Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam dunia epidemiologi, dibutuhkan suatu pemetaan untuk menggambarkan distribusi penyakit pada populasi, yang disebut dengan disease risk map. Mapping tersebut dibuat berdasarkan nilai SMR (Standardized Morbidity or Mortality Ratio) yang diperoleh dari informasi mengenai banyaknya penderita suatu penyakit di daerah tertentu. Semakin kecil skala disease risk map tersebut, maka semakin tepat sasaran untuk melakukan pencegahan terhadap suatu penyakit. Namun, masalah yang sering dijumpai adalah data banyaknya penderita penyakit hanya tersedia pada lingkup area yang besar. Sedangkan data mengenai penyebab terjangkitnya penyakit tersebut, tersedia dalam skala area yang lebih kecil. Ketidakseimbangan nilai-nilai variabel inilah yang disebut sebagai spatial misalignment. Sehingga digunakan pemodelan Bayesian berhierarki yang memanfaatkan fungsi likelihood dari variabel respon yang tersedia pada skala area lebih besar dan nilai-nilai kovariat yang tersedia pada area yang lebih kecil. Kemudian, dari distribusi posterior yang diperoleh, digunakan metode Markov Chain Monte Carlo (MCMC) untuk mencari nilai taksiran parameter. Berdasarkan persamaan linier dari log SMR pada model, diperoleh nilai estimasi SMR untuk skala area lebih kecil. Pemodelan Bayesian berhierarki ini diterapkan untuk membuat disease risk map skala area puskesmas Kota Depok pada kasus kelahiran bayi mati.

---

In epidemiology, mapping is needed to describe the distribution of disease in an area or among population, which is called disease risk map. The construction of disease risk map is based on the value of SMR (Standardized Morbidity or Mortality Ratio), that is obtained from the information about the number diagnosed of a disease in an area. If the scale of disease risk map is smaller, the prevention of the disease is more effective. However, the data about the number of cases of a disease is available from a larger scale area. On the other hand, data about the causes or factors of that disease is available at the smaller scale area. Such unbalance sources of those variables is called spatial misalignment. So that, it is needed to apply Bayesian hierarchical modeling that uses the likelihood of response variable which is available at the larger scale area and the value of covariates which is available at the smaller scale area. Then, by using the Markov Chain Monte Carlo (MCMC) method which build samples from the posterior distribution, the value of estimated parameters are obtained. Furthermore, based on the linear model for SMR, the estimated SMRs for the smaller scale area are obtained. To give an illustration, Bayesian hierarchical modeling is applied to construct the disease risk map at clinic scale area for stillbirths cases in Depok."

"Scan statistic merupakan suatu analisis untuk mendeteksi daerah yang merupakan kejadian luar biasa atau KLB (outbreak). Salah satu metode yang mendasari analisis scan statistic adalah metode Bayesian Scan Statistic. Metode ini menerapkan prinsip teorema bayesian, yaitu memanfaatkan informasi prior untuk menghasilkan informasi posterior yang dapat memperbaiki informasi prior. Metode Bayesian Scan Statistic memilih keadaan atau kondisi yang memiliki posterior probability yang terbesar sebagai daerah KLB-nya. Fungsi marginal likelihood dan prior probability merupakan dua komponen penting yang digunakan dalam metode ini untuk menghitung posterior probability untuk tiap-tiap daerah. Fungsi marginal likelihood didapat dari data historis dan modelnya merupakan gabungan antara distribusi poisson dan distribusi gamma. Sedangan untuk prior probability juga didapat dari data historis atau berdasarkan pada pengalaman seseorang. Metode bayesian scan statistic ini dapat digunakan jika terdapat data masa lalu. Kata kunci : bayesian scan statistic, bayesian cluster detection, prior probability, posterior probability. x + 54 hlm. ; gamb. ; lamp. ; tab. Bibliografi : 9 (1986-2006)"

"ABSTRACTDalam studi tentang kesehatan, salah satu hal yang cukup menarik untuk diteliti adalah rdquo;time-to-event rdquo;. Time-to-event umum digunakan dalam melakukan analisis survival, seperti analisis terhadap penyakit Parkinson. Penyakit Parkinson merupakan salah satu gangguan yang mempengaruhi penghasil dopamin pada daerah otak yang disebut sebagai substantia nigra. Gejala penyakit Parkinson diukur secara khusus melalui suatu tingkatan yang disebut tingkatan Hoehn dan Yahr. Tingkatan ini didistribusikan pada bilangan bulat antara 0 sampai dengan 5. Tingkat 0 merupakan tingkat yang tidaklah memiliki dampak besar dan tingkat 5 merupakan tingkat paling parah. Dalam penelitian ini, akan dikonstruksikan fungsi survival dari waktu pasien yang memiliki tingkatan Hoehn dan Yahr pada tingkat A hingga meningkat menuju tingkat B dengan A < B. Dengan A = 1, 2 dan B = 3, 4, 5 akan dihasikan enam buah grafik fungsi survival secara keseluruhan. Proses pengkonstruksian fungsi survival menggunakan algoritme Metropolis-Hastings dalam Metode Markov Chain Monte Carlo pada Inferensi Bayesian dan hasilnya dibandingkan dengan pendugaan Kaplan-Meier untuk fungsi survival. Hasil yang didapatkan melalui algoritme ini lebih merepresentasikan fungsi survival yang sebenarnya jika dibandingkan dengan penduga Kaplan-Meier, meskipun terdapat banyak sekali data tersensor dalam kumpulan data.

