Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Coronavirus disease 2019 atau COVID-19 merupakan suatu penyakit menular yang disebabkan oleh virus bernama SARS-CoV-2 dan menginfeksi sistem pernapasan manusia. Untuk mengendalikan penyebaran COVID-19 selama masa pandemi, pemerintah di berbagai negara telah menerapkan berbagai jenis modifikasi dalam kehidupan sehari-hari, contohnya dengan menerapkan sistem lockdown. Tetapi, adanya modifikasi gaya hidup tersebut dapat meninggalkan beberapa dampak, salah satunya adalah konsekuensi sosial psikologis yang meliputi masalah stres psikologis. Stres psikologis yang dirasakan oleh seseorang dapat dijelaskan oleh beberapa faktor. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang dapat menjelaskan tingkat stres seseorang selama masa awal pandemi COVID-19 tahun 2020, baik secara global maupun untuk beberapa negara secara terpisah serta menganalisis karakteristik individu di beberapa negara selama masa awal pandemi COVID-19 tahun 2020. Penelitian ini akan menggunakan data sekunder berupa data survei global yang diselenggarakan oleh COVIDiSTRESS. Adapun metode yang digunakan untuk menganalisis karakteristik individu di beberapa negara selama masa awal pandemi COVID-19 tahun 2020 adalah exploratory data analysis (EDA) dan metode untuk mengidentifikasi faktor-faktor yang dapat menjelaskan tingkat stres seseorang selama masa awal pandemi COVID-19 tahun 2020, baik secara global maupun untuk beberapa negara secara terpisah adalah analisis regresi berganda. Hasil dari penelitian ini menunjukkan bahwa terdapat adanya kecenderungan perbedaan karakteristik individu di beberapa negara selama masa awal pandemi COVID-19 tahun 2020 jika dilihat berdasarkan informasi demografi serta pengukuran psikologis berupa variabel-variabel pertanyaan di dalam survei. Selain itu, secara global didapatkan beberapa faktor penting yang dapat menjelaskan tingkat stres seseorang selama masa awal pandemi COVID-19 tahun 2020, contohnya seperti tingkat kesepian, usia, dan tipe kepribadian neuroticism. Kemudian untuk beberapa negara yang diamati, mayoritas faktor penting yang dapat menjelaskan tingkat stres seseorang selama masa awal pandemi COVID-19 tahun 2020 contohnya meliputi tingkat kesepian, seberapa bervariasi sumber pemicu stres, dan usia.

---

Coronavirus disease 2019 or COVID-19 is an infectious disease caused by a virus called

SARS-CoV-2 and infects the human respiratory system. To control the spread of COVID-

19 during the pandemic, governments in various countries have implemented various

types of modifications in daily life, for example by implementing a lockdown system.

However, these lifestyle modifications can leave several impacts, one of which is socio-

psychological consequences which include psychological stress problems. The

psychological stress felt by a person can be explained by several factors. This study aims

to identify factors that can explain a person's stress level during the early days of the

COVID-19 pandemic in 2020, both globally and for several countries separately and

analyze the characteristics of individuals in several countries during the early days of the

COVID-19 pandemic in 2020. This research will use secondary data in the form of global

survey data organized by COVIDiSTRESS. The method used to analyze the

characteristics of individuals in several countries during the early days of the COVID-19

pandemic in 2020 is exploratory data analysis (EDA) and the method to identify factors

that can explain a person's stress level during the early days of the COVID-19 pandemic

in 2020, both globally and for several countries separately is multiple regression analysis.

The results of this study show that there is a tendency for differences in individual

characteristics in several countries during the early days of the COVID-19 pandemic in

2020 when viewed based on demographic information and psychological measurements

in the form of question variables in the survey. In addition, globally, there are several

important factors that can explain a person's stress level during the initial period of the

COVID-19 pandemic in 2020, such as the level of loneliness, age, and neuroticism

personality type. Then for some countries observed, the majority of important factors that

can explain a person's stress level during the early days of the COVID-19 pandemic in

2020 include the level of loneliness, how varied the sources of stress triggers are, and age"

"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%."

"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."

