Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kolesterol merupakan zat lilin mengandung lemak yang dibutuhkan untuk memproduksi hormon dan substansi lainnya dalam tubuh. Apabila jumlahnya berlebih, maka akan tercampur dengan subtansi lain dan membentuk plak pada dinding pembuluh darah. Kolesterol yang tertimbun pada pembuluh darah biasanya disebut kolesterol jahat atau Low Density Liporpotein (LDL) yang merupakan penyebab timbulnya risiko penyakit jantug koroner dan stroke. Untuk mengukur kadar LDL biasanya dilakukan dengan pengambilan sampel darah (invasif) dengan metode lipid profile test. Selain itu metode secara non-invasif berbasis iridologi saat ini juga dikembangkan. Penelitian ini dilakukan untuk membentuk suatu sistem deteksi kadar LDL secara non-invasif berbasis iridologi yaitu dengan citra mata serta menggunakan deep learning sebagai model klasifikasi. Salah satu indikator berlebihnya kadar LDL dalam tubuh ialah adanya cincin yang berwarna putih keabuan yang mengelilingi bagian iris atau biasa disebut corneal arcus. Sistem yang dirancang terdiri dari instrumen akuisisi citra, algoritma pemrosesan citra dan model klasifikasi deep learning. Pemrosesan yang dilakukan ialah menggunakan algoritma Circular Hough Transform (CHT) untuk proses lokalisasi dan Rubber-Sheet Normalization untuk menormalisasi bagian iris. Untuk mendapatkan bagian corneal arcus maka dilakukan segmentasi pada citra iris mata kanan dan kiri. Model CNN digunakan sebagai model klasifikasi kelas LDL tinggi dan normal sehingga menghasilkan akurasi sebesar 97%. Sehingga sistem dapat dikatakan bekerja dengan baik dalam prediksi status kadar LDL dalam tubuh.

---

Cholesterol is a waxy substance contains fat that required to produce hormones and other substances in the body. If the amount of cholesterol is excessive, it can be mixed with other substances and formed plaque on blood vessels. Cholesterol that builds up in blood vessels is usually called bad cholesterol or Low Density Liporpotein (LDL) which is the cause of the risk of coronary heart disease and stroke. Measuring LDL levels is usually done by taking blood samples (invasive) with the lipid profile test method. Other than that, a non-invasive method based on iridology was also developed. This research was focus to develop a non-invasive detection system for LDL levels status prediction based on eye image (iridology) using Convolutional Neural Network (CNN) as a classification model. One indicator of excess LDL levels in the body is the presence of a grayish white ring that surrounds the iris which is called corneal arcus. The system designed consists of image acquisition instruments, image processing algorithms and deep learning classification models which is CNN. The image processing is done using Circular Hough Transform (CHT) algorithm for the localization process and Rubber-Sheet Normalization for normalize the iris region. Segmentation is conducted to get the corneal arcus located at the outer of the iris region. This LDL levels status prediction system that used CNN as a classification model  with 5-fold cross validation results an accuracy of 97%. Those result show that the system worked in LDL levels prediction."

"Diabetes mellitus merupakan salah satu penyakit tidak menular dengan angka kematian tertinggi di dunia. Hal ini terjadi karena tingginya resiko komplikasi yang disebabkan pernyakit tersebut. Salah satu cara pencegahan yang dapat dilakukan adalah dengan melakukan pendeteksian lebih awal, salah satunya dengan menggunakan metode iridologi. Metode ini dapat mendeteksi kerusakan organ tubuh melalui tanda-tanda yang muncul pada iris. Dengan menggunakan metode tersebut penelitian ini dilakukan untuk mengklasifikasi penyakit diabetes menggunakan Convolutional Neural Network. Sistem ini mengevaluasi sebanyak 35 subjek normal dan 14 subjek diabetes. Adapun beberapa tahapan yang dilakukan untuk mengelola citra, di antaranya filtering, grayscaling, normalisasi, segmentasi, dan klasifikasi. Selain itu, sistem ini juga melakukan berbagai variasi untuk memperoleh konfigurasi terbaik, seperti variasi citra segmentasi dan tanpa segmentasi, variasi lebar iris, variasi bagian-bagian pankreas, variasi jumlah k-fold, dan variasi algoritma pengoptimalan menggunakan SGDM, Adam dan RMSProp. Sistem ini memperoleh akurasi sebesar 96,43% dengan variasi citra tanpa segmentasi berukuran  piksel menggunakan algoritma Adam dengan learning rate 0,001.