---

ABSTRACTIn medicine study, one of the thing that is interesting enough to be studied is rdquo time to event. In general, time to event is used in doing survival analysis, such as analysis of Parkinson disease. Parkinson disease is one of disease which affects dopamine producer in brain area that is called by substantia nigra. The symptom of Parkinson disease is measured specifically by stages that are called by Hoehn and Yahr stages. This stages are distributed on integers between 0 to 5. Stage 0 is stage that does not have big impact and stage 5 is the most severe level. In this study, the survival function will be constructed from the time that the patient has the Hoehn and Yahr stages at A until increase to stage B with A B. With A 1, 2 and B 3, 4, 5, overall it will be generated six graphs of survival function. The process of constructing survival function using the Metropolis Hastings algorithm in Markov Chain Monte Carlo Methods on Bayesian Inference, and the results are compared with Kaplan Meier estimator for survival function. The result that is obtained through this algorithm is more represents the actual survival function if it is compared with Kaplan Meier estimator, although there are so many censored data in the dataset."

"Reposisi obat merupakan proses penting yang digunakan untuk meningkatkan proses penemuan obat, prosesnya dilakukan dengan memanfaatkan banyaknya sumber data dan tipe data seperti data dari dokumen dan data gene expression. Metode yang digunakan untuk mengolah dokumen adalah Text Mining, metode ini mengekstraksi data menjadi sebuah informasi yang berguna. Data gene expression adalah data hasil hibridisasi terhadap sekuen nukleotida dan dari keseluruhan data gene expression tersebut dipilih satu kelompok kecil gen yang merupakan gen yang aktif berkembang jika seseorang mengidap penyakit kanker. Metode pengelompokan yang diusulkan adalah metode Gene Shaving yang dapat mengidentifikasi himpunan bagian dari data gene expression dengan pola ekspresi yang koheren dan varian tinggi. Salah satu permasalahan di dalam mengolah data dengan tipe data yang berbeda adalah pengintegrasian seluruh data. Pendekatan yang diusulkan pada penelitian ini untuk integrasi data adalah Bayesian Network. Tujuan dari integrasi data adalah untuk memprediksi ikatan antara obat dan penyakit. Hasil prediksi ikatan obat dan penyakit yang didapatkan dari model integrasi data teks dan gene expression adalah 81,69%. Hasil ini meningkat dibandingkan dengan hasil prediksi ikatan obat dan penyakit dengan hanya menggunakan satu tipe data saja, di mana nilai prediksi ikatan obat dan penyakit dengan menggunakan tipe data teks adalah 70,58% dan nilai prediksi ikatan obat dan penyakit menggunakan tipe data gene expression adalah 66%.

---

Drug repositioning is an important process that is used to enhance the drug discovery process, the process is carried out by using the number of data sources and types of data such as data from gene expression data and documents. Text Mining is one of method to process of text, this method of data extraction into a useful information. Gene expression is the data from the hybridization of the nucleotide sequence and gene expression of the whole data set is selected a small group of genes that are active genes evolve if someone with cancer. Clustering method that proposed is Gene Shaving, that can identify subsets of genes with expression patterns are coherent and high variants. One of the problems in process of data with different data types is integration all of data. The approach proposed in this study for data integration is Bayesian Netwotk. The purpose of data integration is to predict the bond between the drug and disease. The result of drug and disease prediction bond obtained from the integration model was 81,69 %. These results increased compared with the predicted results by using one type of data, PPV`s values prediction of association drug and disease by text data type was 70,58 % whereas PPV`s values prediction of association drug and disease by gene expression data type was 66%."