"Dalam upaya meminimalisir penyebaran virus COVID-19, pemerintah di berbagai negara memberlakukan berbagai kebijakan untuk membatasi mobilitas masyarakat yang berdampak pada berbagai aspek, salah satunya aspek psikologis. Banyak orang yang merasa kesepian, gelisah, dan tertekan karena situasi sulit dan tidak pasti akibat pandemi COVID-19 sehingga mengakibatkan terganggunya kesejahteraan mental dan meningkatnya tingkat stres masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang dapat menjelaskan tingkat stres masyarakat selama pandemi COVID- 19. Data yang digunakan pada penelitian ini merupakan data survei terkait dampak psikologis dan sosial yang ditimbulkan akibat kondisi pandemi COVID-19 pada masyarakat dari berbagai negara di dunia yang diperoleh dari survei global COVIDiSTRESS. Survei ini diselenggarakan mulai dari 30 Maret hingga 30 Mei 2020 dengan total responden sebanyak 173.426 responden dari 179 negara yang berbeda. Data yang digunakan memiliki permasalahan missing value yang ditangani secara khusus dengan menggunakan metode imputasi Predictive Mean Matching (PMM). Setelah seluruh missing value pada data berhasil ditangani, dilakukan analisis faktor- faktor yang menjelaskan tingkat stres selama pandemi COVID-19 menggunakan metode Partial Least Square (PLS). Dari penelitian ini, diperoleh bahwa metode imputasi PMM memiliki performa yang baik dalam menangani permasalahan missing value pada data survei global COVIDiSTRESS yang selanjutnya dianalisis dengan model PLS. Selain itu, berdasarkan hasil nilai signifikansi path coefficient dari model diperoleh bahwa seluruh variabel prediktor yang terlibat dalam penelitian ini merupakan faktor yang signifikan dalam menjelaskan tingkat stres masyarakat dari berbagai negara di dunia selama menghadapi pandemi COVID-19. Melalui nilai path coefficient dari model, arah hubungan yang terbentuk antara tingkat stres masyarakat selama pandemi COVID-19 dengan faktor-faktor yang dapat menjelaskannya juga teridentifikasi pada penelitian ini.

---

In an effort to minimize the spread of COVID-19 virus, governments in various countries have implemented various policies to restrict public mobility which has had an impact on various aspects, including psychological well-being. Many people feel lonely, anxious, and depressed because of the difficult and uncertain situation due to the COVID-19 pandemic, which has disrupted mental well-being and increased stress levels in society. This study aims to identify factors that can explain the level of stress in society during the COVID-19 pandemic. The data used in this study is survey data related to the psychological and social impacts caused by the COVID-19 pandemic conditions on people from various countries in the world obtained from the COVIDiSTRESS global survey. This survey was conducted from 30 March to 30 May 2020 with a total of 173.426 respondents from 179 different countries. The data used has a missing value problem which is handled specifically by using the Predictive Mean Matching (PMM) imputation method. After all the missing values in the data have been successfully handled, analysis of factors that explain the stress level during the COVID- 19 pandemic is carried out using the Partial Least Square (PLS) method. From this study, it was found that the PMM imputation method had good performance in dealing with missing value problem in the COVIDiSTRESS global survey data which was then analyzed using the PLS model. Furthermore, based on the significance values of the path coefficients obtained from the model, it was found that all predictor variables involved in this study were significant factors in explaining the level of stress in society from various countries worldwide during the COVID-19 pandemic. Through the path coefficients of the model, the direction of the relationships formed between the level of stress in society and the factors that can explain it were also identified in this research."

