Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Kesehatan mental merupakan salah satu isu kesehatan yang belum terpecahkan di Indonesia. Mahasiswa kedokteran adalah satu dari banyak populasi yang rentan terkena gangguan mental diakibatkan stresor yang tinggi. Stresor ini paling tinggi dialami oleh mahasiswa transisi dari sekolah menengah atas ke fakultas kedokteran, dan dari tahun preklinik ke klinik. Meskipun mereka menerima edukasi formal tentang kesehatan mental, tetapi sangat penting untuk mengetahui dan meningkatkan beberapa parameter kesehatan mental, seperti pengetahuan dan perilaku. Penelitian ini dilakukan untuk mengetahui apakah ada peningkatan pengetahuan dan perilaku pada mahasiswa tingkat tiga preklinik Fakultas Kedokteran Universitas Indonesia sesudah webinar kesehatan mental. Metode: Studi potong lintang ini menggunakan data sekunder berupa nilai pretest dan posttest pada kelompok webinar dan yang tidak menghadiri webinar (kontrol). Kuesioner yang digunakan adalah MAKS (pengetahuan) dan CAMI (perilaku). Total subjek sebanyak 132, di mana 66 masing-masing terdapat di kelompok webinar dan kontrol. Analisis data menggunakan Wilcoxon dan Mann-Whitney, di mana Mann-Whitney untuk membandingkan nilai posttest kelompok webinar dan kontrol. Hasil: Tidak ada kenaikan yang signifikan dalam perilaku pada kelompok webinar dan kontrol (p>0.05), namun terlihat dalam aspek pengetahuan. Tidak ada perbedaan yang berarti juga terlihat pada posttest perilaku antara dua kelompok tersebut, namun terlihat signifikan pada pengetahuan (P<0.05). Kesimpulan: Promosi kesehatan mental dalam bentuk webinar dapat meningkatkan pengetahuan, namun tidak dalam perilaku, terhadap kesehatan mental pada mahasiswa tingkat tiga preklinik Fakultas Kedokteran Universitas Indonesia.

---

Introduction: Mental health issues is one of health concerns that has not yet been overcome in Indonesia. Medical students are among those with high risk of developing mental disorder due to higher exposure to stress. The stressors are higher in medical students transitioning from high schools to first-year medical schools, and from preclinical to clinical years. Despite the formal education about mental health, it is important to identify and improve some specific parameters of mental health, such as knowledge and attitude. This study was conducted to identify whether there is an improvement in knowledge and attitude about mental disorder in third-year preclinical students of Faculty of Medicine Universitas Indonesia before and after webinar of mental health promotion.

Methods: This cross-sectional study uses secondary data in the form of pretest and posttest score of webinar participants and non-webinar (control group). MAKS and CAMI questionnaire are used to assess the knowledge and attitude, respectively. There are a total of 132 subjects, which are equally divided into webinar and control group. The analysis uses Wilcoxon and Mann-Whitney, with the latter being used to compare only between posttest score of webinar and control group.

Results: There is no significant improvement of attitude in both webinar and control groups (p>0.05), as opposite to knowledge (p<0.05). No notable difference is also seen in the attitude using Mann-Whitney, however the outcome (posttest) of knowledge is notably higher in webinar group (p<0.05).

Conclusion: The mental health promotion in the form of a webinar improves knowledge, but does not increase attitude towards mental disorder in third-year preclinical students of Faculty of Medicine Universitas Indonesia."

"Gangguan jiwa merupakan penyakit tidak menular yang menjadi masalah kesehatan masyarakat, baik didunia maupun di Indonesia. Jumlah gangguan jiwa di Kabupaten Kendal meningkat sehingga meningkatnya stres pada keluarga. Penelitian bertujuan untuk mengidentifikasi pengaruh relaksasi otot progresif terhadap tingkat stres keluarga dalam merawat klien gangguan jiwa berat di Poli Jiwa RSUD Dr. H. Soewondo Kendal. Desain penilitian quasi eksperiment prepost test with control group dengan 96 sampel secara purposive sampling, 48 yang mandapat terapi dan 48 kelompok yang tidak mendapat terapi. Hasil penelitian ada perbedaan yang bermakna antara tingkat stres responden pada kelompok yang mendapat dan yang tidak mendapat terapi relaksasi otot progresif (P Value= 0,001). Rekomendasi penelitian ini bahwa terapi relaksasi otot progresif sebaiknya diberikan pada keluarga klien gangguan jiwa yang merupakan care giver utama sebagai upaya mengatasi tingkat stres keluarga dalam merawat klien gangguan jiwa.

---

Mental disorders are not contagious disease that is public health problem, both in the world and in Indonesia. In kendal the number of mental disorders increase so increasing the level of family stress. The purpose of this study to identify the effect of progressive muscle relaxation on the level of family stress in caring for clients of mental disorders in Poli Jiwa RSUD Dr. H. Soewondo Kendal. Quasi experiments research design pre-post test with control group with 96 sampels by purposive sampling ,48 groups received therapy and 48 groups did not receive therapy.