"ABSTRAKPenyakit Parkinson merupakan penyakit neurodegeneratif terbanyak kedua setelah dimensia Alzheimer. Penyakit ini merupakan penyakit yang disebabkan oleh menurunnya dopamin di dalam otak, yang menyebabkan otak bekerja secara tidak normal. Hingga saat ini belum diketahui penyebab pasti dari penyakit Parkinson. Beberapa pengukuran dinyatakan dengan total skor. Akan tetapi total skor hanya dapat mengetahui seberapa tinggi tingkat keparahan yang dialami penderita Parkinson tanpa mengetahui faktor dominan yang menyebabkannya. Maka diperlukan suatu metode alternatif yang dapat menjelaskan faktor yang menyebabkan penderita Parkinson kondisinya memburuk, salah satunya adalah dengan metode Bayesian network. Dengan metode ini dapat dilihat hubungan keterkaitan antar satu faktor dengan faktor lainnya yang menggambarkan kondisi dari penderita penyakit Parkinson. Pada tugas akhir ini digunakan dataset dari Parkinson rsquo;s Progression Markers Initiative PPMI . Data diambil dari periode baseline BL, kunjungan pertama bulan ke-0, kunjungan di bulan ke-12 VO4 , kunjungan di bulan ke-24 V06 , kunjungan di bulan ke-36 V08 , kunjungan di bulan ke-48 V10 , dan kunjungan di bulan ke-60 V12 . Dari ke-6 periode yang diamati didapatkan pengukuran sebanyak 293 penderita Parkinson. Data tersebut akan diukur menggunakan suatu alat pengukuran Movement Disorder Society-Unified Parkinson Disease Rating Scale MDS-UPDRS. MDS-UPDRS merupakan suatu alat ukur umum yang digunakan dalam menilai kondisi penderita Parkinson. MDS-UPDRS terdiri dari 4 bagian. Penelitian ini akan menggunakan MDS-UPDRS part 2 mengenai penilaian aspek motorik dari penderita Parkinson. Terdapat 13 variabel aspek motorik yang akan digunakan dalam analisis penentuan variabel aspek motorik apa yang paling memengaruhi tingkat keparahan penderita Parkinson. Hasil analisis data penderita Parkinson dalam penelitian ini menyatakan bahwa faktor tremor selalu memberikan efek yang signifikan terhadap kemampuan menulis handwritten penderita Parkinson, dengan nilai probabilitas terbesar di setiap periode pengamatan.

---

ABSTRACTParkinson 39 s disease is the second most neurodegenerative disease after Alzheimer 39 s dementia. This type of disease is caused by dopamine that decreset inside brain, which causes the brain to work abnormally. Until today the spesific cause of Parkinson 39 s disease is unknown. A few measurements are being declared by the total score. However, the total score only tell how high the severity experienced by Parkinson 39 s patients without knowing the dominant factors that cause it. So needed an alternative method that can explain the factors that cause it. Then it is necessary for an alternative method which can explain the factor causing the patient rsquo s condition gets worse, one of them with the Bayesian network method. With this method, relations between one factor and another can be seen by describing the condition of the patient. In this final project it rsquo s using the dataset from Parkinson 39 s Progression Markers Initiative PPMI . The data was taken on baseline period BL, first visit month 0, visit at month 12 VO4 , visit at month 24 V06 , visit at month 36 V08 , visit on month to month 48 V10 , and visits in the 60th month V12 . From the 6 periods observed was measured 293 Parkinson 39 s patients. The data will be measured using a Movement Disorder Society Unified Parkinson Disease Rating Scale MDS UPDRS measurement tool. MDS UPDRS is a common measure used in assessing the condition of people with Parkinson 39 s. MDS UPDRS consists of 4 parts. This study will use MDS UPDRS part 2 on the assessment of motor aspects of Parkinson 39 s patients. There are 13 motor aspect variables that will be used in determining analysis of motor aspect variable which most influence the severity of Parkinson 39 s. The results of data analysis of Parkinson 39 s patients in this study stated that the tremor factor always gives a significant effect on the writing ability handwritten of Parkinson 39 s patients, with the greatest probability value in each observation period. "

"The shipbuilding industry is characterized by high-risk business activities; therefore, caution should be taken in its operational processes. From upstream to downstream, the shipbuilding industry depends on other industries. In this study, a risk assessment was conducted on the construction of new vessels using the Bayesian network approach; accordingly, the risk assessment was carried out using a probabilistic value at risk (VaR). The study was carried out by PT PAL Indonesia in association with the construction of a new tanker ship (building production codes M271 and M272). An analysis was conducted on three main components of new vessel construction—design components, material and production components, and subcomponents of the previous two components. From the study, we could conclude that the probability of delay for new vessel construction caused by design delay is 0.05; the probability of delay caused by material delay is 0.65; and the probability of delay caused by production delay is 0.3. For delays caused by design factors, a yard plan is the sub-component that contributes predominantly to delays (i.e., probability of 0.3). For delays caused by material factors, the sub-component with the greatest impact is hull and machinery outfitting, with a probability of 0.3. For delays caused by production factors, the sub-component with the biggest impact is hull construction, with a probability of 0.39. Thus, we could conclude that a project delay would occur if the material component and the hull construction sub-components were not handled properly."