Hasil Pencarian  ::  Simpan CSV :: Kembali

"Coronavirus Disease 2019 (COVID-19) adalah penyakit menular yang disebabkan oleh virus severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Virus ini pertama kali ditemukan di Wuhan China pada desember 2019 dan pertama kali masuk ke Indonesia pada 2 Maret 2020. Selama masa pandemi COVID-19 banyak terjadi lonjakan secara tiba-tiba pada jumlah kasus baru COVID-19 yang menunjukkan bahwa adanya kesulitan dalam mengantisipasi peningkatan penyebaran COVID-19. Skripsi ini membahas pemodelan jumlah kasus baru harian COVID-19 di Indonesia menggunakan Gaussian Mixture Model (GMM) dimana model ini merupakan salah satu Mixture Model. Mixture Model merupakan penjumlahan linear berbobot dari beberapa fungsi distribusi dimana masing-masing fungsi distribusi disebut sebagai komponen campuran. Pada GMM, setiap komponen campuran diasumsikan berdistribusikan Gaussian (Normal). Pada penelitian ini, dikonstruksi beberapa GMM dengan 2, 3 dan 4 jumlah komponen untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia dari 1 Januari 2021 sampai 31 Maret 2022 dengan interval waktu 455 hari. Parameter dari setiap GMM tersebut diestimasi menggunakan metode maximum likelihood estimation (MLE) melalui algoritma Expectation-Maximization (EM). Berdasarkan nilai Akaike Information Criteria (AIC), diperoleh GMM dengan 4 komponen merupakan model terbaik untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia. Dengan GMM 4 komponen, diperoleh probabilitas jumlah kasus baru harian COVID-19 di Indonesia kurang dari jumlah kasus harian terendah adalah 0,009598, lebih dari jumlah kasus harian rata-rata adalah 0,299443 dan lebih dari jumlah kasus harian tertinggi adalah 0,017669.

---

Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). This virus was first found in Wuhan, China in December 2019 and first got into Indonesia on March 2, 2020. During the pandemic, there are a lot of sudden spikes in new COVID-19 daily cases which indicates that there is a struggle in anticipating the sudden increase in COVID-19 transmission. This research discuss about the modeling of new COVID-19 daily cases in Indonesia using Gaussian Mixture Model (GMM) which is a part of Mixture Model. Mixture Model is a linear weighted sum of some distribution function where each function is called a mixture component. In GMM, every mixture components are assumed to be normally distributed. In this research, three GMMs with 2,3 and 4 components were constructed to model new COVID-19 daily cases in Indonesia from January 1, 2021 to March 31, 2022 with a total of 455 days of observation. The parameters of each GMM were estimated with maximum likelihood estimation (MLE) method through Expectation-Maximization (EM) algorithm. According to Akaike Information Criteria (AIC) value, it was found that GMM with 4 components was the best model for modeling new COVID-19 cases in Indonesia. With this model, the probability of new COVID-19 daily cases in Indonesia are less than the lowest daily cases is 0,009598, more than the average daily cases is 0,299443 and more than the highest daily cases is 0,017669."

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"Dalam pengenalan objek pada sistem pengawasan lalu lintas dibutuhkan sebuah metode yang mampu membedakan antara objek dan non objek. Salah satu metode umum yang biasa digunakan adalah background subtraction. Background subtraction menjadi bagian awal yang penting dari sebuah aplikasi dalam metode computer vision. Hasil dari background subtraction biasanya digunakan dalam proses pada level yang lebih tinggi. Kami mengajukan sebuah metode Gaussian Mixture Model (GMM) dengan algoritma Hole Filling(HF). Ide utama dari pendekatan yang diajukan karena hasil dari GMM menghasilkan noisy image yang berasal dari kesalahan klasifikasi. Hal ini terjadi karena berbagai situasi (waving trees, rippling water dan illumination change). Metode HF yang sederhana mampu meningkatkan akurasi hingga 97,9% dan Kappa statistic hingga 0,74 dengan mengurangi kesalahan klasifikasi dari GMM. Hasil eksperimen and evaluasi pada pixel level menunjukkan bahwa GMMHF mampu unggul dari metode yang lain. Dengan peningkatan kinerja deteksi kendaraan menggunakan GMMHF, estimasi kecepatan kendaraan mendapatkan perbaikan. GMMHF yang dipadukan dengan Pin Hole model menghasilkan estimasi kecepatan terbaik dibandingkan skenario lainnya, dimana simpangan ratarata sebesar 7,4 Km/jam.