The results showed that a progressive muscle relaxation exercise significant difference between the stress levels in the group who received and did not receive therapy (P Value= 0.001). Recommendations of this research that progressive muscle relaxation therapy should be given to families who are clients of mental disorders as a primary care giver stress levels of families cope with caring for clients in mental disorders."

"Skizofrenia adalah gangguan jiwa yang serius dan kronis. Penyakit ini ditandai dengan gangguan dalam pemikiran, persepsi, dan tingkah laku. Karena gangguan-gangguan ini dapat memicu penderita Skizofrenia untuk bunuh diri atau mencoba bunuh diri, penderita Skizofrenia mempunyai usia harapan hidup yang lebih rendah dari populasi umum. Skizofrenia juga sulit untuk didiagnosis karena belum ada tes secara fisik untuk mendiagnosisnya dan gejala-gejalanya sangat mirip dengan beberapa gangguan jiwa lainnya. Dengan menggunakan Northwestern University Schizophrenia Data, penelitian ini bertujuan untuk mengklasifikasikan orang yang menderita Skizofrenia dan orang yang tidak menderita Skizofrenia. Data tersebut terdiri dari 392 observasi dan 65 variabel yang merupakan data demografis dan data kuesioner Scale for the Assessment of Positive Symptoms dan Scale for the Assessment of Negative Symptoms yang diisi oleh klinisi. Metode klasifikasi yang digunakan adalah machine learning dengan metode Support Vector Machines SVM dan Twin Support Vector Machines Twin SVM menggunakan MATLAB R2017a. Simulasi dilakukan dengan data dan persentase data training dan testing yang berbeda-beda. Pada setiap simulai, akurasi serta running time diukur. Validasi dan evaluasi performa dari model yang telah dioptimasi dilakukan dengan mengambil rata-rata dari sepuluh kali Hold-Out Validation yang dilakukan. Pada umumnya, metode Twin SVM berhasil mengklasifikasikan data Skizofrenia dengan lebih akurat dibandingkan dengan metode SVM. Metode Twin SVM dengan kernel Gaussian menghasilkan hasil akhir akurasi klasifikasi data Skizofrenia yang terbaik, yaitu 91,0 . Berdasarkan hasil akhir running time, metode SVM dengan kernel Gaussian untuk klasifikasi data Skizofrenia mempunyai running time yang paling cepat, 0,664 detik. Selain itu, metode SVM dengan kernel linear, metode SVM dengan kernel Gaussian, dan metode Twin SVM untuk klasifikasi data Skizofrenia berhasil mencapai akurasi hingga 95,0 dalam setidaknya satu simulasi.

---

Schizophrenia is a severe and chronic mental disorder. This disorder is marked with disturbances in thoughts, perceptions, and behaviours. Due to these disturbances that can trigger Schizophrenics to commit suicide or attempt to do so, Schizophrenics have a lower life expectancy than the general population. Schizophrenia is also difficult to diagnose as there is no physical test to diagnose it yet and its symptoms are very similar to several other mental disorders. Using Northwestern University Schizophrenia Data, this research aims to distinguish people who are Schizophrenics and people who are not. The data consists of 392 observations and 65 variables that are demographic data as well as clinician filled Scale for the Assessment of Positive Symptoms and Scale for the Assessment of Negative Symptoms questionnaires. Classification methods that are used are machine learning with Support Vector Machines SVM and Twin Support Vector Machine Twin SVM using MATLAB R2017a. Simulations are done with different data and percentage of training and testing data. In each simulation, accuracy and running time are measured. Performance validation and evaluation of the optimized models are done by taking the average of ten times Hold Out Validations that were done. In general, Twin SVM successfully classified Schizophrenia data more accurately than the SVM method. Twin SVM with Gaussian kernel produced the best final accuracy in classifying Schizophrenia data, 91.0 . Based on the final running time, SVM with Gaussian kernel has the fastest running time in classifying Schizophrenia data, 0.664 seconds. Furthermore, SVM with linear kernel, SVM with Gaussian kernel, and Twin SVM managed to reach an accuracy of 95.0 in at least one simulation in classifying Schizophrenia data."

