar. Jurnal Penelitian dan Pengembangan Multidisiplin Dunia, 2(9), 7-12.
9. Abu Ghali, MJ, Mukhaimer, MN, Abu Yousef, MK, & Abu Naser, SS (2017). Sistem Pakar Masalah Gigi dan Gusi.
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS), 1(4), 198-206.
10. Abu Naser, S., & Akkila, AN (2008). Usulan Sistem Pakar Diagnosis Penyakit Kulit. Publikasi INSInet. Jurnal Penelitian
Ilmu Terapan, 4 (12), 1682-1693.
11. El Agha, M., Jarghon, A., & Abu Naser, SS (2017). Sistem Pakar Rematik Polimialgia. Jurnal Internasional Teknik dan
Sistem Informasi (IJEAIS), 1(4), 125-137.
12. Abu Naser, S., Al-Dahdooh, R., Mushtaha, A., & El-Naffar, M. (2010). Manajemen pengetahuan di ESMDA: sistem
pakar untuk bantuan diagnostik medis. Jurnal AIML, 10(1), 31-40.
13. Almurshidi, SH, & Abu-Naser, SS (2018). SISTEM AHLI UNTUK MENDIAGNOSIS KANKER PAYUDARA.
Universitas Al-Azhar, Gaza, Palestina.
14. Abu Naser, SS, & Alawar, MW (2016). Sistem pakar masalah makan pada bayi dan anak. Jurnal Internasional Penelitian
Kedokteran, 1(2), 79-82.
15. Al Rekhawi, HA, Ayyad, AA, & Abu Naser, SS (2017). Diagnosis dan Perawatan Sistem Pakar Rickets. Jurnal
Internasional Teknik dan Sistem Informasi (IJEAIS), 1(4), 149-159.
16. Abu Naser, SS, & AlDahdooh, RM (2016). Diagnosis dan Perawatan Sistem Pakar Nyeri Punggung Bawah. Jurnal Studi
Ilmu Teknik Multidisiplin (JMESS), 2(4), 441-446.
17. Nabahin, A., Abou Eloun, A., & Abu Naser, SS (2017). Sistem Pakar Diagnosis dan Perawatan Rambut Rontok. Jurnal
Internasional Teknik dan Sistem Informasi (IJEAIS), 1(4), 160-169.
18. Abu Naser, SS, & Alhabbash, MI (2016). Diagnosis dan Pengobatan Sistem Pakar Infertilitas Pria. American Journal of
Innovative Research and Applied Sciences, 2(4).
19. Qwaider, SR, & Abu Naser, SS (2017). Sistem Pakar Diagnosis Penyakit Pergelangan Kaki. Jurnal Internasional Teknik
dan Sistem Informasi (IJEAIS), 1(4), 89-101.
20. Abu Naser, SS, & Al-Hanjori, MM (2016). Sistem pakar diagnosis dan pengobatan masalah kelamin pria. Jurnal
Internasional Penelitian Kedokteran, 1(2), 83-86.
21. Naser, SSA, & Hasanein, HAA (2016). Sistem Pakar Diagnosis Penyakit Telinga Menggunakan Objek SL5. Jurnal
Penelitian dan Pengembangan Multidisiplin Dunia, 2(4), 41-47.
22. Nassr, MS, & Abu Naser, SS (2018). Sistem Berbasis Pengetahuan untuk Mendiagnosis Penyakit Nanas. Jurnal
Internasional Penelitian Pedagogis Akademik (IJAPR), 2(7), 12-19.
23. Abu Naser, SS, & El-Najjar, AEA (2016). Sistem pakar masalah mual muntah pada bayi dan anak. Jurnal Internasional
Penelitian Kedokteran, 1(2), 114-117.
24. Elqassas, R., & Abu-Naser, SS (2018). Sistem Pakar Diagnosis Penyakit Mangga. Jurnal Internasional Penelitian Teknik
Akademik (IJAER) 2 (8), 10-18.
25. Naser, SSA, & Hilles, MM (2016). Sistem pakar untuk masalah bahu menggunakan CLIPS. Jurnal Penelitian dan
Pengembangan Multidisiplin Dunia, 2(5), 1-8.
26. Musleh, MM, & Abu-Naser, SS (2018). Sistem Berbasis Aturan untuk Mendiagnosis dan Mengobati Masalah Kentang.
Jurnal Internasional Penelitian Teknik Akademik (IJAER) 2 (8), 1-9.
27. Abu Naser, SS, & Hamed, MA (2016). Sistem Pakar Masalah Mulut Pada Bayi dan Anak. Jurnal Studi Ilmu Teknik
Multidisiplin (JMESS), 2(4), 468-476.

www.ijeais.org
16
Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS)
ISSN: 2000-000X
Jil. 2 Edisi 10, Oktober – 2018, Hal: 11-17
28. Almadhoun, H., & Abu-Naser, S. (2017). Diagnosis dan Perawatan Sistem Berbasis Pengetahuan Pisang. Jurnal
Internasional Penelitian Pedagogis Akademik (IJAPR), 2(7), 1-11.
29. Abu Naser, SS, & Mahdi, AO (2016). Usulan Sistem Pakar Diagnosis Penyakit Kaki. American Journal of Innovative
Research and Applied Sciences, 2(4), 155-168.
30. Dahouk, AW, & Abu-Naser, SS (2018).Sistem Berbasis Pengetahuan yang Diusulkan untuk Pemecahan Masalah PC
Desktop. Jurnal Internasional Penelitian Pedagogis Akademik (IJAPR) 2 (6), 1-8
31. Abu Naser, SS, & Ola, AZA (2008). SISTEM PAKAR UNTUK MENDIAGNOSIS PENYAKIT MATA
MENGGUNAKAN KLIP. Jurnal Teknologi Informasi Teoritis & Terapan, 4(10).
