Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD. ......The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method.

Abstrak :
Masalah kesehatan mental pada kelompok mahasiswa merupakan isu yang perlu menjadi perhatian. Secara khusus, tingginya prevalensi gejala depresi juga ditemukan dalam kelompok mahasiswa. Berbagai kondisi yang menyertai peran mahasiswa menjadi faktor risiko berkembangnya gejala depresi pada mahasiswa, salah satunya adalah pengalaman lonelinesss. Selain faktor risiko, masalah depresi pada mahasiswa perlu ditinjau pula faktor yang dapat memproteksi. Self-compassion pada penelitian terdahulu ditemukan berhubungan dengan kesehatan mental yang lebih baik. Untuk mendapat gambaran yang lebih jelas akan fenomena depresi dan lebih lanjut menyusun tindakan pencegahan serta intervensi terkait maka perlu diuji bagaimana loneliness dan self-compassion berperan dalam kehadiran gejala depresi pada mahasiswa. Sebanyak 401 mahasiswa di Jabodetabek terlibat dalam penelitian ini dengan mengisi instrumen pengukuran secara daring. Data dianalisis dengan menggunakan analisis regresi berganda. Hasil penelitian menunjukkan bahwa loneliness memiliki peran yang signifikan dalam memprediksi meningkatnya gejala depresi sementara self-compassion mampu memprediksi berkurangnya gejala depresi pada mahasiswa. Secara khusus, tipe emotional loneliness yang mampu memprediksi berkembangnya gejala depresi. Penelitian ini menggambarkan pentingnya mempertimbangkan kualitas relasi serta mengembangkan self-compassion dalam upaya mengurangi gejala depresi pada mahasiswa. ......Mental health problems in college students are issues that need special attention. Particularly, the high prevalence of depressive symptoms was also found in college students. Various conditions accompanying the role of college students lead to higher risk for developing depression symptoms, for instance the experience of loneliness. In addition to risk factors, protective factors should be considered as well. Earlier researches found self-compassion to be associated with better mental health. To get a clearer picture about depression and to further develop preventive measures and related interventions, it is necessary to examine how loneliness and self-compassion play a role in the presence of depressive symptoms in college students. A total of 401 college students in Jabodetabek area were involved in this research by completing online measurement instruments. Data were analyzed using multiple regression analysis. The results showed that loneliness had a significant role in predicting the increase in depressive symptoms while self-compassion was able to predict the reduction of depressive symptoms in college students. Particularly, emotional loneliness has a significant role to predict depressive symptoms in college students. This study illustrates the importance of considering the quality of relationships and developing self-compassion in an effort to reduce depression symptoms in college students.

Abstrak :
Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN. ......The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances.

Abstrak :
Anxiety and depression in children and adolescents offers a developmental psychology perspective for understanding and treating these complex disorders as they manifest in young people. Adding the school environment to well-known developmental contexts such as biology, genetics, social structures, and family, this significant volume provides a rich foundation for study and practice by analyzing the progression of pathology and the critical role of emotion regulation in anxiety disorders, depressive disorders, and in combination. Accurate diagnostic techniques, appropriate intervention methods, and empirically sound prevention strategies are given accessible, clinically relevant coverage. Illustrative case examples and an appendix of forms and checklists help make the book especially useful. Featured in the text: Developmental psychopathology of anxiety, anxiety disorders, depression, and mood disorders. Differential diagnosis of the anxiety and depressive disorders. Assessment measures for specific conditions. Age-appropriate interventions for anxiety and depression, including CBT and pharmacotherapy. Multitier school-based intervention and community programs. Building resilience through prevention.