Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini memprediksi kualitas air Sungai Ciliwung berdasarkan parameter pH hasil pemantauan Online Monitoring menggunakan dua model Deep Learning yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Parameter input adalah pH dengan tiga skenario kombinasi yaitu waktu ganjil (t, t-1, t-3, t-5), genap (t, t+2, t-4, t-6) dan waktu berurutan (t, t-1, t-2, t-3) dengan target pH pada t+1, t+2 dan t+3. Parameter model adalah Optimizer dengan Adaptive Moment (Adam) sebagai Optimizer, aktivasi menggunakan Rectified Linear Unit (ReLU) dengan jumlah Epoch 500, dan Loss menggunakan Mean Squared Error (MSE). Kriteria Evaluasi menggunakan Coefficient of Determination (R2 ), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pemodelan menunjukkan selisih terendah antara pH riil dengan pH prediksi adalah 0 dan tertinggi 0,79. Pada model CNN, dari 9 nilai R2 ada 7 yang mendekati nilai 1, artinya persamaan regresi sesuai antara nilai variabel dependen dengan variabel independen, dan 2 mendekati nilai 0 yang artinya persamaan regresi tidak sesuai antara nilai variabel dependen dengan variabel independen. Selanjutnya, dari 9 nilai MAPE terdapat 5 nilai yang menunjukkan model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Pada model LSTM, ada 8 dari 9 R2 yang memiliki nilai mendekati 1 dan hanya 1 yang mendekati 0. Selanjutnya, 6 dari 9 MAPE berada dalam rentang model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Dari hasil penelitian diketahui bahwa semakin jauh titik prediksi yang di tuju maka relasi antara pH riil dengan pH prediksi semakin lemah. Ini ditunjukan oleh nilai R2 semakin kecil pada t+3 untuk semua parameter input. Dari hasil di atas disimpul bahwa Model LSTM dan CNN dapat digunakan untuk memprediksi kualitas air sungai Ciliwung berdasarkan parameter pH karena mayoritas nilai R2 mendekati 1, MAPE sebagian besar berada dalam model prediksi kelompok baik. Di antara dua model yang digunakan, model LSTM lebih baik dari pada model CNN karena memiliki nilai R2 yang mendekati 1 dan MAPE pada model prediksi baik lebih banyak. ......This research predicts the water quality of the Ciliwung River based on pH parameters from Online Monitoring using two Deep Learning models, namely Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). The input parameter is pH with three combination scenarios, namely odd times (t, t-1, t-3, t-5), even (t, t+2, t-4, t-6) and sequential times (t, t -1, t-2, t-3) with pH targets at t+1, t+2 and t+3. The model parameters are Optimizer with Adaptive Moment (Adam) as Optimizer, activation uses Rectified Linear Unit (ReLU) with a number of Epochs of 500, and Loss uses Mean Squared Error (MSE). Evaluation criteria use Coefficient of Determination (R2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The modeling results show that the lowest difference between real pH and predicted pH is 0 and the highest is 0.79. In the CNN model, of the 9 R2 values there are 7 that are close to 1, meaning that the regression equation matches the value of the dependent variable and the independent variable, and 2 are close to 0, which means that the regression equation does not match the value of the dependent variable and the independent variable. Furthermore, of the 9 MAPE values, there are 5 values that indicate a good prediction model, the rest are in the range of a sufficient prediction model. In the LSTM model, there are 8 out of 9 R2 which have values close to 1 and only 1 which is close to 0. Furthermore, 6 out of 9 MAPEs are in the good prediction model range, the rest are in the fair prediction model range. From the research results, it is known that the further away the prediction point is, the weaker the relationship between real pH and predicted pH. This is shown by the R2 value getting smaller at t+3 for all input parameters. From the results above, it can be concluded that the LSTM and CNN models can be used to predict the water quality of the Ciliwung River based on the pH parameter because the majority of R2 values are close to 1, the MAPE is mostly in the good group prediction model. Between the two models used, the LSTM model is better than the CNN model because it has an R2 value that is close to 1 and the MAPE in the good prediction model is higher.