32. Bakeer, H., & Abu-Naser, SS (2017). Sistem Pakar Pemeliharaan Mesin Fotokopi V. 01 Menggunakan Bahasa Objek
SL5. Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS) 1 (4), 116-124.
33. Abu Naser, SS, & Shaath, MZ (2016). Diagnosis masalah buang air kecil sistem pakar. Jurnal Penelitian dan
Pengembangan Multidisiplin Dunia, 2(5), 9-19.
34. Khella, R., & Abu-Naser, SS (2017). Sistem Berbasis Aturan untuk Nyeri Dada pada Bayi dan Anak. Jurnal Internasional
Teknik dan Sistem Informasi 1 (4), 138-148.
35. Abu-Naser, SS, El-Hissi, H., Abu-Rass, M., & El-Khozondar, N. (2010). Sistem pakar untuk diagnosis dan perawatan
endokrin menggunakan JESS. Jurnal Kecerdasan Buatan; Scialert, 3(4), 239-251.
36. Mrouf, A., Albatish, I., Mosa, M., & Abu Naser, SS (2017). Sistem Berbasis Pengetahuan untuk Diagnosis dan Perawatan
Nyeri Perut (Nyeri Perut) Jangka Panjang. Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS) 1 (4), 71-88.
37. Abu Naser, SS, Baraka, MH, & Baraka, AR (2008). Usulan Sistem Pakar Untuk Membimbing Mahasiswa Baru Dalam
Memilih Jurusan Di Universitas Al-Azhar, Gaza.Journal of Theoretical & Applied Information Technology 4(9).
38. Abu-Nasser, BS, & Abu-Naser, SS (2018). Sistem Kognitif untuk Membantu Petani dalam Mendiagnosis Penyakit
Semangka. Jurnal Internasional Penelitian Sistem Informasi Akademik (IJAISR) 2 (7), 1-7.
39. Abu Naser, SS, Alamawi, WW, & Alfara, MF (2016). Sistem Berbasis Aturan untuk Mendiagnosis Masalah Koneksi
Nirkabel Menggunakan Objek SL5. Jurnal Internasional Teknologi Informasi dan Teknik Elektro 5(6), 26-33.
40. Akkila, AN, & Abu Naser, SS (2016). Usulan Sistem Pakar Penghitungan Warisan Dalam Islam. Jurnal Penelitian dan
Pengembangan Multidisiplin Dunia 2 (9), 38-48.
41. Abu Naser, SS, & Zaqout, IS (2016). Sistem berbasis pengetahuan yang menentukan mahasiswa yang sesuai jurusan: Di
fakultas teknik dan teknologi informasi, World Wide Journal of Multidisiplin Penelitian dan Pengembangan 2 (10), 26-34.
42. AbuEl-Reesh, JY, & Abu Naser, SS (2017). Sistem Berbasis Pengetahuan untuk Mendiagnosis Sesak Napas Pada Bayi
dan Anak. Jurnal Internasional Teknik dan Sistem Informasi (IJEAIS) 1 (4), 102-115.
43. Abu Naser, SS, & Bastami, BG (2016). Sistem berbasis aturan yang diusulkan untuk diagnosis kanker payudara. Jurnal
Penelitian dan Pengembangan Multidisiplin Dunia 2 (5), 27-33.
44. Abu Nasser, BS (2017). Survei Sistem Pakar Medis. Jurnal Internasional Teknik dan Sistem Informasi, 1(7), 218-224.
45. Abu Naser, SS, & ALmursheidi, SH (2016). Sistem Berbasis Pengetahuan untuk Diagnosis Nyeri Leher. Jurnal Penelitian
dan Pengembangan Multidisiplin Dunia (WWJMRD), 2(4), 12-18.
46. Azaab, S., Abu Naser, S., & Sulisel, O. (2000). Sebuah sistem pakar yang diusulkan untuk memilih prosedur analisis
faktor eksplorasi. Jurnal Sekolah Tinggi Pendidikan 4 (2), 9-26.
47. Abu-Naser, SS, Kashkash, KA, & Fayyad, M. (2010). Mengembangkan sistem pakar untuk diagnosis penyakit tanaman.
Jurnal Kecerdasan Buatan, 3 (4), 269-276.
48. Barhoom, AM, & Abu-Naser, SS (2018). Sistem Pakar Lada Hitam. Jurnal Internasional Penelitian Sistem Informasi
Akademik, (IJAISR) 2 (8), 9-16.
49. AlZamily, JY, & Abu-Naser, SS (2018). Sistem Kognitif untuk Mendiagnosis Gangguan Musa Acuminata. Jurnal
Internasional Penelitian Sistem Informasi Akademik, (IJAISR) 2 (8), 1-8.
50. Alajrami, MA, & Abu-Naser, SS (2018). Onion Rule Based System untuk Diagnosis dan Pengobatan Gangguan. Jurnal
Internasional Penelitian Pedagogis Akademik (IJAPR), 2 (8), 1-9.
51. Al-Shawwa, M., Al-Absi, A., Abu Hassanein, S., Abu Baraka, K., & Abu-Naser, SS (2018). Memprediksi Suhu dan
Kelembaban di Lingkungan Sekitar Menggunakan Jaringan Syaraf Tiruan. Jurnal Internasional Penelitian Pedagogis
Akademik (IJAPR), 2(9), 1-6.

www.ijeais.org
17