Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker merupakan penyebab kematian nomor dua di dunia dan diperkirakan mencapai 9,6 juta kematian pada tahun 2018 dengan kanker payudara menjadi kanker kedua yang sering terjadi setelah kanker paru-paru. Kanker payudara terjadi karena pertumbuhan sel abnormal tidak terkontrol yang dimulai pada saluran yang membawa susu ke puting susu atau kelenjar pembuat susu. Pengobatan kanker payudara bergantung pada subtipe tumor, stadium, penanda genetik, usia pasien, kesehatan pasien umum, status menopause dan mutasi pada gen kanker payudara yang diwariskan. Pada akhir perawatan pasien diberikan terapi tambahan yang bertujuan untuk memperkecil risiko kekambuhan. Meskipun terapi ini telah dilakukan, risiko kekambuhan tetap ada. Surrogate marker merupakan penanda yang digunakan untuk menggantikan titik akhir dari uji klinis yang biasa digunakan untuk mempercepat penanganan pasien. Tujuan dari penelitian ini adalah untuk mengetahui rasio pengukuran hematologi yang dapat digunakan sebagai surrogate marker dalam kekambuhan kanker payudara beserta cut-off yang tepat. Pohon keputusan digunakan untuk menentukan cut-off rasio pengukuran hematologi yang mempengaruhi kekambuhan kanker payudara dan kemudian random forest digunakan untuk mengetahui urutan variabel yang berperan penting dalam pengklasifikasian. Hasil dari kedua metode tersebut dikuantifikasi menggunakan regresi logistik. Berdasarkan analisis, ditemukan bahwa rasio platelet terhadap jumlah sel darah putih (cut-off point sebesar 47,560) dan rasio neutrofil terhadap limfosit (cut-off point sebesar 1,953) mempengaruhi kekambuhan kanker payudara.

---

Cancer is the second leading cause of death globally and is estimated to account for 9.6 million deaths in 2018, with breast cancer being the second cancer that often occurs after lung cancer. Breast cancer occurs due to uncontrolled abnormal cell growth, which starts in the duct that carries milk to the nipple or milk-making glands. Treatment of breast cancer depends on tumor subtype, stage, genetic markers, patient age, general patient health, menopausal status, and mutations in the inherited breast cancer gene. At the end of the treatment the patient is given adjuvant therapy aimed at minimizing the risk of recurrence. Although this therapy has been done, the risk of recurrence remains. Surrogate marker is a marker that is used to substitute the end point of a clinical trial that is usually used to hasten patients handling.

The purpose of this study is to find out the ratio of hematological measurements that can be used as a surrogate marker in breast cancer recurrence along with its cut-off point. Decision tree was used to find the cut-off point of the ratio of hematological measurements that affect breast cancer recurrence, and then random forest was used to find out the order of importance variables in classification. The results of the two methods were quantified using logistic regression. Based on the analysis, it was found that the platelet to white blood count ratio (cut-off point of 47.560) and the neutrophil to lymphocytes ratio (cut-off point of 1.953) affected breast cancer recurrence."

"ABSTRAKKanker adalah penyebab kematian nomor dua di dunia dan diperkirakan mencapai 9,6 juta kematian pada tahun 2018, dengan kanker payudara menjadi kanker kedua yang sering terjadi setelahnya kanker paru-paru. Kanker payudara terjadi karena pertumbuhan sel abnormal yang tidak terkendali, yang dimulai di saluran yang membawa susu ke puting susu atau kelenjar pembuat susu. Pengobatan kanker payudara tergantung pada subtipe tumor, stadium, penanda genetik, usia pasien, kesehatan pasien umum, status menopause, dan mutasi pada gen kanker payudara yang diwariskan. Di akhir pengobatan pasien diberikan terapi tambahan yang bertujuan meminimalkan risiko kekambuhan. Meskipun terapi ini telah dilakukan, risiko kekambuhan tetap ada. Penanda pengganti adalah penanda yang digunakan untuk menggantikan titik akhir dari uji klinis yang biasanya digunakan mempercepat penanganan pasien. Tujuan dari penelitian ini adalah untuk mengetahui rasio hematologi pengukuran yang dapat digunakan sebagai penanda pengganti dalam kekambuhan kanker payudara sepanjang dengan titik cut-off. Pohon keputusan digunakan untuk menemukan titik batas rasio hematologi pengukuran yang mempengaruhi kekambuhan kanker payudara, dan kemudian hutan acak itu digunakan untuk mengetahui urutan variabel penting dalam klasifikasi. Hasil keduanyametode dikuantifikasi menggunakan regresi logistik. Berdasarkan analisis, ditemukan bahwa rasio jumlah trombosit ke darah putih (titik potong 47.560) dan neutrofil terhadap rasio limfosit (titik potong 1,953) mempengaruhi kekambuhan kanker payudara.