---

Diabetes mellitus is one of the uncontagious diseases with the highest mortality rate in the world. This happens because of the high risk of complications caused by this disease. One of the preventative ways is to do early detection, one of which is by using the iridology method. This method detects damage to the body's organs through the signs that appear on the iris. Using that method, this study was conducted to classify diabetes using Convolutional Neural Network. This system evaluates 35 normal subjects and 14 diabetes subjects. Several steps are taken to process the image, such as filtering, grayscaling, normalization, segmentation, and classification. Other than that, this system also performs various variations to obtain the best configuration, such as variations in image segmentation and without segmentation, variations in iris width, variations in parts of the pancreas, variations in the number of k-fold, and variations in optimization algorithms using SGDM, Adam and RMSProp. This system obtained an accuracy of 96.43% with variations image without segmentation size pixel using Adam's algorithm with a learning rate of 0.001."

"Stroke ialah salah satu penyebab kematian dan kecacatan neurologis utama di Indonesia. Stroke merupakan penyakit serebrovaskular yang setiap tahun meningkat jumlahnya. Penelitian ini bertujuan untuk mengetahui pengaruh rasio Low Density Lipoprotein LDL terhadap High Density Lipoprotein HDL dengan kejadian stroke pada penduduk usia dewasa. Penelitian ini menggunakan data dari studi kohort PTM penyakit tidak menular tahun 2011. Sampel dalam penelitian ini ialah penduduk usia dewasa yang menjadi responden penelitian studi kohort faktor risiko PTM di kota Bogor tahun 2011 yang berjumlah 1506 dan dianalisis menggunakan uji regresi logistik dengan signifikansi statistik di lihat berdasarkan interval kepercayaan 95. Prevalensi sampel pada penduduk usia dewasa di kota Bogor yang menderita stroke sebesar 1,26, responden dengan rasio LDL terhadap HDL yang tinggi sebesar 35,66. Responden dengan usia 46 tahun sebesar 34,26 dengan prevalensi jenis kelamin terbanyak pada perempuan sebesar 53,45 dan yang berpendidikan rendah sebesar 54,58, responden yang obesitas sebesar 27,42, responden dengan kadar kolesterol total tinggi sebesar 38,45 serta responden dengan kadar trigliserida tinggi sebesar 17,07. Hasil penelitian menunjukkan terdapat hubungan yang signifikan antara rasio LDL terhadap HDL dengan kejadian stroke dengan adjusted prevalens odds rasio 3,909 95 CI 1,346-11,354. Rasio LDL terhadap HDL yang tinggi berisiko terhadap kejadian stroke pada penduduk usia dewasa.

---

Stroke is one of the main causes of death and neurological disability in Indonesia. Stroke is a cerebrovascular disease which increases in number every year. This study aims to determine the effect of the ratio of Low Density Lipoprotein LDL to High Density Lipoprotein HDL with the incidence of stroke in the adult population. This study used data from the PTM (non-communicable disease) cohort study risk factor in 2011. The sample in this study was adult population 25-65 years who were respondents to the PTM cohort study in Bogor in 2011 which numbered 1506 and analyzed using regression tests logistics with statistical significance are seen based on 95 confidence intervals. Sample prevalence in adult population in the city of Bogor who suffered a stroke of 1.26, respondents with a high ratio of LDL to HDL were 35.66. Respondents with a age of sebesar46 years were 34.26 with the highest prevalence of sex in women amounting to 53.45 and those with low education were 54.58, respondents who were obese were 27.42, respondents with high total cholesterol levels were 38, 45 and respondents with high triglyceride levels of 17.07. The results showed that there was a significant relationship between the ratio of LDL to HDL and the incidence of stroke with an adjusted prevalence odds ratio of 3.909 95 CI 1.346-11.354. The high ratio of LDL to HDL is at risk for the incidence of stroke in the adult population."