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"Non-arteritic Anterior Ischemic Optic Neuropathy (NAION) merupakan suatu penyakit yang timbul akibat insufisiensi alirah darah pada arteri yang mensuplai optic disc. Faktor risiko yang diduga berperan penting dalam terjadinya NAION diantaranya adalah hipertensi, obesitas, diabetes, dislipidemia, merokok, kondisi hiperkoagulasi, penyakit kardiovaskular dan stroke. Penelitian ini akan berfokus pada identifikasi faktor-faktor yang dapat menjadi karakteristik pembeda antara kondisi unilateral dan bilateral serta menganalisis peran masing-masing faktor tersebut. Metode random forest akan diaplikasikan untuk mendapatkan faktor-faktor yang secara konsisten dapat menjadi karakteristik pembeda antar kondisi lateralitas. Metode decision tree dan regresi logistik disertakan untuk memeroleh gambaran peran masing-masing faktor dalam bentuk pohon keputusan dan perbandingan risiko yang diformulasikan oleh rasio odds. Faktor penting berdasarkan model random forest adalah onset, GDP, HDL, usia, GD2PP, dan LDL. Berdasarkan rasio odds peningkatan usia, onset, LDL, GDP, dan GD2PP, akan berdampak pada peningkatan risiko pasien mengalami kondisi bilateral. Sedangkan semakin tinggi kadar HDL, risiko mengalami kondisi bilateral akan menurun. Pada penelitian ini juga dilakukan simulasi penanganan missing value dengan tiga skema penanganan yang berbeda. Hasil simulasi menunjukan bahwa imputasi regresi memberikan performa yang lebih bagus dibandingkan dengan imputas atau ketika hanya menggunakan observasi kompletArteritic Anterior Ischemic Optic Neuropathy (NAION) is a disease that arise because of blood insufficiency in the artery that supply optic disc. Risc factors which are considered to inflict NAION are hypertention, obesity, diabetes, dislipidemia, smoking, hypercoagulable state, cardiovascular disease, and stroke. NAION could happen either unilateral or bilateral condition. This study will focus on the identification of important factors that could be distinguishing characteristics between unilateral and bilateral patients. Random forest method is applied to obtain factors that can consistently be distinguishing characteristics between laterality conditions. Decision tree and logistic regression method are included to obtain the visualization of the role of each important factors by using decision rule and odds ratio. The important factors based on random forest are onset, GDP, HDL, age, GD2PP, and LDL. Based on odds ratio, escalation of age, onset, LDL, GDP, and GD2PP, will have an impact on increasing the patients risk experiencing bilateral condition. Whereas the enhancement of HDL level, the risk of experiencing bilateral condition will decrease. This study also simulated a missing value handling with three different handling schemes. Simulation results show that regression imputation provides better performance when compared to mean imputation or when we only used complete observation."

"Pandemi COVID-19 memberikan dampak pada persaingan bisnis yang menuntut perusahaan untuk dapat meningkatkan kinerjanya secara optimal. Perusahaan harus mampu mengelola sumber daya manusianya agar proses bisnis dapat berjalan dengan baik dan efektif. Salah satu faktor yang dapat mendorong kinerja organisasi ke arah yang lebih baik adalah work-life balance pekerjanya, sehingga hal ini penting untuk diperhatikan. Penelitian dilakukan di PT X Jakarta yang merupakan salah satu perusahaan yang bergerak di bidang pelayanan kepelabuhanan. Tujuan penelitian ini adalah untuk mengetahui faktor-faktor yang signifikan menjelaskan tingkat work-life balance pada pegawai perusahaan jasa kepelabuhanan PT X Jakarta dan mengetahui profil dari pegawai yang memiliki tingkat work-life balance yang tinggi dan rendah. Metode analisis data yang digunakan guna mencapai tujuan tersebut adalah Regresi Linier Berganda dan Classification and Regression Tree (CRT). Penelitian ini menggunakan data primer yang diambil dengan cara purposive sampling dan didapatkan sampel yang terdiri dari 97 pegawai perusahaan jasa kepelabuhanan PT X Jakarta. Hasil penelitian menunjukkan faktor-faktor yang signifikan menjelaskan tingkat work-life balance pada Pegawai Jasa Kepelabuhanan PT X Jakarta adalah stres kerja, kesejahteraan psikologis, dukungan rekan kerja dan jenis kelamin pegawai. Profil pegawai yang memiliki tingkat work-life balance yang tinggi yaitu pegawai dengan stres kerja yang rendah, dukungan rekan kerja yang tinggi, dan berjenis kelamin laki-laki. Profil pegawai yang memiliki tingkat worklife balance yang rendah yaitu pegawai dengan stres kerja yang tinggi, kesejahteraan psikologis yang rendah, dan berjenis kelamin perempuan.

