Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKLatar Belakang. Prevalensi berbagai masalah kesehatan jiwa, termasuk depresi dan ansietas, pada peserta program pendidikan dokter lebih tinggi dibandingkan populasi umum, diduga akibat stresor terkait pendidikan. Resiliensi dan metode koping merupakan dua faktor yang diduga berhubungan dengan kerentanan peserta didik mengalami depresi dan ansietas. Penelitian ini bertujuan untuk mengetahui prevalensi gejala depresi dan ansietas pada peserta program pendidikan dokter, serta hubungannya dengan resiliensi dan metode koping. Metode. Penelitian ini dilakukan secara potong lintang pada sampel yang ditentukan secara stratified random sampling dari seluruh tingkat peserta didik di Fakultas Kedokteran Universitas Indonesia. Subyek mengisi sendiri kuesioner penelitian yang terdiri dari kuesioner sosiodemografik, pengukuran gejala depresi dan ansietas (Depression Anxiety Stress Scale [DASS]), pengukuran resiliensi (Connor-Davidson Resilience Scale [CD-RISC]), dan pengukuran metode koping (Brief COPE). Hasil. Prevalensi kumulatif gejala depresi dan ansietas pada peserta didik adalah 22,2% dan 48,1% dengan mayoritas berada dalam derajat ringan atau sedang. Gejala depresi lebih tinggi signifikan pada peserta didik yang tidak tinggal dengan keluarga inti; sedangkan gejala ansietas lebih tinggi signifikan pada perempuan serta pada peserta didik Tingkat 1 dan Profesi Tahun 1. Median skor CD-RISC adalah 68 (interquartile range 58-77) dari skor maksimal 100. Peserta didik lebih banyak menggunakan problem-focused dan emotion-focused coping dibandingkan dengan dysfunctional coping. Resiliensi berkorelasi negatif dengan gejala depresi (r = -0,428; p < 0,001) dan gejala ansietas (r = -0,298; p < 0,001). Koping disfungsional berkorelasi positif dengan gejala depresi (r = 0,461; p < 0,001) dan ansietas (r = 0,378; p < 0,001), terutama koping behavioral disengagement dan self-blame. Pembahasan. Prevalensi gejala depresi dan ansietas pada peserta didik relatif tinggi. Gejala depresi dan ansietas yang ringan tetap dapat menimbulkan distres dan hendaya yang dapat memengaruhi performa peserta didik, serta berisiko berkembang menjadi gangguan jiwa yang lebih berat. Intervensi kesehatan jiwa dapat ditujukan pada peserta didik dengan faktor risiko seperti resiliensi rendah atau koping disfungsional.

---

ABSTRACTIntroduction. Prevalence of mental health issues, including depression and anxiety, among medical students is relatively high, thought to be related to academic stressors. Resilience and coping methods are two factors hypothesized to be associated with students' vulnerability to depression and anxiety. This study aims to find the prevalence of depression and anxiety symptoms among medical students, and its association with resilience and coping methods. Methods. This is a cross-sectional study conducted in students from the Faculty of Medicine Universitas Indonesia, selected from all study years through stratified random sampling. Subjects fill in questionnaire that consists of sociodemographic questions, measurement of depression and anxiety symptoms (Depression Anxiety Stress Scale [DASS]), measurement of resilience (Connor-Davidson Resilience Scale [CD-RISC]), and measurement of coping methods (Brief COPE). Results. Cumulative prevalence of depression and anxiety symptoms among medical students are 22,2% and 48,1%, respectively. Students not living with their families show significantly higher depressive symptoms. Anxiety symptoms are significantly higher among female students and those in the first year of preclinical studies and in the first year of clinical rotations. Median score of CD-RISC is 68 (interquartile range 58-77) from a maximum of 100. Students use problem-focused and emotion-focused coping more frequently than dysfunctional coping. Resilience is negatively correlated with depression (r = -0,428; p < 0,001) and anxiety symptoms (r = -0,298; p < 0,001). Dysfunctional coping is positively correlated with symptoms of depression (r = 0,461; p < 0,001) and anxiety (r = 0,378; p < 0,001), especially behavioral disengagement and self-blame. Discussion. Prevalence of depression and anxiety symptoms among medical students is high. Even mild symptoms can cause distress and impairment that can affect students' performance. They are also at risk of developing more severe mental health issues. Mental health interventions can be aimed toward students with identified risk factors such as low resilience and dysfunctional coping."