"Analisis kualitas data stasiun pengamatan gempabumi menjadi sangat penting sebagai kontrol kualitas atau pengendali mutu. Saat ini penentuan kualitas stasiun pengamatan gempabumi dilakukan secara manual dengan menganalisis parameter bentuk spektrum noise atau bentuk spektrum power spectral density (PSD) terhadap bentuk noise model pada suatu stasiun dengan rentang waktu 30 hari oleh seorang pakar. Pada penelitian ini diusulkan pendekatan metode baru berbasis deep learning untuk mengenali kualitas stasiun pengamatan gempabumi, yang didasarkan dari kemampuan pakar dalam menganalisis kualitas data stasiun pengamatan gempabumi. Data yang digunakan ialah waveform rekaman seismometer 3 komponen (North-South, East-West, Z-vertical) pada jaringan stasiun pengamatan gempabumi Indonesia Tsunami Early Warning System (InaTEWS). Model arsitektur dalam rancang bangun sistem pakar ini menggunakan Multiple Input Convolutional Neural Network (MICNN), dalam model MICNN ini terdapat 3 blok Convolutional Neural Network, yang berfungsi sebagai ekstraksi fitur tiap komponen waveform rekaman seismometer, hasil ekstraksi fitur tiap blok CNN kemudian digabungkan untuk dilakukan proses klasifikasi pada model arsitektur MICNN. Terdapat 3 kelas klasifikasi yang digunakan pada penelitian ini, yaitu Classified, Usable dan Unusable. Pengujian terhadap model MICNN ini menggunakan rekaman waveform seismometer dari 411 stasiun InaTEWS dengan panjang rekaman 30 hari selama 12 bulan, dan hasil pengujian model MICNN pada penelitian ini memiliki akurasi sebesar 99,4%

---

Analysis of the quality of the earthquake observation station data becomes very important as quality control. Currently, the determination of the quality of earthquake observation stations is done manually by analyzing the parameters of the shape of the noise spectrum or the form of the power spectral density (PSD) spectrum against the shape of the noise model at a station with a period of 30 days by an expert. This study proposes a new method approach based on deep learning to identify the quality of earthquake observation stations, which is based on the ability of experts to analyze the quality of earthquake observation station data. The data is a 3-component seismometer recording waveform (North-South, East-West, Z-vertical) on the Indonesian Tsunami Early Warning System (InaTEWS) earthquake observation station network. The architectural model in the design of this expert system uses Multiple Input Convolutional Neural Network (MICNN). In this MICNN model, 3 Convolutional Neural Network blocks function as feature extraction for each component of the seismometer recording waveform. Classification process on the MICNN architectural model. There are three classification classes used in this study, namely Classified, Usable and Unusable. The test of the MICNN model uses waveform seismometer recordings from 411 InaTEWS stations with a recording length of 30 days for 12 months, and the results of testing the MICNN model in this study have an accuracy of 99,4%."