---

The COVID-19 pandemic has an impact on business competition which requires companies to be able to improve their performance optimally. Companies must be able to manage their human resources so that the business process can run well and effectively. One of the factors that can drive organizational performance towards a better direction is the work-life balance of its employees, so this is important to pay attention to. The research was conducted at PT X Jakarta, which is one of the companies engaged in port services. The purpose of this study was to determine the factors that significantly explain the level of work-life balance on the employees of the port service company, PT X Jakarta, and to determine the profile of employees who have high and low levels of worklife balance. The data analysis method used to achieve this goal is Multiple Linear Regression and Classification and Regression Tree (CRT). This study uses primary data taken by purposive sampling and obtained a sample consisting of 97 employees of the port service company on PT X Jakarta. The results showed that the factors that significantly explained the level of work-life balance in Port Service Employees of PT X Jakarta were work stress, psychological well-being, co-workers support and gender. Profiles of employees who have a high level of work-life balance are employees with low work stress, high support from co-workers, and male gender. Profiles of employees who have a low level of work-life balance are employees with high work stress, low psychological well-being, and female."

"ABSTRAKSebagai metode kontrasepsi, Metode Kontrasepsi Jangka Panjang (MKJP) reversibel (seperti IUD dan Implan) mempunyai keunggulan dibandingkan short term method dan MKJP permanen. Namun, data Survei Demogrfi dan Kesehatan Indonesia (SDKI) menunjukkan penurunan penggunaan MKJP reversibel dalam jangka waktu 30 tahun (1987-2017). Penelitian ini bertujuan untuk mengetahui pengaruh persetujuan suami dan pengambilan keputusan bersama antara suami istri terhadap penggunaan MKJP reversibel istri. Data SDKI 2017 digunakan dengan unit analisis wanita berstatus kawin yang sedang menggunakan kontrasepsi modern. Dengan menggunakan regresi logistik multinomial, penelitian ini menemukan bahwa persetujuan suami berpengaruh positif terhadap penggunaan MKJP reversibel baik jika dibandingkan dengan short term method maupun MKJP permanen, meskipun pengaruh persetujuan suami terhadap peningkatan penggunaan MKJP reversibel (relatif terhadap short term method) tidak memberikan pengaruh yang signifikan. Pengambilan keputusan bersama berpengaruh positif terhadap penggunaan MKJP reversibel dibandingkan short term method. Sedangkan jika dibandingkan dengan MKJP permanen, pengambilan keputusan bersama memberikan pengaruh negatif terhadap penggunaan MKJP reversibel.

---

ABSTRACTAs a contraceptive, Long Acting and Reversible Contraception (LARC), such as IUDs and Implants, has many advantages compared to short term method and Long Acting and Permanent Method (LAPM). Despite these advantages, the Indonesian Demographic and Health Survey (IDHS) data shows a decrease in the use of the LARC over a period of 30 years (1987-2017). This study aims to investigate the effect of husband's approval and joint decision making between husband and wife on the wife's use of LARC. Data from IDHS 2017 is used with currently married women who are using modern contraceptive methods serves as unit analysis. Using multinomial logistic regression, this study found that husband's approval had a positive effect on the use of LARC both compared to the short term method and LAPM, although husband's approval did not have a significant effect on the use of LARC (relative to the short term method). Joint decision making has a positive effect on the use of LARC compared to the short term method. Whereas when compared with LAPM, joint decision making has a negative effect on the use of LARC."

