Hasil Pencarian  ::  Simpan CSV :: Kembali

"Corona Virus Disease atau COVID-19 merupakan sebuah wabah yang ditemukan pada akhir tahun 2019 di provinsi Wuhan, China, yang kemudian menyebar ke seluruh dunia. Reverse Transcription Polymerase Chain Reaction (RT-PCR) kemudian digunakan sebagai metode diagnosa COVID-19. Namun metode RT-PCR memerlukan waktu yang lama dalam proses diagnosa sehingga American College of Radiography (ACR) merekomendasi penggunaan alat radiografi seperti Computed Tomography Scan (CT- Scan) dan X-ray sebagai metode tambahan dalam mendiagnosa COVID-19. X-ray kemudian dipilih sebagai metode tambahan dalam mendiagnosa COVID-19 karena alat yang digunakan lebih fleksibel dan sudah tersebar luas di berbagai klinik kesehatan. Pada penelitian ini, penulis menggunakan pendekatan neural network yaitu Convolutional Neural Network (CNN) untuk metode Deep Feature Extraction dan metode klasifikasi klasik dalam membuat model yang dapat mengklasifikasi paru-paru normal, terjangkit COVID-19, dan pneumonia berdasarkan data citra X-ray. Arsitektur CNN yang digunakan dalam penelitian ini adalah ResNet-50 dan metode klasifikasi klasik yang digunakan adalah Support Vector Machine (SVM), Random forest, K-Nearest Neighbor (KNN), dan Extreme Gradient Boosting (XGBoost). Dataset yang digunakan dalam penelitian ini adalah COVID-19 Image Data Collection oleh J. P. Cohen, ChestX-Ray8 Dataset oleh National Institute of Health, dan Chest X-ray Dataset oleh Mendeley Data. Selanjutnya, model dilatih menggunakan ResNet-50 untuk proses ekstraksi fitur dari fully connected layer. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi klasik SVM, Random forest, KNN, dan XGBoost. Berdasarkan hasil simulasi, diketahui akurasi terbaik didapatkan oleh kombinasi antara ResNet-50 dan SVM dengan 94,22%. Recall terbaik didapatkan oleh kombinasi antara ResNet-50 dan KNN dengan 94%. Precision terbaik didapatkan oleh ResNet-50 dengan 94,36%. Running time terbaik didapatkan oleh ResNet-50 dengan 0,0006 detik.

---

Corona Virus Disease or COVID-19 is an outbreak that was discovered at the end of 2019 in the province of Wuhan, China, which then spread throughout the world. Reverse Transcription Polymerase Chain Reaction (RT-PCR) was then used as a method of diagnosing COVID-19. However, the RT-PCR method requires a long time in the diagnostic process so the American College of Radiography (ACR) recommends the use of radiographic tools such as Computed Tomography Scan (CT-Scan) and X-ray as additional methods in diagnosing COVID-19. X-ray was then chosen as an additional method in diagnosing COVID-19 because the tool used is more flexible and is already widespread in various health clinics. In this study, the author uses a neural network approach, namely the Convolutional Neural Network (CNN) for the Deep Feature Extraction method and the Machine Learning approach for the classification method in making a model that can classify normal lungs, infected with COVID-19, and pneumonia based on X-ray image. The CNN architecture used in this study is ResNet-50 and the Classifier used is Support Vector Machine (SVM), Random forest, K-Nearest Neighbor (KNN), and Extreme Gradient Boosting (XGBoost). The datasets used in this study were the COVID-19 Image Data Collection by J. P. Cohen, the ChestX-Ray8 Dataset by the National Institute of Health, and the Chest X-ray Dataset by Mendeley Data. The model was then trained using the CNN method with the ResNet-50 architecture. Furthermore, the fully connected layer in the ResNet-50 architecture was replaced using the SVM, Random forest, KNN, and XGBoost classifiers. Based on the simulation results, the best accuracy is obtained by combination of ResNet-50 and SVM with 94.22%. The best recall was obtained by a combination of ResNet-50 and KNN with 94%. The best precision was obtained by ResNet-50 with 94.36%. The best running time was obtained by ResNet-50 with 0.0006 seconds."