"Latar belakang: Pasien sindom koroner akut (SKA) dengan gejala ansietas berisiko mengalami luaran negatif yang dimediasi oleh disfungsi otonom yang dapat dinilai dengan variabilitas denyut jantung (VDJ). Penurunan VDJ ditemukan baik pada pasien SKA maupun ansietas. Penelitian ini bertujuan untuk mengetahui perbedaan nilai VDJ pada pasien SKA dengan gejala ansietas dibandingkan dengan tanpa gejala ansietas dan menentukan korelasi antara nilai VDJ dengan gejala ansietas. Metode: Penelitian ini merupakan studi potong lintang. Subjek penelitian diambil dari data penelitian utama pada pasien SKA yang dirawat di ruang intensif rawat jantung RSCM periode April-September 2021 secara total sampling. Gejala ansietas dinilai dengan kuesioner. Hospital Anxiety and Depression Scale (HADS). Data VDJ yang diambil adalah domain waktu (SDNN, RSSMD) dan frekuensi (LF, HF, rasio LF/HF). Uji Mann-Whitney dilakukan untuk perbedaan nilai VDJ antara subjek dengan gejala ansietas dibanding tanpa gejala ansietas, uji Spearman untuk korelasi antara nilai VDJ dengan gejala ansietas, dan analisis multivariat untuk faktor perancu. Hasil: Tujuh puluh subjek SKA yang dilibatkan terdiri dari 23 subjek dengan gejala ansietas dan 47 subjek tanpa gejala ansietas. Tidak didapatkan perbedaan nilai VDJ (SDNN, RMSSD, LF, HF, rasio LF/HF) antara subjek dengan gejala ansietas dibanding tanpa gejala ansietas secara statistik. Setelah mengontrol variabel perancu, gejala ansietas memiliki korelasi dengan SDNN (r = -0,563; p<0,001) yang dipengaruhi oleh usia (p<0,004); sementara nilai LF (r = -0,63; p< 0,001) dipengaruhi oleh usia (p = 0,007) dan penyekat beta (p = 0,030). Kesimpulan: Tidak didapatkan perbedaan nilai VDJ antara pasien SKA dengan gejala ansietas dibanding tanpa gejala ansietas yang bermakna secara statistik, namun terdapat penurunan nilai SDNN, HF, dan rasio LF/HF pada kelompok dengan gejala ansietas yang lebih besar. Terdapat korelasi antara nilai VDJ (SDNN dan LF) dengan gejala ansietas pada pasien SKA.

---

Background: Acute coronary syndrome (ACS) patients with anxiety symptoms are at high risk of developing poor outcomes mediated by autonomic dysfunction that can be assessed with heart rate variability (HRV). Reductions in HRV are reported not only in ACS but also in anxiety. This study aims to compare HRV of ACS subjects with and without anxiety and to determine the correlation between HRV and anxiety symptoms.

Methods: This research is a cross-sectional study. The study subjects were taken from the primary research data of ACS patients treated at the ICCU of RSCM from April to September 2021 by total sampling. Anxiety symptoms are assessed with Hospital Anxiety and Depression Scale (HADS) questionnaire. HRV analysis consist of time (SDNN, RSSMD) and frequency (LF, HF, LF/HF ratio) domain. Data were analyzed using Mann- Whitney test for differences in HRV between ACS subjects with anxiety symptoms compared to those without anxiety symptoms, Spearman's test for the correlation between HRV and anxiety symptoms, and multivariate analysis for confounding factors.

Results: Seventy ACS subjects involved consisted of 23 subject with anxiety symptoms and 47 without anxiety symptoms. There was no statistical difference in comparison of HRV (SDNN, RMSSD, LF, HF, LF/HF ratio) between anxiety symptoms compare to those without anxiety symptoms. After controlling for confounding variables, SDNN has a correlation with anxiety symptoms (r = -0,563; p<0,001) which was influenced by age (p<0,004); while the LF has a correlation (r = -0,63; p< 0,001) which are influenced by age (p = 0,007) and beta blockers (p = 0,030).

Conclusion: There was no significant difference in HRV values (SDNN, RMSSD, LF, HF, ratio LF/HF) between ACS patients with anxiety symptoms compared to those without anxiety symptoms. There was a correlation between HRV (SDNN and LF) and anxiety symptoms. "