---

ABSTRACTCancer is the number two cause of death in the world and is estimated to reach 9.6 million deaths in 2018, with breast cancer becoming the second most common cancer that follows lung cancer. Breast cancer occurs because of uncontrolled abnormal cell growth, which starts in the ducts that carry milk to the nipples or milk glands. Treatment of breast cancer depends on the tumor subtype, stage, genetic markers, patient age, general patient health, menopausal status, and mutations in inherited breast cancer genes. At the end of treatment the patient is given additional therapy aimed at minimizing the risk of recurrence. Despite this therapy, the risk of recurrence remains. A surrogate marker is a marker used to replace the endpoints of clinical trials that are usually used to speed up patient management. The aim of this study is to determine the hematological ratio measurements that can be used as surrogate markers in breast cancer recurrence along with the cut-off point. The decision tree is used to find the hematological ratio boundary point measurements that affect breast cancer recurrence, and then the random forest is used to determine the order of important variables in the classification. Both results the method is quantified using logistic regression. Based on the analysis, it was found that the ratio of platelet count to white blood (cut point 47,560) and neutrophils against lymphocyte ratio (cut point 1.953) influences breast cancer recurrence."

"

Kambuhnya kanker payudara bergantung pada stadium tumor awal, terapi yang dilakukan sebelumnya, dan tumor biologi. Pengukuran darah lengkap merupakan salah satu pemeriksaan laboratorium yang relatif murah, mudah dan efektif dalam mendiagnosis kanker. Analisis regresi kesulitan dalam membuat kesimpulan dari data yang mengandung sejumlah besar variabel penjelas yang saling berkorelasi. Profile regression mengadopsi sudut pandang yang lebih global, dimana kesimpulan didasarkan pada kelompok yang mewakili pola variabel penjelasnya. Pengelompokan dilakukan untuk menganalisis suatu data dengan melihat karakteristik tiap pengamatan pada data. Suatu data jika dibagi menjadi beberapa kelompok mengartikan data tersebut memiliki karakteristik pengamatan yang berbeda-beda. Analisis pada data yang heterogen bertujuan untuk mengidentifikasi subpopulasi yang homogen dan menentukan hubungan antar variabel dalam setiap subpopulasi. Finite Mixture Model (FMM) dengan pendekatan Bayesian digunakan untuk mengidentifikasi subpopulasi dari pasien kanker payudara berdasarkan pengukuran darah. Berdasarkan nilai Deviance Information Criterion (DIC) didapatkan bahwa subpopulasi yang terbentuk untuk data rasio pengukuran darah pasien kanker payudara adalah dua subpopulasi. Peluang pasien mengalami kekambuhan pada subpopulasi 1 sebesar 35% dan 72% pada subpopulasi 2. Sedangkan subpopulasi yang terbentuk untuk data inter-rasio pengukuran darah pasien kanker payudara yang terbentuk adalah dua subpopulasi. Peluang pasien mengalami kekambuhan pada subpopulasi 1 sebesar 9% dan 3% pada subpopulasi 2.

