Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"Latar Belakang: Komorbiditas depresi pada PPOK dapat memengaruhi kepatuhan pengobatan, hospitalisasi dan kualitas hidup. Salah satu target tatalaksana PPOK adalah meningkatkan kualitas hidup penderitanya. Pasien PPOK dengan gangguan depresi memiliki kualitas hidup yang buruk dibandingkan pasien PPOK tanpa gangguan depresi. Untuk itu perlu diketahui perbedaan rerata skor kualitas hidup pasien PPOK dengan gangguan depresi dan pasien PPOK tanpa gangguan depresi. Metode: Penelitian potong lintang deskriptif-analitik pada 40 pasien PPOK dengan gangguan depresi dan 40 pasien PPOK tanpa gangguan depresi di klinik Asma/PPOK RSUP Persahabatan menggunakan Mini-International Neuropsychiatric Interview International Classification Of Diseases (MINI ICD 10) dan instrumen World Health Organization Quality Of Life (WHOQOL)-BREF. Hasil: Terdapat perbedaan median skor kualitas hidup pada pasien PPOK dengan gangguan depresi dan pasien PPOK tanpa gangguan depresi berdasarkan domain kesehatan fisik (p = 0,005), domain relasi sosial (p < 0,001) dan domain lingkungan (p = 0,005). Tidak terdapat perbedaan median skor kualitas hidup berdasarkan domain kesehatan psikologis ( p = 0,421) namun rerata skor domain kesehatan psikologis pasien dengan PPOK lebih rendah dibanding pasien tanpa gangguan depresi. Simpulan: Pasien PPOK dengan gangguan depresi cenderung memiliki rerata skor kualitas hidup yang lebih rendah pada domain kesehatan fisik, kesehatan psikologis, relasi sosial, dan lingkungan dibandingkan pasien PPOK tanpa gangguan depresi.

---

Background: Comorbid depression in COPD affects patient’s medical adherence, hospitalization and quality of life. One of the COPD management is improving the patient’s quality of life. COPD patients who have depression disorder have lower quality of life scores compared to COPD patients who do not have depression disorder. We investigated the difference quality of life scores in COPD patients who have depression disorder and COPD patients who do not have depression disorder.

Methods: The study was cross-sectional descriptive-analytic in 40 COPD patients who have depression disorder and 40 COPD patients who do not have a depression disorder in the Asthma and COPD Clinic RSUP Persahabatan using the Mini-International Neuropsychiatric Interview International Classification Of Diseases (MINI ICD 10) and World Health Organization Quality Of Life (WHOQOL)-BREF.

Results: There is a score difference between COPD patients who have depression disorder and COPD patients who do not have depression disorder based on physical health domain (p = 0.005), social relationship domain (p < 0.001) and environment domain (p = 0.005). There is no score difference between COPD patients who have depression disorder and COPD patients based on psychological domain (p = 0,421). COPD patients who have depression disorder have lower mean score compared to COPD patients who do not have depression based on psychological domain.

Conclusion: COPD patients who have depression disorder tend to score lower quality of life in the domains of physical health, psychological health, social relationships, and environment than COPD patients who do not have depression disorder."

"Anxiety and depression in children and adolescents offers a developmental psychology perspective for understanding and treating these complex disorders as they manifest in young people. Adding the school environment to well-known developmental contexts such as biology, genetics, social structures, and family, this significant volume provides a rich foundation for study and practice by analyzing the progression of pathology and the critical role of emotion regulation in anxiety disorders, depressive disorders, and in combination. Accurate diagnostic techniques, appropriate intervention methods, and empirically sound prevention strategies are given accessible, clinically relevant coverage. Illustrative case examples and an appendix of forms and checklists help make the book especially useful. Featured in the text: Developmental psychopathology of anxiety, anxiety disorders, depression, and mood disorders. Differential diagnosis of the anxiety and depressive disorders. Assessment measures for specific conditions. Age-appropriate interventions for anxiety and depression, including CBT and pharmacotherapy. Multitier school-based intervention and community programs. Building resilience through prevention."