"Latar Belakang: Peningkatan serotonin plasma dan kortisol saliva yang terjadi pada sindrom koroner akut juga terjadi pada gejala ansietas. Dan kedua penanda biologis tersebut digunakan untuk mengetahui adanya gejala ansietas. Tujuan: Mengetahui perbedaan rerata serotonin plasma dan kortisol saliva pada sindrom koroner akut dengan gejala ansietas di RSUPN dr. Cipto Mangunkusumo. Metode: Dilakukan penelitian klinis poong lintang. Hasil: Kadar serotonin plasma dengan gejala ansietas dan tanpa gejala ansietas dibandingkan nilai normal yaitu 194,83 (142,00-892,04) ng/mL dan 167,16 (150,40-225,96) ng/ml. Kadar kortisol saliva pada subjek dengan gejala ansietas dan tanpa gejala ansietas adalah 2,75 (1,28-4,91) µg/dL dan 2,69 (0,91-7,09) µg/dL. Simpulan: Ada peningkatan kadar serotonin plasma dan kortisol saliva pada gejala ansietas walaupun tidak terdapat hubungan antara serotonin plasma dan kortisol saliva dengan gejala ansietas pada pasien SKA.

---

Background: Increases in plasma serotonin and salivary cortisol that occur in acute coronary syndrome also occur in symptoms of anxiety. And the two biological markers are used to determine the presence of anxiety symptoms.

Objective: To determine the difference in mean plasma serotonin and salivary cortisol in acute coronary syndrome with anxiety symptoms at RSUPN dr. Cipto Mangunkusumo.

Methods: Poong Lintang clinical research was conducted.

Results: Compared to normal values, plasma serotonin levels with anxiety symptoms and without anxiety symptoms ​​were 194.83 (142.00-892.04) ng/mL and 167.16 (150.40-225.96) ng/ml. Salivary cortisol levels in subjects with anxiety symptoms and without anxiety symptoms were 2.75 (1.28-4.91) µg/dL and 2.69 (0.91-7.09) µg/dL.

Conclusion: There is an increase in plasma serotonin and salivary cortisol levels in anxiety symptoms although there is no relationship between plasma serotonin and salivary cortisol with anxiety symptoms in ACS patients."

"Inclining test merupakan proses untuk mengetahui titik berat kapal dengan memindahkan beban uji di atas kapal. Tujuan dari Inclining test pada kapal adalah untuk menentukan tinggi titik berat kapal dan metasentra kapal, yang menjadi dasar perhitungan stabilitas kapal dalam berbagai kondisi pemuatan (load case). Percobaan inclining test umumnya dilakukan dengan dua metode, yaitu langsung di kapal setelah pembangunan selesai dan melalui simulasi komputasi. Namun, metode ini seringkali memerlukan persiapan yang cukup lama. Dengan berkembangnya otomasi dan teknologi, penelitian ini bertujuan untuk mengoptimalkan pengukuran Inclining test dengan lebih cepat dan akurat tanpa menunggu kapal selesai dibangun. Pendekatan yang diambil dalam penelitian ini adalah dengan membuat model Inclining test kapal menggunakan metode Machine Learning. Machine Learning digunakan untuk mempelajari data yang dimasukkan ke dalam sistem, dan memungkinkan mesin menghasilkan output dari percobaan inclining test seperti jika dilakukan langsung di kapal. Penelitian dilakukann dengan menggunakan Google Spreadsheet untuk menyimpan data- data inclining test yang pernah dilakukan, Github sebagai tempat yang digunakan untuk menyiimpan kode pemograman mesin, dan Streamlit sebagai interface untuk data baru yang akan dimasukan, menjalankan kode mesin yang ada di Github dan memperlihatkan hasil prediksi yang dilakukan oleh mesin. Kemudian akan dilakukan pengujian tools dengan 2 tahap dimana mesin akan memprediksi data yang sudah pernah dipelajari dan data baru. Dari penelitian didapatkan bahwa mesin pada saat ini mampu memprediksi data yang pernah dipelajari dengan error MSE sebesar 0.521 namun masih kesulitan memprediksi data baru dengan error mse sebesar 16,88. Mesin menyimpulkan bahwa momen beban merupakan faktor terbesar dalam mempengaruhi kemiringan pada pegujian inclining test kapal.

---

The Inclining test is a process to determine the center of gravity of a ship by shifting a test load onto the ship. The purpose of the Inclining test on a ship is to establish the height of the ship's center of gravity and metacenter, which serves as the basis for calculating the ship's stability under various loading conditions (load cases). Inclining test experiments are generally conducted using two methods: directly on the ship after construction is completed and through computational simulations. However, these methods often require considerable preparation time. With the advancement of automation and technology, this research aims to optimize Inclining test measurements more quickly and accurately without waiting for the ship's construction to finish. The approach taken in this study involves creating a model of the ship's Inclining test using the Machine Learning method. Machine Learning is utilized to learn from the data entered into the system, allowing the machine to generate output from Inclining test experiments as if conducted directly on the ship. The research is conducted using Google Spreadsheet to store previously conducted Inclining test data, Github as a repository for machine programming code, and Streamlit as an interface for new data entry. It runs the machine code stored in Github and displays the prediction results. The testing of tools is performed in two stages, where the machine predicts data that has been previously learned and new data. From the research, it is found that the machine is currently able to predict previously learned data with an MSE error of 0.521 but faces difficulties in predicting new data with an MSE error of 16,88. Also machine concluded that Weight momen is the biggest factor during ship inclining test."