"Lemak, laktosa, dan protein merupakan tiga komponen penting yang dimiliki pada susu sebagai komponen kualitas susu. Kadar lemak, laktosa, dan protein susu dapat diukur menggunakan instrumen pengukur spektrofotometer, laktoscan, dan metode konvensional lainnya. Namun dari instrumen-instrumen pengukuran tersebut masih cukup mahal, memerlukan waktu yang lama untuk mempersiapkan sampel dengan prinsip kemometrik, sehingga dapat merusak sampel. Dalam penelitian ini dirancang sistem pengukuran kadar lemak, laktosa, dan protein pada susu yang lebih murah, efisien, dan tidak merusak sampel menggunakan kamera hiperspektral sebagai instrumen pengukuran dan berbasis convolutional neural network sebagai algoritma pengukuran. Kamera hiperspektral yang digunakan pada rentang panjang gelombang 400 -1000 nm (VIS-NIR) digunakan untuk mengakuisisi karakteristik spasial dan spektral pada susu ultra high temperature (UHT), sapi, kambing. Algoritma regresi convolutional neural network digunakan untuk melakukan prediksi nilai kadar lemak, laktosa, dan protein pada susu. Pada model regresi Modified CNN-GoogLeNet menghasilkan RMSE sebesar 0,66 dan R2 sebesar 0,95 pada data uji untuk pengukuran kadar lemak. Lalu RMSE sebesar 0,45 dan R2 sebesar 0,88 pada data uji untuk pengukuran kadar laktosa. Kemudian RMSE sebesar 0,36 dan R2 sebesar 0,76 pada data uji untuk pengukuran kadar protein. Hal ini menunjukan sistem pengukuran kadar lemak, laktosa, dan protein menggunakan kamera hiperspektral berbasis algoritma Modified CNN-GoogLenet dapat digunakan untuk prediksi kadar lemak, laktosa, dan protein.

---

Fat, lactose, and protein are three important components in milk as a component of milk quality. The fat, lactose, and protein content of milk can be measured using a spectrophotometer, lactoscan, and other conventional methods. However, these measurement instruments are quite expensive, require a long time to prepare samples with chemometric principles, so it can damage the sample. In this research, a system for measuring fat, lactose, and protein content in milk is designed that is cheaper, and does not damage the sample (non-destructive) using hyperspectral camera as a measurement instrument and based on a convolutional neural network as a measurement algorithm. Hyperspectral camera used in the wavelength range of 400 -1000 nm (VIS-NIR) was used to acquire the spatial and spectral characteristics of ultra high temperature (UHT), cows, goats milk. Convolutional neural network regression algorithm was used to predict the content of fat, lactose, and protein in milk. The CNN-GoogLeNet Modified regression model give RMSE value is 0.66 and R2 value is 0.95 in the test data to measure fat content. Then RMSE value is 0.45 and R2 value is 0.88 on the test data to measure lactose content. Then RMSE value is 0.36 and R2 value is 0.76 on the test data to measure protein content. This shows that the measurement system for fat, lactose, and protein content using a hyperspectral camera based on the Modified CNN-GoogLenet algorithm can be used to predict fat, lactose, and protein levels."

"ABSTRAK

Skripsi ini membahas mengenai hubungan merokok dengan hiperkolesterolemia LDL (Low Density Lipoprotein) pada kelompok pekerja di wilayah Jalan Raya Bogor tahun 2012 ? 2014. Rumusan masalah pada penelitian ini adalah pasien yang menderita hiperkolesterolemia mengalami kenaikan berdasarkan data administrasi laboratorium / rekap Caya Laboratorium dan Klinik Kota depok pada tahun 2012 ? 2014. Tujuan dari penelitian ini untuk mengetahui hubungan merokok dengan hiperkolesterolemia LDL pada kelompok pekerja di wilayah Jalan Raya Bogor. Penelitian ini merupakan survey analitik dengan pendekatan Cross Sectional. Penelitian ini menunjukkan adanya hubungan yang signifikan antara merokok dengan hiperkolesterolemia LDL dengan nilai P value 0.00. Kelompok pekerja dengan kriteria perokok ringan mempunyai peluang menderita hiperkolesterolemia LDL 2.91 kali lebih besar dibandingkan dengan pekerja yang tidak merokok dan perokok sedang berat mempunyai peluang menderita hiperkolesterolemia 5.07 kali lebih besar dari pada pekerja yang tidak merokok.