"Depresi merupakan kondisi psikologis yang paling umum terjadi dan banyak memengaruhi wanita, terutama seorang ibu. Berbagai penelitian telah dilakukan untuk menggali dampak kondisi depresi ibu pada fungsi kognisi anak. Namun demikian, hasil penelitian mengenai dampak simtom depresi ibu dalam kaitannya dengan peran figur ayah dalam pengasuhan dan fungsi kognitif anak, khususnya Executive Function (EF), masih ditemukan inkonsistensi. Penelitian ini ditujukan untuk melihat kontribusi simtom depresi ibu dan keterlibatan ayah dalam memprediksi EF anak di usia dini. Sekitar 101 anak usia 4-6 tahun beserta kedua orang tuanya diikutsertakan dalam penelitian ini. Beberapa tes EF diberikan pada anak dan kuesioner simtom depresi ibu dan keterlibatan ayah diberikan masing-masing pada ibu dan ayah. Hasil penelitian menunjukkan bahwa hanya simtom depresi ibu yang berkontribusi secara signifikan untuk memprediksi EF anak setelah dilakukan pengontrolan pada jenis kelamin dan usia anak, status bekerja ibu, dan SES. Penelitian ini menggagas pentingnya memperhatikan kondisi psikologis ibu saat akan melakukan intervensi untuk mengoptimalkan EF anak di usia dini.

---

Depression is most common psychological condition and affects largely in women, particularly in mothers. Numerous studies have been conducted to specify the impact of maternal depressive symptoms on preschool children cognitive functioning. Nonetheless, the result of the studies regarding maternal depressive symptoms in relation to the role of father figure in parenting and children cognition, especially in Executive Function (EF) have found inconsistency. This study aimed to assess the contribution of maternal depressive symptoms and father involvement in predicting children EF. About 101 preschool children aged 4-6 and their parents were involved in this study. Several EF tests were delivered to children, while maternal depressive symptoms and father involvement questionnaire were given to mother and father respectively.

Result found that only maternal depressive symptoms predicted EF performance on children above and beyond the influences of child gender and age, maternal work status, and family socioeconomic level. This study points out the importance to consider maternal psychological condition while targeting intervention for promoting EF in preschool."

"This best-selling, topically organized child and adolescent development text covers the major theories and research of the field. It is known to be a scholarly developmental text that is interesting, accurate, up-to-date, and written clearly and concisely. The author stresses the processes that underlie developmental change so that students come away from the course with a solid understanding of the causes and complexities of human development. Finally, the author connects the theory and research to a number of real-life settings to prepare students for their future roles as parents, teachers, nurses, or psychologists."

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Konduktivitas atau transpor muatan pada DNA akan dipelajari dengan melihat panjang lokalisasi yaitu ukuran panjang ruangan yang mungkin bisa ditempati oleh muatan dalam suatu sistem. Perhitungan panjang lokalisasi dilakukan dengan memodelkan DNA sebagai model 1-Channel yang parameter inputnya diperoleh dari perhitungan kimia kuantum kemudian dilanjutkan dengan menggunakan metode perhitungan numerik Tranfer Matrix. Pada perhitungan numerik ini dilihat pengaruh dari sequences DNA dan pengaruh dari lingkungan terhadap backbone DNA, yaitu ketidak teraturan (disorder) energi dari molekul gula-fosfat yang membentuk backbone DNA.Hasil perhitungan panjang lokalisasi yang diperoleh menunjukkan transpor muatan pada DNA sangat tergantung terhadap sequence. Untuk pengaruh disorder energi backbone menunjukkan transpor muatan pada DNA bisa mengalami transisi dari yang semula semakin insulatif menjadi semakin konduktif dengan semakin besarnya disorder energi backbone ini."