---

Recurrence of breast cancer depends on the initial tumor stage, previous therapies, and biological tumors. A complete blood test is one of the relatively inexpensive, easy and effective laboratory tests in diagnosing cancer. Simple regression analysis has difficulties in drawing conclusions from data that contain large numbers of explanatory variables that are correlated.  Profile regression adopts a more global perspective, where conclusions are based on groups representing covariate patterns. Clustering method aims to analyze data by looking at the characteristics of each observation in the data. If the data is divided into groups, that means that the data has different observational characteristics. Analysis of heterogeneous data purposes to identify homogeneous subpopulations and determine the relationships between variables in each subpopulation. Finite Mixture Model (FMM) with Bayesian approach is used to identify subpopulations of breast cancer patients based on blood measurements. Based on the value of the Deviance Information Criterion (DIC), it was found that the number of subpopulations formed for the data of the ratio of blood measurements for breast cancer patients are two subpopulations.  The probability of patients experiencing recurrence in subpopulation 1 was 35% and 72% in subpopulation 2. Whereas the number of subpopulations formed for the data of the inter-ratio data of breast cancer patients formed are also two subpopulations.  The probability of patients experiencing recurrence in subpopulation 1 is 9% and 3% in subpopulation 2.

"

"Kanker merupakan salah satu penyebab kematian utama di dunia, dengan 18,1 juta kasus dan 10 juta kematian pada 2020. Kanker serviks menempati urutan keempat secara global dan kedua di Indonesia. Tingginya angka kematian lebih banyak terjadi di negara berpenghasilan menengah ke bawah karena keterbatasan akses pada pencegahan. Deteksi dini kanker serviks sering sulit dilakukan hingga mencapai stadium lanjut. Salah satu metode deteksi dini adalah menggunakan machine learning. Penelitian ini mengaplikasikan algoritma stacking classifier yang menggabungkan decision tree, support vector machine, dan random forest sebagai first-level learner, serta logistic regression sebagai meta learner, untuk mengklasifikasi pasien kanker serviks. Dataset berasal dari 858 pasien di Hospital Universitario de Caracas, Venezuela. Data dibagi 70% untuk pelatihan dan 30% untuk pengujian, dengan lima percobaan acak. Model menghasilkan akurasi rata-rata 95,03%, precision 99,05%, sensitivity 95,49%, specificity 89,39%, dan G-mean 92,37%. Meskipun stacking ensemble menunjukkan performa yang baik, model tunggal menghasilkan kinerja yang sedikit lebih baik namun tidak signifikan.

---

Cancer is a leading cause of death worldwide, with 18.1 million cases and 10 million deaths in 2020. In Indonesia, there were 396,914 cases and 235,511 deaths. Cervical cancer is the fourth most common cancer globally and the second most common in Indonesia. Higher death rates occur in low- and middle-income countries due to limited access to preventive measures. Cervical cancer is often difficult to detect until it reaches an advanced stage. This research applies a machine learning approach, using a stacking classifier algorithm that combines decision tree, support vector machine, and random forest models as first-level learners, with logistic regression as the meta learner, to classify patients with and without cervical cancer. The dataset, from the UCI Repository, contains data from 858 patients at risk for cervical cancer at Hospital Universitario de Caracas in Venezuela. The data was split into 70% for training and 30% for testing, with five random trials. The model achieved an average accuracy of 95.03%, precision of 99.05%, sensitivity of 95.49%, specificity of 89.39%, and a G-mean of 92.37%. While the stacking ensemble model performed well, single-classifier models showed slightly better performance, though the difference was not significant."

"Internet telah menjadi salah satu teknologi yang tidak bisa dipisahkan lagi dari kehidupan masyarakat modern. Penggunaan internet telah masuk ke seluruh lapisan masyarakat. Karena sifatnya yang serbaguna, internet telah menjadi salah satu infrastruktur paling esensial di dunia. Banyaknya pengguna akan menimbulkan pihak yang tidak bertanggung jawab. Mereka merupakan individu yang menyalahgunakan internet sebagai media untuk melakukan serangan siber demi mengeksploitasi pihak lain. Penyerang akan menggunakan berbagai metode untuk melakukan eksploitasi. Salah satu metode yang paling sering digunakan oleh penyerang adalah dengan mengirimkan serangan siber. Oleh karena itu, kita harus melindungi sistem kita dari serangan siber. Langkah pertama dapat kita lakukan adalah mengidentifikasi serangantersebut berdasarkan karakteristiknya. Namun untuk membedakannya dari traffic normal, dibutuhkan data yang bisa kita dapatkan dari konsep honeypot yang memancing penyerang untuk melakukan serangan dan mengirimkan data serangan. Untuk melakukan identifikasi secara satu per satu merupakan hal yang sulit dilakukan secara manual.dapat. Namun, hal ini dapat dimudahkan dengan menggunakan artificial intelligence untuk identifikasi pada skala besar. Oleh karena itu, penelitian ini dilakukan untuk membahas penggunaan artificial intelligence yaitu algoritma random forest untuk identifikasi serangan siber yang dikumpulkan melalui honeypot. Hasil penelitian menunjukkan bahwa algoritma random forest dapat memberikan hasil prediksi tipe serangan terbaik dengan parameter jumlah pohon 100 dan tanpa batas kedalaman sebesar 99,48% pada data yang dikumpulkan dengan TPOT.