Abstrak :
Pendahuluan : Infertilitas merupakan salah satu gejala pada endometriosis dengan prevalensi mencapai 40-50%. Endometriosis memiliki dampak merugikan terhadap kualitas oosit, sementara sampai saat ini belum ada biomarker baik dari serum ataupun cairan folikel yang dapat dijadikan acuan penilaian kualitas oosit untuk dapat digunakan pada pasien endometriosis yang menjalani fertilisasi in vitro (FIV). Telah ditemukan bahwa pada serum pasien endometriosis terjadi perubahan ekspresi microRNA dimana miRNA-125b memiliki peningkatan yang paling signifikan dengan sensitifitas dan spesifisitas yang paling tinggi. Pada cairan folikel, miRNA-125b berperan saat transisi fase folikular-luteal dengan mempengaruhi ekspresi leukemia inhibitory factor (LIF). LIF diketahui dapat menginduksi sel kumulus yang kemudian mempengaruhi maturasi oosit. Tujuan: Tujuan penelitian ini adalah untuk mencari apakah terdapat hubungan antara miRNA-125b serta LIF dengan kualitas oosit pada pasien infertil dengan endometriosis. Desain: Studi Analitik korelatif dengan desain potong lintang. Material dan Metode: Sampel penelitian didapatkan dari 31 pasien infertil dengan endometriosis yang menjalankan program FIV di Klinik Yasmin RSCM Kencana, dan Klinik Melati RSAB Harapan Kita. Sesaat sebelum petik ovum, sebanyak 5cc sampel darah dari setiap pasien akan diambil untuk penilaian ekspresi miRNA-125b. Pada saat petik ovum, sebanyak 10cc dari total cairan dari folikel yang didapat akan diambil untuk penilaian ekspresi miRNA-125b dan kadar LIF. Oosit yang didapat dinilai oleh embriolog. Pemeriksaan ekspresi miRNA dilakukan dengan RT-PCR, dan kadar LIF menggunakan metode sandwich ELISA. Hasil:Terdapat korelasi negatif antara miRNA-125b serum dengan LIF cairan folikel (p=0,042; r=-0,34). Tidak terdapat korelasi antara miRNA-125b serum dengan miRNA-125b cairan folikel. Tidak terdapat korelasi antara miRNA-125b cairan folikel dengan LIF cairan folikel. Tidak terdapat korelasi antara miRNA-125b serum, miRNA-125b cairan folikel, dan LIF cairan folikel dengan kualitas oosit. Terdapat hubungan yang bermakna antara kadar ekspresi miRNA-125b cairan folikel dengan angka kehamilan biokimia. Kesimpulan: Terdapat ekspresi miRNA-125b pada serum dan cairan folikel pada pasien endometriosis, namun miRNA-125b belum dapat dijadikan sebagai parameter yang kuat untuk pemeriksaan kualitas oosit pada pasien endometriosis yang menjalani FIV. ......Introduction : Infertility is one of the symptoms in endometriosis with prevalence reaching 40-50%. Endometriosis is known to have detrimental effect on oocyte quality, yet until now there is no biomarker derived from either serum, or even follicular fluid, which can be used as reference for oocyte quality assessment in endometriosis patients going through in vitro fertilization (IVF) procedures. Changes of some microRNAs expression has been found in serum of endometriosis patients, with miRNA-125b showing the most significant increase with the highest sensitivy and specificity. In follicular fluid, miRNA-125b play role during follicular-lutheal phase transition by targeting the expression of Leukemia Inhibitory Factor (LIF). LIF has been studied to have the ability to induce cumulus cell expansion which in turn will affect the oocytes maturation. Purpose: The purpose of this study is to observe the correlation between miRNA-125b, LIF, and oocyte quality in infertile patient with endometriosis. Design: this is a cross-sectional study with correlation analysis method. Materials and Methods: in this study, samples were collected from 31 infertile women with endometriosis undergoing in vitro fertilization procedure at Yasmin Clinic of Dr. Cipto Mangunkusumo Hospital, and Melati Clinic of Harapan Kita Mother and Child Hospital. Shortly prior to ovum pick up (OPU) procedure, 5cc of blood sample from each patients was collected, and 10 cc of total follicular fluid was obtained during OPU. Harvested oocytes during the procedure were assessed and scored by embryologist. MiRNA-125b expressions from serum and follicular fluid samples were analyzed using RT-PCR, and LIF levels were analized using ELISA sandwich method. Result: negative correlation was found between the expression of miRNA-125b serum and LIF follicular fluid (p=0,042; r=-0,34). No correlation was found between the expression of miRNA-125b in serum and in follicular fluid, as well as the expression of miRNA-125b in follicular fluid and LIF in follicular fluid. No correlation was found between the expression of miRNA-125b in serum, follicular fluid, also LIF in follicular fluid, with oocyte quality. Significant result was found between the expression of miRNA-125b in follicular fluid and biochemical pregnancy rate. Conclusion: This study found miRNA-125 expression represented in serum and follicular fluid in endometriosis patient, but it still cannot be used as a strong parameter for assessing the oocyte quality in infertile women with endometriosis