"Siswa di sekolah tergolong dalam kelompok rentan tertular infeksi Covid-19 dari sekelilingnya. Pengetahuan dan perilaku dari siswa menjadi tolak ukur dalam mencegah penularan. Penelitian ini bertujuan untuk mengidentifikasi hubungan pengetahuan dan perilaku memutus rantai infeksi Covid-19. Penelitian menggunakan metode deskriptif cross-sectional. Sampel penelitian ini adalah 291 siswa SMPN 1 Cisaat Kab. Sukabumi dengan teknik pengambilan sampel Simple Random Sampling melalui dalam jaringan.. Hasil analisis didapati bahwa tingkat pengetahuan siswa tentang Covid-19 termasuk dalam kategori baik (83,2%). Perilaku siswa berada pada kategori baik (67,7%). Ada hubungan bermakna antara pengetahuan dengan perilaku siswa tentang Covid-19 (p=0,002, α=0,05). Perlu digalakkan promosi kesehan mengenai kontrol agen infeksius untuk meningkatkan pengetahuan siswa mengenai Covid-19.

---

Students in the school are classified as vulnerable to contracting Covid-19 infection around them. The knowledge and behavior of students become a benchmark in preventing transmission. This study aims to identify knowledge and behavior relationships to break the chain of Covid-19 infection. This research used descriptive cross-sectional methods. The sample of this study was 291 students SMPN 1 Cisaat Kab. Sukabumi using the Simple Random Sampling technique via online. The analysis found that students' knowledge level about Covid-19 falls into the good category (83.2%). Student behavior was in a good category (67.7%). There is a meaningful relationship between knowledge and student behavior about Covid-19 (p=0,002, α=0,05). It is necessary to encourage the campaign of health concerning the control of infectious agents to increase students' knowledge about Covid-19."

"COVID-19 telah merenggut nyawa banyak manusia. Tercatat per tanggal 29 Juni 2021, sudah terdapat sekitar 3,923,238 pasien yang meninggal dunia akibat penyakit dengan tingkat penularan yang tinggi ini. Dengan semakin banyaknya orang yang terinfeksi COVID-19, persediaan alat untuk mendeteksi penyakit ini pun juga semakin terbatas yang dapat menyebabkan pandemi COVID-19 pun menjadi semakin tidak terkendali. Oleh karena itu, penting untuk mempertimbangkan metode deteksi COVID-19 lainnya yang dapat membantu para staf kesehatan untuk melakukan deteksi pasien positif COVID-19.Metode deteksi COVID-19 lainnya yang bisa dipertimbangkan untuk dikembangkan adalah metode deteksi COVID-19 dengan artificial intelligence. Dengan metode tersebut, data-data seperti data gejala pasien, data citra toraks, serta data interpretasi citra berupa teks dapat dimanfaatkan untuk mengembangkan suatu model prediksi COVID- 19. Ketiga tipe data yang berbeda tersebut dapat dikombinasikan sebagai data input untuk membangun suatu model klasifikasi COVID-19. Pengkombinasian data yang berbeda dapat dilakukan dengan cara melakukan konkatenasi pada tiap input layer yang menerima data gejala dan data teks dengan suatu layer dari arsitektur CNN. Beberapa arsitektur CNN yang dapat digunakan pada penelitian ini adalah ResNet, DenseNet, Inception- ResNet, DarkCovidNet, CoroNet, dan COVID-Net. Selain itu, metode Grad-CAM juga dipilih untuk proses deteksi persebaran coronavirus.Hasil pengujian menunjukkan bahwa banyak model yang dihasilkan dari pendekatan kombinasi data gambar, data tabular, dan data teks memiliki nilai sensitivitas, akurasi, serta f1-score yang tinggi. Hal tersebut menunjukkan bahwa pendekatan tersebut secara umum menghasilkan model-model dengan performa yang tinggi juga seimbang. Namun, berdasarkan hasil pengujian pula, diketahui bahwa model yang memiliki performa tertinggi dicapai oleh model dari pendekatan klasifikasi gambar dengan data tabular yang menggunakan arsitektur DenseNet khususnya dengan nilai learning rate = 10−3. Model tersebut tercatat memiliki performa yang tinggi dan seimbang dengan nilai sensitivitasnya mencapai angka 1,00, akurasi mencapai angka 0,94, dan F1-Score mencapai angka 0,94.