"Dalam dua tahun terakhir pandemi corona virus disease 2019 (COVID-19) telah menginfeksi > 220 juta orang dan 5 juta orang meninggal. Di Indonesia > 4 juta orang terinfeksi dan > 140.000 orang meninggal. Pada puncak pandemi, kebutuhan perawatan tidak seimbang dengan sarana rumah sakit sehingga WHO menganjurkan untuk memprioritaskan pasien secara ekual. Untuk itu diperlukan prediktor luaran pasien COVID-19. Penelitian ini bertujuan menyusun prediktor luaran pasien COVID-19 menggunakan regresi logistik dan machine learning.Penelitian terdiri atas 2 tahap. Tahap pertama adalah kohort retrospektif untuk menyusun prediktor kematian di rumah sakit dengan regresi logistik dan machine learning (decision tree, random forest, support vectore machine, gradient boost and extreme gradient boost). Pasien terkonfirmasi COVID-19 diinput di data registri REG-COVID-19 pada bulan Maret–Juli 2020 di RS Persahabatan (RSP) dan RS Universitas Indonesia (RSUI). Tahap kedua adalah kohort prospektif pada pasien COVID-19 di RSP, RSUI dan RSPI Suliati Saroso pada bulan Maret–Mei 2021. Data yang diinput adalah data demografi, gejala klinis, komorbid, laboratorium, skor Brixia dari radiografi toraks, luaran pasien dari perawatan dan lama rawat.Pada tahap penyusunan diperoleh 271 subjek untuk analisis machine learning, 239 subjek untuk model 1, sebanyak 180 subjek model 2, dan 152 subjek model 3 dan model 4. Hasil analisis regresi logistik model 1 terdiri atas 7 variabel yaitu demam, diabetes melitus, frekuensi napas, saturasi O2, leukosit, SGOT dan CRP dengan AUC 0,930. Model 2 memberikan hasil hampir sama tetapi SGOT menjadi SGPT dengan AUC 0,926. Model 3 memiliki AUC 0,919 dan model 4 memberikan AUC 0,924 dengan variabel D dimer > 2000 menjadi salah satu prediktor. Validasi semua model regresi logistik dan machine learning menunjukkan penurunan AUC, tetapi tidak berbeda bermakna (uji perbandingan AUC, p = 0,683–0,736). Perbandingan model regresi logistik dan machine learning juga tidak berbeda bermakna (uji perbandingan AUC dengan rumus Hanley, p = 0,492–0,923).Disimpulkan prediksi kematian pasien COVID-19 menggunakan regresi logistik dan machine learning memiliki akurasi yang baik sehingga regresi logistik dan machine learning dapat dijadikan prediktor luaran pasien COVID-19.

---

Corona virus disease 2019 (COVID-19) pandemic has lasted almost 2 years worldwide with more than two hundred million world population were infected and almost 5 million (2%) death. In Indonesia, there have been more than 4 million people were infected with more than 140.000 (3.5%) death. At the peak of the outbreak there were discrepancy between health care facilities and demands. WHO recommended to prioritize patient equally, to avoid patient discrimination by social class, race, and gender. The best prediction tool should be valid, reliable and feasible. Many studies develop assessment with logistic regression and machine learning with the goal to improve accuracy. Some study showed variety of predictors in outcome prediction, in this study we developed and validated assessment tool to predict hospital mortality comparing logistic regression and machine learning, included support vector machine (SVM), decision tree (DT), random forest (RF), gradient boost (GB) and extreme gradient boost (XGB). Our study was conducted in 2 stages. The first stage study was cohort retrospective to develop assessment tool to predict hospital mortality by comparing logistic regression and machine learning among hospitalized COVID-19 patients from March to July 2020. The second was cohort prospective study among the same population, to validate the tools. The development data were collected from Persahabatan hospital and Universitas Indonesia hospital who registered in REG-COVID-19, 271subjects were eligible for machine learning analysis and 239 subjects for logistic regression data set 1; 180 subjects for data set 2; 152 for data set 3 and 4. Analysis of data set 1 resulted in 8 variables as mortality prediction include fever, DM, respiratory rate (RR), oxygen saturation, leucocyte, ALT > 42, CRP > 88, with AUC 0,930. Data set 2 resulted in similar variables except AST, with AUC 0,926. Data set 3 resulted in 6 variables with AUC 0,919 and Data set 4 resulted in 7 variables included fever, HR, RR, leucocyte, age above 52, CRP > 86 and D-dimer > 2000 with AUC 0,924. Validation of all models showed decreasing AUC. Machine learning analysis resulted in 5 models with the best was XGB among all set data with AUC between 0,8–0,9. There were decreasing of AUC of all models, but not statistically different (p 0.683–0.736). Comparing developed models with logistic regression and machine learning showed there were differences but not statistically significant. (p 0.492-0.923)"