---

.There is a necessity in traffic control system using camera to have the capability to discriminate between an object and non-object in the image. One of the procedure to discriminate between those two is usually performed by background subtraction. Gaussian Mixture Model (GMM) is popular method that has been employed to tackle the problem of background subtraction. However, the output of GMM is a rather noisy image which comes from false classification. This situation may arise because several conditions in the video input such as, waving trees, rippling water, and illumination changes. In this paper, a version of GMM technique which is combined with Hole Filling Algorithm (HF) classifier is proposed to alleviate those has problems. The experimental result shows that the proposed method improved the accuracy up to 97.9% and Kappa statistic up to 0.74. This result has outperformed many similar methods that is used for evaluation. With improvement of vehicles detection performance using GMMHF, vehicle?s speed estimation also improved. GMMHF that combined with Pin Hole Model produce the best speed estimation compared with other scenarios, where standard deviation is 7,4 Km/hr."

"

Penyakit COVID-19 yang ditetapkan WHO sebagai pandemi global telah mengubah tatanan kehidupan banyak orang. Berbagai macam kebijakan ditetapkan oleh pemerintah setempat untuk menekan angka penularan COVID-19 antar penduduk, salah satunya dengan menerapkan pembatasan kegiatan. DKI Jakarta yang merupakan Ibukota Negara Republik Indonesia juga menerapkan kebijakan pembatasan kegiatan, mulai dari PSBB hingga PPKM Level 1. Tujuan penelitian ini adalah untuk menganalisis pergerakan grafik penambahan kasus positif COVID-19 dan penambahan kasus meninggal akibat COVID-19 di Provinsi DKI Jakarta dalam setiap penerapan kebijakan pembatasan kegiatan yang ditetapkan Pemprov DKI Jakarta. Metode yang digunakan adalah Statistical Process Control (SPC), yaitu teknik statistika yang dapat digunakan untuk memonitor terjadinya sebuah proses. Salah satu tools dalam SPC yang umum digunakan adalah bagan kendali (control chart). Bagan kendali yang digunakan dalam penelitian ini adalah bagan kendali  untuk memonitor rata-rata dan variabilitas suatu proses. Data yang digunakan adalah penambahan kasus positif COVID-19 dan penambahan kasus meninggal akibat COVID-19 di Provinsi DKI Jakarta yang diambil mulai tanggal 18 Maret 2020 hingga 16 November 2021 melalui website Kemenkes RI. Data tersebut terdiri dari 609 pengamatan penambahan kasus positif dan 609 pengamatan penambahan kasus meninggal yang kemudian dibentuk ke dalam 87 subgrup dengan masing-masing subgrup terdiri dari 7 pengamatan. Berdasarkan hasil analisis, puncak penambahan kasus positif COVID-19 dan penambahan kasus meninggal akibat COVID-19 di DKI Jakarta terjadi pada bulan Juli 2021. Selain itu, hasil analisis menunjukkan saat pembatasan kegiatan dilonggarkan oleh Pemprov DKI Jakarta, yaitu pada masa PSBB Transisi, PSBB Transisi Jilid II, dan PPKM Mikro, penambahan kasus positif dan meninggal di minggu-minggu akhir kebijakan tersebut, nilai pada bagan kendali   yang terbentuk berada di atas Upper Control Limit.

---

Corona Virus Disease 2019 (COVID-19), which has been designated by WHO as global pandemic, has changed the way of life many people. Various of policies have been set by local government to reduce the transmission of COVID-19 in public. One of them is activity restrictions. DKI Jakarta, capital of Indonesia, also implementing the activity restrictions, start from PSBB to PPKM Level 1. The purpose of this research was to analyze the movement of the graphs of additional of positive COVID-19 cases and additional of death due to COVID-19 cases in DKI Jakarta Province, at each implementation of activity restriction policy set by DKI Jakarta provincial government. The method used is Statistical Process Control (SPC), a statistical technique that can be used to monitor process. One of the tools in SPC commonly used is control chart. The control chart used in this research is  control chart to monitor the mean and variability of a process. The data used is additional of positive COVID-19 cases and additional of death due COVID-19 cases in DKI Jakarta Province which were taken from March 18, 2020 to November 16, 2021 through Indonesian Ministry of Health website. Data consist of 609 observations of additional positive cases and 609 additional death cases and then formed into 87 subgroups with each subgroups consist of 7 observations. Based on the results of the analysis, the peak of additional positive COVID-19 cases and additional death due to COVID-19 cases in DKI Jakarta occurred in July 2021. Moreover, the results of the analysis show that when activity restrictions were relaxed by the DKI Jakarta Provincial Government, during the PSBB Transisi, PSBB Transisi Jilid II, and PPKM Mikro, the additional of positive cases and deaths about last weeks of the policy, the value on  control chart formed is above the Upper Control Limit (UCL).                 