"ABSTRAKKlasifikasi emosi manusia merupakan salah satu topik hangat yang dapat dimanfaatkan dalam berbagai bidang, baik medis maupun militer. Emosi manusia sendiri dapat diklasifikasi dengan berbagai metode, salah satunya adalah Machine Learning (ML). Machine learning merupakan proses pembelajaran computer untuk menyelesaikan task tertentu, dengan menggunakan metode ini hasil yang didapatkan akan lebih akurat dan konstan. Dalam tesis ini akan dikembangkan sistem klasifikasi emosi manusia berdasarkan sinyal EEG dari DEAP yang berbasis ML dengan berbagai studi metode ML, seperti Backpropagation Neural Network (BPNN), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM) hingga Random Forest (RF). Sistem klasifikasi kemudian akan dikembangkan kembali menggunakan metode Convolutional Neural Network (CNN). Dari penelitian ini didapatkan bahwa nilai recognition rate yang dihasilkan hanya berkisar 50% dengan nilai maksimal 62%. Sistem juga diberikan feature selection layer untuk memaksimalkan recognition rate, namun penambahan ini tidak memberikan hasil yang signifikan. Dengan demikian recognition rate pada sistem klasifikasi menggunakan sinyal EEG sangat bergantung pada pemrosesan sinyal raw.

---

ABSTRACTThe classification of human emotions is a hot topic that can be utilized in various fields, both medical and military. Human emotions themselves can be classified by various methods, one of which is Machine Learning (ML). Machine learning is a process of learning computers to complete certain tasks, using this method the results obtained will be more accurate and constant. In this thesis a human emotion classification system will be developed based on EEG signals from DEAP dataset using various ML method studies, such as Backpropagation Neural Network (BPNN), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM) to Random Forest (RF). The classification system will be developed again using the Convolutional Neural Network (CNN) method. From this study it was found that the value of the recognition rate produced is only around 50% with a maximum value of 62%. The system is also given a feature selection layer to maximize recognition rate, but this addition does not provide significant results. Thus the recognition rate in the classification system using EEG signals is very dependent on raw signal processing."

"Banyaknya konferensi menyulitkan peneliti memilih konferensi berkualitas. Kemungkinan peneliti tertipu dengan konferensi predator merupakan ancaman nyata yang perlu diperhatikan. Penilaian konferensi umumnya menggunakan pakar yang membutuhkan waktu dan biaya yang tinggi. Penelitian ini fokus untuk menganalisis jika h-indeks, impact factor, jumlah dokumen, dan SJR dapat menghasilkan penilaian kualitas yang sesuai dengan penilaian manual pakar dari beberapa situs penilaian konferensi serta membandingkan hasil performanya dengan penilaian jurnal. Data yang digunakan dikumpulkan dari empat sumber situs web yang mengkalkulasi kualitas konferensi luar negeri, yaitu CORE, ERA/QUALIS, AMiner, dan ScimagoJR. Data untuk penilaian jurnal didapatkan dari Guide2Research. Variabel yang digunakan untuk penilaian adalah h-indeks, jumlah dokumen, impact factor, dan SJR. Penelitian ini menggunakan metode K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, dan Decision Tree (DT). KNN menghasilkan nilai akurasi tertinggi sebesar 72,22% dan f1 score senilai 63,06% menggunakan data Qualis dengan faktor h-indeks, IF, dan SJR.

---

The number of conferences makes it difficult for researchers to choose quality conferences. The possibility of researchers being fooled by predatory conferences is a real threat that deserves attention. Conference assessments generally use experts who require time and money to evaluate the conferences. This study focuses on analyzing whether h-index, impact factor, number of documents, and SJR can produce quality assessments in accordance with expert manual assessments from several conference assessment sites and compare the resulting performance with journal assessments. The data used were collected from four website sources that calculate the quality of overseas conferences, namely CORE, ERA/QUALIS, AMiner, and ScimagoJR. Data for journal assessments were obtained from Guide2Research. The variables used for the assessment are h-index, number of documents, impact factor, and SJR. This research used K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, and Decision Tree (DT). KNN produced the highest accuracy value of 72.22% and the f1 score of 63.06% using Qualis data with the h-index, IF, and SJR factors."