---

The Internet has become an inseparable technology from modern society. The use of the internet has reached all layers of society. Due to its versatile nature, the internet has become one of the most essential infrastructures in the world. The large number of users also gives rise to irresponsible individuals who misuse the internet as a medium for cyber attacks to exploit others. Attackers employ various methods to carry out their exploitations. One of the most used methods by attackers is launching cyber attacks. Therefore, we need to protect our systems from these cyber attacks. The first step we can take is to identify the attacks based on their characteristics. However, distinguishing them from normal traffic requires data that we can obtain from a honeypot, which lures attackers to launch attacks and collects attack data. Performing manual identification one by one is a difficult task. However, this can be facilitated by using artificial intelligence for large-scale identification. Hence, this research is conducted to discuss the use of artificial intelligence, specifically the random forest algorithm, for identifying cyber attacks collected through a honeypot. The research results show that the random forest algorithm can provide the best prediction results for attack types with a parameter of 100 trees and no depth limit, achieving an accuracy of 99.48% on the data collected using TPOT."

"Angka kejadian kanker payudara di Indonesia dan di dunia masih tinggi begitu pula dengan angka kekambuhan kanker payudara pada pasien yang telah menjalani pengobatan, saat ini diperlukan prediktor yang dapat dijadikan dasar untuk memperkirakan apakah kanker payudara dapat kambuh kembali setelah ditata laksana. Oleh karena itu penelitian dilakukan untuk mengetahui hubungan inter-rasio NLR/PWBR terhadap rekurensi kanker payudara apakah dapat dijadikan prediktor rekurensi kanker payudara. Penelitian dilakukan menggunakan metode cohort retrospektif minimal 3 bulan sampai 7 tahun dengan melihat rekam medis pasien kanker payudara yang telah mendapatkan terapi untuk mengambil data hasil pemeriksaan darah tepi. Selanjutnya data dianalisis menggunakan uji Chi-Square dengan program SPSS. Dari 106 sampel yang memenuhi kriteria seleksi, ditemukan 53 pasien dengan NLR/PWBR rendah dengan 23 kejadian rekurensi dan dari 53 pasien dengan NLR/PWBR tinggi dengan 13 kejadian rekurensi (RR=1,77, CI 95% 1,0070 – 3,1083, p=0,065). Dari pasien dengan hormonal positif, ditemukan 21 kejadian rekurensi pada kelompok NLR/PWBR rendah, dan 9 kejadian rekurensi pada kelompok NLR/PWBR tinggi (RR=2,05, CI 95%=1,088 – 3,857, p=0,035).

---

Incidence rates of breast cancer are still high in Indonesia and in the World. So as the rate of recurrence breast cancer in patients who have undergone treatment. Now needed predictor that can be used as a standard for estimating whether breast cancer can recur after treatment. This research was done to investigate the association between NLR/PWBR inter-ratio to breast cancer recurrence.This research was conducted using a retrospective cohort method by looking at the peripheral blood tests in medical records with minimal 3 months until maximal 7 years observation. The data were analyzed using the Chi Square test with the SPSS software. From 106 patients there were 53 patients with lower NLR/PWBR with 23 breast cancer reccurrence, and from 53 patient with higher NLR/PWBR with 13 breast cancer recurrence (RR=1,77, CI 95%=1,0070 – 3,1083, p=0,065). From patients with hormonal potive, there were 21 breast recurrence from lower NLR/PWBR, and 9 from higher NLR/PWBR (RR=2,05, CI 95%=1,088 – 3,857, p=0,035)."