---

ABSTRACT

This research explained about the relationship of smoking with hypercholesterolemia LDL (Low Density Lipoprotein) in the group of workers in the area of Jalan Raya Bogor in 2012 - 2014. The problems in this research are patients suffering from hypercholesterolemia increased based on administrative data at Caya and Clinical Laboratory Depok in 2012 - 2014. The purpose of this research was to determine the relationship of smoking with LDL hypercholesterolemia in the group of workers in the area of Jalan Raya Bogor. This research is an analytic survey with cross sectional approach. This research showed a significant association between smoking and LDL hypercholesterolemia with P value 0.00. Worker groups with the criteria of light smokers had 2.91 times the chance of suffering from LDL hypercholesterolemia larger than the workers who did not smoke and were heavy smokers have a chance of suffering from LDL hypercholesterolemia 5.07 times greater than on workers who do not smoke

"

"Penelitian telah dilakukan untuk mengetahui pengaruh pemberian madu PS (Pollen Substitute) terhadap konsentrasi High-Density Lipoprotein (HDL) dan Low-Density Lipoprotein (LDL) dalam plasma darah tikus yang diberi diet tinggi lemak. Dua puluh empat ekor tikus dibagi dalam 4 kelompok, terdiri atas kelompok kontrol normal yang diberi pakan standar (KK1), kelompok kontrol perlakuan yang diberi diet tinggi lemak (KK2), dan kelompok perlakuan yang diberi diet tinggi lemak serta larutan madu PS dengan dua konsentrasi larutan berturut-turut yaitu 10% dan 20% (KP1 dan KP2). Bahan uji diberikan setiap hari selama 14 hari berturut-turut. Pengambilan darah dilakukan pada hari ke-0 (T0) dan ke-14 (T14), kemudian dilakukan analisis konsentrasi HDL-LDL berdasarkan metode Cholesterol Oxidase-Phenol Amino Phenazone (CHOD-PAP). Hasil uji Kruskal-Wallis (P > 0,05) untuk konsentrasi HDL menunjukkan bahwa tidak ada perbedaan nyata antar rerata kelompok perlakuan. Sedangkan, hasil uji Anava (P< 0,05) untuk konsentrasi LDL menunjukkan terdapat perbedaan yang nyata. Hasil penelitian menunjukkan efek pemberian madu PS terhadap penurunakonsentrasi LDL dan peningkatan konsentrasi HDL plasma.

---

The present study was conducted to investigate the effects of PS Honey intake on plasma High Density Lipoprotein (HDL) and Low-Density Lipoprotein (LDL) concentrations in male Sprague-Dawley rats fed with hyperlipidemic diets. Twenty-four male rats were divided into 4 groups, consisting of normal control group (KK1) fed with standard diets, treatment control group fed with high fat diets (KK2), and treatment group fed with high fat diets and PS honey solution in different concentration, 10% and 20% (KP1 and KP2) respectively. Treatment was given orally and administered daily for 14 consecutive days. HDL and LDL levels were measured at day 0 (T0) and day 14 (T14) using Cholesterol Oxidase- Phenol Amino Phenazone (CHOD-PAP) method.

Kruskal-Wallis test results (P >0,05) showed no significant effect of treatment on HDL concentration. Anova test results (P < 0,05) showed a significant effect of treatment on LDL. The results demonstrated the potential beneficiary effect of dietary PS Honey in lowering LDL and increasing HDL plasma consentrations."