"Semakin tinggi penetrasi penggunaan Internet seseorang, maka akan semakin berpotensi terkena Gangguan Adiksi Internet (GAI) yang dapat berdampak buruk pada status kesehatan mental penggunanya. Mayoritas penduduk Indonesia telah menggunakan layanan Internet selama 2 sampai 3 tahun dengan penggunaan rata-rata di atas 8 jamperhari. Hal tersebut menunjukkan penggunaan Internet dan potensi dampaknya pada kesehatan mental di Indonesia penting untuk diperhatikan sedini mungkin. Penelitian lain menunjukkan bahwa tingkat kesehatan mental yang dialami seseorang dapat mempengaruhi perilaku penggunaan Internetnya, sehingga menyebabkan munculnya keinginan yang tidak terkendali dan berlebihan dalam pengaksesan Internet. Secara tidak langsung, hal tersebut menyatakan bahwa kesehatan mental seseorang juga dapat diamati melalui tingkah laku serta kebiasaan seseorang dalam menggunakan Internet. Prediksi GAI dan gangguan kesehatan mental mahasiswa UI dilakukan dengan menggunakan algoritma pemelajaran mesin Support Vector Machine (SVM) berdasarkan perilaku penggunaan Internet yang dilakukan. Sampel diambil dari mahasiswa UI rumpun Ilmu Saintek (Ilmu Komputer, Teknik, dan MIPA). Data yang diambil adalah riwayat penulusuran halaman website yang diakses oleh mahasiswa dan hasil kuesioner Internet addiction test (IAT) dan General Health Questionnaire (GHQ-12). Riwayat penelusuran website dijadikan himpunan fitur yang merepresentasikan perilaku penggunaan Internet responden, sedangkan hasil skor kuesioner IAT dan GHQ-12 digunakan untuk menjadi ground truth atau label pada dataset. Tahapan preprocessing yang dilakukan adalah metode Synthetic Minority Over-Sampling Technique (SMOTE) untuk mengatasi ketidak seimbangan persebaran data pada kelas data yang digunakan. Metode SVM selanjutnya dibandingkan dengan performa lainnya seperti Decision Tree dan k-Nearest Neighbor (kNN). Untuk meningkatkan performa akurasinya, peneliti menggunakan metode grid search untuk mendapatkan parameter terbaik. Proses validasi dilakukan menggunakan cross-validation pada metode grid search. Hasil yang didapatkan menunjukkan bahwa performa akurasi tertinggi pada SVM untuk memprediksi GAI adalah 88% pada dataset kedua. Saat dilakukan perbandingan hasil dengan metode pemelajaran mesin Decision Tree dan kNN, didapatkan performa nilai akurasi tertinggi dicapai pada metode Decision Tree dengan nilai akurasi sebesar 96%. Sedangkan untuk prediksi gangguan kesehatan mental, metode SVM mendapatkan nilai performa akurasi tertinggi sebesar 71% pada dataset gabungan. Saat dilakukan perbandingan hasil performa akurasi dengan DecisionTree dan kNN, didapatkan nilai performa akurasi tertinggi dicapai pada metode kNN sebesar 72%. Hasil penelitian ini menunjukkan bahwa metode grid search meningkatkan performa SVM, Decision Tree, dan kNN karena adanya perubahan nilai parameter.

---

Excessive internet usage lead to potential Internet Addiction Disorders (IAD) which affect user`s mental health. The mayority of Indonesian people have been used Internet services for 2 until 3 years in their lives with an average use of above 8 hours per day. It shows that an increase of internet usage has a positive potential impact to an increase in mental disorder. Other research shows that the level of mental health experienced by a person can influence his Internet usage behavior, thus causing an uncontrolled and excessive desire to access the Internet. It could be concluded that the mental health can also be observed through one`s behavior and habits in using the Internet. This study predicts the internet addiction disorder (IAD) and mental health disorder status of UI students by using machine learning based on Support vector Machine (SVM) algorithm. This study used behaviour of internet usage for the input. Samples used in this study were taken from Universitas Indonesia`s students with Science and Technology background. The data collection period was set before and after the exam period. Data collected in this study included history of website accessed by students and questionnaires based on Internet addiction test (IAT) and General Health Questionnaire (GHQ-12). Student`s website history would be used as feature data set that represent user internet usage behavior, while the IAT and GHQ-12 questionnaires results were used as the label. The preprocessing stage was carried out using Synthetic Minority Over-Sampling Technique (SMOTE) method to overcome the imbalance of data distribution in class used. Then, student`s website history would be analyzed using machine learning based on SVM algorithm to predict IAT and mental health status. This study also compared other algorithms such as Decision Tree and k-Nearest Neighbor (kNN). The optimization of machine learning model was conducted using grid search method to obtain the best

parameters. The validation of the model would be carried out using the cross-validation obtained from grid search method. Based on the results obtained, it shows that the highest accuracy for predicting internet addiction was obtained from SVM algorithm with 88% accuracy for the second dataset. Comparison with other models showed that Decision Tree obtained the highest accuracy value of 96% for predicting internet addiction. For the prediction of mental health disorder, SVM algorithm obtained the highest accuracy than Decision Tree or kNN. The SVM algorithm can predict with accuracy of 71% with combined dataset. When comparing the accuracy result with the accuracy of Decision Tree and kNN, the highest accuracy value of 72% was achieved by kNN method. The optimal value of accuracy is obtained when the grid search method is performed. The results of this study indicate that the grid search method has succeeded in improving the performance of SVM, Decision Tree, and kNN due to parameter value changes."