 

"

"Coronavirus Disease 2019 (COVID-19)adalah sebuah penyakit yang menyerang sistem pernafasan dan merupakan penyakit menular yang menyebar secara cepat keseluruh dunia. Penyebaran COVID-19 di Indonesia khusus nya Provinsi DKI Jakarta terus mengalami peningkatan yang cukup signifikan, kasus terkonfirmasi positif maupun meninggal terus bertambah setiap harinya. Informasi mengenai prediksi angka kasus harian COVID-19 dapat membantu pihak-pihak terkait dalam melakukan tindakan preventif penyebaran COVID-19. Dalam memprediksi kasus harian COVID-19, pendekatan machine learning dapat digunakan untuk menyelesaikan permasalahan ini. Salah satu algoritma di dalam machine learning yang dapat digunakan dalam memprediksi kasus harian COVID-19 yaitu Bidirectional LSTM (Bi-LSTM). Data yang digunakan diambil dari Website Jakarta Tanggap COVID-19 yang tercatat mulai 03 Maret 2020 hingga 15 Mei 2021. Bi-LSTM cocok digunakan untuk prediksi data yang bersifat time-series. Dalam implementasinya, data kasus harian COVID-19 dinormalisasi terlebih dahulu dan kemudian diimplementasikan pada metode Bi-LSTM untuk memprediksi kasus positif harian, sembuh harian, dan meninggal harian COVID-19 di DKI Jakarta. Fungsi aktivasi ReLU dan fungsi optimasi Adam digunakan dalam proses prediksi kemudian untuk evaluasi model digunakan Root Mean Squared Error (RMSE). Nilai RMSE terkecil yang diperoleh untuk prediksi kasus positif harian sebesar 203,193 dengan menggunakan perbandingan 95% data training:5% data testing; sembuh harian sebesar 211,068 dengan menggunakan perbandingan 95% data training:5% data testing; dan meninggal harian sebesar 6,758 dengan menggunakan perbandingan 80% data training:20% data testing. Hasil RMSE yang didapat lebih baik dibandingkan dengan penelitian sebelumnya.

---

Coronavirus Disease 2019 (COVID-19) is an infectious disease that attacks respiratory system and it spreads rapidly throughout the world. The spread of COVID-19 in Indonesia, especially in DKI Jakarta, the confirmed positive cases and deaths continue to increase every day. Information regarding the prediction of the daily number of COVID-19 cases can assist related parties in taking preventive actions against the spread of COVID-19. To predict the daily cases of COVID-19, a machine learning algorithm approach can be used to solve this problem. One of the algorithms in machine learning that can be used to predict daily cases of COVID-19 is Bidirectional LSTM (Bi-LSTM). The data used is taken from Jakarta Tanggap COVID-19 which was recorded from March 3, 2020 to May 15, 2021. Bi-LSTM is suitable for predicting time-series data. In its implementation, the daily cases data of COVID-19 is normalized first and then implemented on the Bi-LSTM method to predict daily positive cases, daily recovery cases, and daily death cases of COVID-19 in DKI Jakarta. ReLU activation function and Adam optimization are used for the prediction process, while Root Mean Squared Error (RMSE) is used for the model evaluation. The smallest RMSE value for daily positive cases prediction is 203,193 using comparison 95% data training:5% data testing; daily recovery cases 211,068 using comparison 95% data training:5% data testing; and daily death cases 6,758 using comparison 80% data training:20% data testing. The RMSE value obtained is better than previous studies. "

"Kasus baru COVID-19 terus mengalami perkembangan selama pandemi. Berbagai upaya penanggulangan COVID-19 seperti PSBB, PPKM Darurat, protokol kesehatan dan lainnya dilakukan. Salah satu upaya pencegahan COVID-19 oleh masyarakat yaitu dengan perilaku hidup bersih dan sehat COVID-19 seperti mencuci tangan menggunakan air mengalir dan sabun, makan makanan bergizi, dan melakukan aktivitas fisik setiap hari. Tujuan dari penelitian ini untuk mengetahui hubungan antara perkembangan kasus baru COVID-19 dengan perilaku hidup bersih dan sehat pada masyarakat Depok. Penelitian ini berjenis kuantitatif dengan metode desain cross sectional. Sampel penelitian ini adalah masyarakat Kecamatan Beji yang bersedia menjadi responden, usia 20-44 tahun, dan memiliki akses media sosial/elektronik. Hasil penelitian didapatkan bahwa masyarakat yang menerapkan perilaku hidup bersih dan sehat dengan baik sebanyak 59,8% dan 40,2% masih kurang baik. Terdapat hubungan yang signifikan antara perkembangan kasus baru COVID-19 dengan perilaku hidup bersih dan sehat pada masyarakat Depok dengan p value 0,044. Rekomendasi penelitian ini ditujukan kepada pemerintah Kota Depok dan Dinas Kesehatan Kota Depok untuk lebih mendukung perilaku hidup bersih dan sehat masyarakat dengan menyediakan fasilitas cuci tangan di area publik serta bagi tenaga kesehatan dapat lebih interaktif memanfaatkan media sosial untuk pendidikan kesehatan terkait perilaku hidup bersih dan sehat.