---

COVID-19 has taken the lives of many people. As of June 29th 2021, there were approximately 3.923.238 deaths due to this highly contagious disease. With the increasing number of infected people, the COVID-19 detection tool supplies are also getting limited that can lead to an out-of-control situation. Therefore, it is quite necessary to consider alternative methods for COVID-19 detection.

Another COVID-19 detection that can be considered to be developed is a COVID- 19 detection method with artificial intelligence. With artificial intelligence, a COVID-19 prediction model can be built by using any available data such as patient symptom dataset, patient thorax images especially chest X-Ray, and thorax interpretations in text form. Those three types of data can be utilized and combined as data input to build a COVID-19 detection system. The combination of those three different types of data can be done with the concatenation of each input layer of tabular and text data with a layer from a CNN architecture. In this study, there are six CNN architectures used and those are ResNet, DenseNet, Inception-ResNet, DarkCovidNet, CoroNet, and COVID-Net. Besides, the Grad-CAM technique is also implemented for coronavirus detection purposes.

The result shows that most of the models from the combined image, tabular, and text datasets offer high sensitivities, accuracies, and scores of F1-Score. It means that the combined image, tabular, and text datasets generally obtained high performance and balanced models. However, according to the test results, the best performance model is achieved by the combined image and tabular datasets approach with DenseNet architecture and the learning rate of 10−3. Such a model achieves the best performance model with an accuracy score of 0.94, a sensitivity score of 1.00, and an f1-score of 0.94."

"Pandemi COVID-19 telah mengganggu banyak aspek kehidupan global. Tidak hanya memengaruhi perekonomian, penganggulangan pandemic untuk memperlambat laju penyebaran virus juga memberikan dampak bagi kondisi mental masyarakat. Studi ini ditujukan untuk melihat hubungan tingkat kebijakan pembatasan sosial, kehilangan pekerjaan, dan kehilangan pendapatan selama pandemic terhadap kesehatan mental individu. Penelitian ini menggunakan data nasional yang dikumpulan oleh CISDI melalui telepon survei. Sejumlah 1031 observasi, terdiri dari individu umur 15-65 tahun yang berpartisipasi di Angkatan kerja dan bekerja sebelum pandemi, digunakan dalam penelitian ini. Berdasarkan 5 indikator negative mental health impact, dari keseluruhan sampel, 42,93% merasa lebih takut, 47.72% merasa lebih cemas, 18,33% merasa lebih tidak berdaya, 39.67% mengalami peningkatan stress kerja, dan 46,36% mengalami peningkatan stress keuangan. Hasil dari regresi logistik biner yang dilakukan meunjukkan bahwa kehilangan pekerjaan dan kehilanagn pendapatan berkaitan dengan dampak kesehatan mental yang buruk. Sedangkan pembatasan sosial tidak berasosiasi secara kuat dengan dampak kesehatan mental yang buruk. Hasil ini berimplikasi bahwa efek ekonomi terbukti dirasakan oleh responden penelitian ini, tetapi efek isolasi sulit dibuktikan di sini. Keberadaan efek isolasi dapat dijelaskan dengan variabel lain, yaitu status bekerja dari rumah dan penurunan frekuensi bertemu langsung dengan teman/kolega/saudara.

---

The pandemic of COVID-19 has interrupted many aspects of life globally. Not only affecting the economy, the containment measures to slow down the spread of the virus has also impacting people’s mental well-being. This study aimed to assess the relation of social restriction policy level, job loss, and income loss during the COVID-19 pandemic to individual mental health. A national representative data collected by CISDI through a phone survey was used in this study. A total of 1031 observations aged 15-65 who participated in the labour force and worked prior to the pandemic were included in the study. Based on five negative mental health impact indicators, of all the sample, 42.39% felt more horrified, 47.72% felt more apprehensive, 18.33% felt more helpless, 39.67% increased stress from work, and 46.36% increased financial stress. The results from our binary logistic regression showed that job loss and income loss were attributed to negative mental health impacts. Meanwhile, the social restriction was not significantly associated with it. The findings imply that economic effect was evident in our sample, yet the isolation effect due to social restriction was barely proven here. Besides, the existence of isolation effects could be explained by WFH status and decreased meeting frequency with friends/colleagues/family."