"Latar Belakang: Sekitar 40% pasien kanker payudara pasca terapi mengalami rekurensi kanker payudara. Sementara itu, masih belum banyak penelitian mengenai faktor prognosis untuk memprediksi kemungkinan rekurensi pada kanker payudara.Tujuan: Mengetahui inter-rasio rasio limfosit-monosit (LMR) dan rasio limfosit-sel darah putih (LWR) sebagai prediktor rekurensi pada kanker payudara.Metode: Penelitian ini dilakukan secara cohort retrospektif dengan melihat rekam medis pasien dari RSCM dan RS MRCC Siloam Jakarta. Peneliti melihat riwayat pasien sejak selesai mendapat terapi dengan rekurensi yang diikuti minimal 3 bulan dan maksimal 7 tahun. Kemudian dilakukan analisis dengan menggunakan uji Chi-square dengan program SPSS for Mac.Hasil: Peneliti mengelompokkan pasien menjadi kelompok inter-rasio LMR/LWR rendah dan tinggi dengan cut-off berupa median senilai 19,67 103/L. Dari 106 sampel yang memenuhi kriteria, didapatkan 52 pasien kelompok rendah dan 54 pasien kelompok tinggi. Hasil yang didapatkan dari analisis kedua kelompok dengan status rekurensi adalah nilai p 0.001 dengan 26 pasien pada kelompok rendah dan 10 pasien pada kelompok tinggi mengalami rekurensi. RR yang didapat adalah 2,7 (95%CI: 3,45 – 5,029) pada inter-rasio LMR/LWR rendah.Kesimpulan: Terdapat hubungan antara inter-rasio LMR/LWR dengan kemungkinan rekurensi pada pasien kanker payudara pasca terapi dan dapat dijadikan salah satu prediktor, dengan kelompok inter-rasio LMR/LWR dibawah cut-off penelitian memiliki resiko lebih tinggi mengalami rekurensi kanker payudara.

---

Background: About 40% cancer patients after they finished their first therapy having a recurrence. However, there isn’t many researches on prognostic factors to predict the possibility of recurrence in breast cancer.

Objective: This research was done to know inter-ratio of lymphocyte-monocyte ratio (LMR) and lymphocyte-white blood cells ratio (LWR) as the predictor for recurrence in breast cancer.

Methods: This study was conducted with cohort retrospective by looking at patient’s medical records at RSCM and MRCC Siloam Hospital Jakarta. Researcher followed patients record after their first therapy finished, and recurrence from 3 months until 7 years later. An analysis was conducted using the Chi-Square test with the SPSS for Mac program.

Results: The patients were grouped into patients with low and high LMR/LWR inter-ratio with median (19,67 103/L) as the cut-off. From 106 samples that met the criteria, there were 52 patients in low group and 54 patients in high group. The results obtained from the analysis between low and high LMR/LWR and patient’s recurrence status is p-value 0.001 which means significant, with 26 patients in low group and 10 patients in high group had recurrence. RR for low LMR/LWR inter-ratio is 2,7 (95% CI : 3,45-5,029) in association with breast cancer’s recurrence.

Conclusion: There is an association between LMR/LWR inter-ratio and the possibility of recurrence in post-treatment breast cancer patients and can be used as predictor. Patients with LMR/LWR inter-ratio under the study cut-off are at higher risk of getting recurrence."