---

New cases of COVID-19 continue to develop during the pandemic. Various efforts to overcome COVID-19 such as PSBB, Emergency PPKM, health protocols and others were carried out. One of the efforts to prevent COVID-19 by the community is by living clean and healthy COVID-19 behaviors such as washing hands using running water and soap, eating nutritious food, and doing physical activity every day. The purpose of this study was to determine the relationship between the development of new cases of COVID-19 with clean and healthy living behavior in the people of Depok. This research is quantitative with cross sectional design method. The sample of this research is the people of Beji District who are willing to be respondents, aged 20-44 years, and have access to social/electronic media. The results of the study showed that 59.8% and 40.2% of people who applied clean and healthy living behaviors were not good enough. There is a significant relationship between the development of new cases of COVID-19 with clean and healthy living behavior in the people of Depok with a p value of 0.044. This research recommendation is addressed to the Depok City government and the Depok City Health Office to further support the clean and healthy behavior of the community by providing hand washing facilities in public areas and for health workers to be more interactive using social media for health education related to clean and healthy living behavior.

"

"Pandemi COVID-19 merupakan salah satu stressor pada lansia. Penelitian ini menggunakan desain penelitian kuantitatif yang bertujuan untuk mengidentifikasi tingkat stress pada lansia di masa pandemi COVID-19. Sampel pada penelitian ini adalah lansia di Kecamatan Bendosari yang berjumlah 136 orang dan teknik pengambilan sampel yang digunakan adalah teknik random sampling. Instrumen yang digunakan adalah Perceived Stress Scale (PSS 10). Data yang diperoleh dianalisis dengan analisis univariat. Hasil penelitian menunjukkan bahwa sebagian besar lansia mengalami stress ringan sebanyak 107 responden (78.7%), sedangkan sebanyak 29 responden mengalami stress sedang (21.3%). Hasil penelitian ini merekomendasikan adanya penelitian lebih lanjut mengenai faktor-faktor yang memengaruhi stress serta meningkatkan promosi kesehatan mengenai kesehatan jiwa pada lansia khususnya di Kecamatan Bendosari.

---

The COVID-19 pandemic is one of the stressors for the elderly. This study uses a quantitative research design to identify stress levels in the elderly during the COVID-19 pandemic. The sample in this study was the elderly in Bendosari District, amounting to 136 people and the sampling technique used was random sampling technique. The instrument used is the Perceived Stress Scale (PSS 10). The data obtained were analyzed by univariate analysis. The results showed that most of the elderly experienced mild stress as many as 107 respondents (78.7%), while as many as 29 respondents experienced moderate stress (21.3%). The results of this study recommend further research on the factors that influence stress and improve health promotion regarding mental health in the elderly, especially in Bendosari District."

"Tulisan ini memuat penelusuran dibalik fenomena kecenderungan masyarakat dalam melaksanakan pendidikan secara tatap muka di tengah pandemi COVID 19. Pengambilan data dilakukan secara kualitatif dengan mengikuti kontroversi dan aktor-aktornya. Dengan menggunakan ANT (Actor Network Theory) penelitian ini berfokus pada tindakan-tindakan yang dilakukan oleh para aktor selama proses belajar dilaksanakan. Penulis berargumen bahwa anggapan anak-anak tidak belajar selama pendidikan jarak jauh adalah keliru secara empiris dan fenomena anggapan tersebut bisa terjadi karena tindakan-tindakan yang dilakukan para aktor tidak terlepas dari peranan non manusia seperti, kondisi tempat tinggal, teknologi smartphone serta pasar bebas.

---

This paper consists investigations behind the trend among the majority of people wanted offline learning amidst the pandemic of COVID 19. Data collection acquired through qualitative research by following the controversy and the actors. Using ANT (Actor Network Theory) the author focused the research examining the action of the actors during and related to learning process. The author argues that the assumption about children losing their time of learning due to online learning is fallacious. Nonetheless the assumption is the phenomenon that actually happened because of the doings of the actors that can’t be separated with the other non-human actors such as the house atmosphere, technology, and the free market."