"Latar Belakang: Mayoritas penelitian menemukan hubungan periodontitis dengan penyakit jantung koroner (PJK), namun hubungan status periodontal penderita PJK dengan kadar LDL (Low Density Lipoprotein) sebagai faktor risiko aterosklerosis penyebab PJK belum diteliti. Tujuan: Menganalisis hubungan antara kadar LDL dengan status periodontal PJK. Metode: 60 penderita PJK dan 40 kontrol diperiksa status periodontal (PBI, PPD, CAL) dan darah perifer untuk dinilai kadar LDL. Hasil: Ditemukan perbedaan kadar LDL (p=0,005) antara PJK dengan non PJK, korelasi kadar LDL dengan PPD (p=0,003) dan CAL (p=0,013) pada penderita PJK, dan PPD (p=0,001), CAL (p=0,008) pada non PJK, namun tidak ada korelasi kadar LDL dengan PBI (p=0,689) pada penderita PJK, PBI (p=0,302) pada non PJK. Kesimpulan: Terdapat korelasi antara kadar LDL dengan status periodontal.

---

Background: Studies found an association between periodontitis and coronary heart disease (CHD), but relationship between periodontal status CHD patients with LDL (Low Density Lipoprotein) levels, as risk factors for atherosclerosis, has not been studied.

Objective: To analyze relationship between LDL and periodontal status CHD.

Methods: Periodontal status of 60 CHD, 40 controls wasd examined (PBI, PPD, CAL) and their blood was taken to assess levels LDL.

Result: Found significant differences LDL (p=0.005), correlation LDL with PPD (p=0.003) and CAL (p=0.013) CHD, and PPD (p=0.001), CAL (p=0.008) non-CHD, but no significant correlation LDL with PBI (p=0.689) CAD and PBI (p=0.320) non-CAD.

Conclusion: There is a correlation between the LDL level with periodontal status."

"

Adulterasi beras adalah tindakan pencampuran beras kualitas tinggi dengan kualitas rendah dengan tujuan keuntungan ekonomi. Pada penelitian ini membuat sistem identifikasi adulterasi beras yang memiliki penyusun utama adalah Pandan Wangi dengan beras pencampurnya antara lain adalah IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, dan Beras Kualitas Rendah. Pada pembuatan sistem identifikasi menggunakan citra hiperspektral dengan model klasifikasi support vector machine dan convolutional neural network. Model klasifikasi support vector machine dikombinasikan dengan principal component analysis sedangkan pada model klasifikasi convolutional neural network terdiri atas dua arsitektur yaitu autoencoder dan proposed convolutional neural network. Model yang digunakan adalah proposed convolutional neural network yang memiliki hasil paling tinggi diantara yang lainnya dengan hasil akurasi klasifikasi pada beras adulterasi Pandan Wangi dan IR64 Premium sebesar 90%, beras adulterasi Pandan Wangi dan IR64 Medium 1 sebesar 93%, beras adulterasi Pandan Wangi dan IR64 Medium 2 sebesar 97%, beras adulterasi Pandan Wangi dan IR64 Medium 3 sebesar 97%, dan beras adulterasi Pandan Wangi dan Beras Kualitas Rendah sebesar 100%. Dari hasil akurasi klasifikasi tersebut dapat disimpulkan bahwa sistem identifikasi beras adulterasi Pandan Wangi bekerja dengan optimal.

---

Rice adulteration is an act to mix high quality of rice with low quality rice for beneficial economic purposes. In this study, the rice adulteration testing system which has the main constituent is Pandan Wangi with its mixing rice, among others, IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, and Low Quality Rice. In making the assessment system using hyperspectral images with classification models support vector machines and convolutional neural networks. The classification model supports vector machines combined with principal component analysis whereas the convolutional neural network classification model consists of two architectures, namely autoencoder and a proposed convolutional neural network. The model used is the proposed convolutional neural network which has the highest results related to the assessment results on Pandan Wangi and IR64 Premium adulteration at 90%, Pandan Wangi and IR64 Medium 1 adulteration at 93%, Pandan Wangi and IR64 Medium 2 at 97%, Pandan Wangi and IR64 Medium 3 at 97%,  Pandan Wangi and Rice Quality low-rice adulteration by 100%. From the results of verification of this classification it can be concluded that the Pandan Wangi adulteration rice system worked optimally.

"

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."