"ABSTRACTPenyakit Parkinson terbagi dalam dua subtipe, yaitu Tremor Dominant (TD) dan Postural Instability/Gait Dominant (PIGD). Tiap subtipe memiliki perbedaan dalam penanganan klinis, sehingga perlu dilakukan klasifikasi subtipe penyakit Parkinson. Dalam Statistika, ada beberapa model yang membahas klasifikasi diantaranya adalah decision tree, regresi logistik, dan logit leaf model (LLM). LLM merupakan model campuran dari decision tree dan regresi logistik yang diusulkan oleh De Caigny et al. (2018). Penulisan ini membahas klasifikasi subtipe penyakit Parkinson menggunakan model klasifikasi statistika beserta penanganan masalah imbalanced data yang terjadi pada data penyakit Parkinson. Diperoleh model klasifikasi regresi logistik dengan melakukan proses SMOTE ± = 600, = 200 untuk menangani masalah imbalanced data. Model tersebut memberikan akurasi sebesar 98,83%, sensitivitas sebesar 98,41%, dan spesifisitas sebesar 99,07%.

---

ABSTRACTParkinsons Disease has two sub-types which are Tremor Dominant (TD) and Postural Instability/Gait Difficulty (PIGD). Each subtype has the difference in clinical treatment, so it is necessary to classify Parkinsons Disease subtypes. In Statistics, there are statistical models for classifying such as decision tree, logistic regression, and logit leaf model (LLM). LLM is a hybrid model from decision tree and logistic regression that proposed by (De Caigny et al., 2018). In this thesis discuss Parkinsons Disease Classification using statistical models with imbalanced data problem handling happen in Parkinson`s Disease data. For the result, logistic regression by processing SMOTE ± = 600, = 200 to handle data imbalanced problem. The model provides an accuracy of 98,83%, sensitivity of 98.41%, and specificity of 99.07%."

"Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094).

---

Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094)."

"COVID-19 adalah penyakit yang disebabkan oleh virus SARS-CoV-2 dan menyerang sistem pernapasan manusia. Selain menganggu kesehatan fisik, pandemi COVID-19 juga memberikan dampak psikologis, salah satunya adalah tingkat stres yang meningkat pada masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berasosiasi dengan tingkat stres pada pandemi COVID-19. Dalam mencapai tujuan tersebut, penelitian ini menggunakan metode classification tree dan regresi logistik multinomial. Sebelum melakukan proses identifikasi faktor menggunakan classification tree, dilakukan penanganan masalah imbalance data menggunakan metode SMOTE. Selanjutnya, dilakukan kuantifikasi risiko faktor-faktor yang teridentifikasi pada classification tree menggunakan analisis regresi logistik multinomial. Kinerja model diukur menggunakan nilai precision, recall, F1-Score, dan AUC. Hasil yang diperoleh adalah model classification tree dengan penanganan imbalance data menggunakan SMOTE dapat meningkatkan kinerja model dengan nilai precision 0,5980, nilai recall 0,8653, nilai F1-Score 0,7072, dan AUC 0,702. Dengan model tersebut, didapatkan faktor-faktor yang teridentifikasi berasosiasi dengan tingkat stres pada pandemi COVID-19 adalah Total_OECDInsititutions, Total_CoronaConcerns, dan Age. Peningkatan nilai Corona Concerns cenderung memberikan risiko peningkatan tingkat stres, sedangkan peningkatan nilai OECDInsititutions dan Age cenderung memberikan risiko penurunan tingkat stres.

---

COVID-19 is a disease caused by the SARS-CoV-2 virus that attacks the human respiratory system. In addition to disrupting physical health, the COVID-19 pandemic also has psychological impacts, one of which is an increased level of stress. This study aims to identify factors associated with the level of stress during the COVID-19 pandemic. The study employs the classification tree method and multinomial logistic regression. Prior to the factor identification process using the classification tree, the issue of imbalanced data is addressed using the SMOTE method. Subsequently, the quantification of risk factors identified in the classification tree is conducted using multinomial logistic regression analysis. The model's performance is measured using precision, recall, F1-score, and AUC values. The results obtained indicate that the classification tree model with the handling of imbalanced data using SMOTE can improve model performance, with a precision value of 0,5980, recall value of 0,8653, F1-score value of 0,7072, and AUC value of 0,702. With this model, the identified factors associated with the level of stress during the COVID-19 pandemic are Total_OECDInstitutions, Total_CoronaConcerns, and Age. An increase in Corona Concerns tends to pose a risk of increased stress levels, while an increase in OECD Institutions and Age tends to pose a risk of decreased stress levels."