Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kesadaran masyarakat Indonesia terhadap gangguan kejiwaan pada mahasiswa tergolong rendah, walaupun prevalensinya masih tinggi. Penelitian ini ingin membandingkan pola sintaksis antara mahasiswa dengan gejala depresi dan tanpa gejala depresi dengan mengukur rerata jumlah pronomina persona orang pertama tunggal. Machine learning digunakan dalam analisis pola sintaksis agar jumlah pronomina persona orang pertama tunggal dapat menjadi penanda biologis yang objektif dari gejala depresi untuk kepentingan skrining dan pencegahan dini. Studi potong lintang dilakukan pada mahasiswa S1 Universitas Indonesia yang berlokasi di Depok dan diperoleh 121 responden dengan data yang mencukupi untuk dianalisis. Hasil pengukuran kuesioner DASS-21 menemukan 37 mahasiswa dengan gejala depresi dan 84 mahasiswa tanpa gejala depresi. Aplikasi berbasis machine learning “StethoSoul” dimanfaatkan dalam proses ekstraksi dan deteksi fitur linguistik dari responden. Mann-Whitney U test dilakukan untuk melihat korelasi antara jumlah pronomina persona orang pertama tunggal dengan gejala depresi. Penelitian ini tidak menemukan korelasi yang signifikan antara kedua variabel yang diteliti. Penemuan ini berkontradiksi dengan hasil dari banyak penelitian yang mendahului. Meskipun hasil tidak signifikan secara statistik, terdapat peningkatan jumlah pronomina persona orang pertama tunggal pada mahasiswa dengan gejala depresi. Dengan demikian, tidak dapat disimpulkan bahwa kedua variabel tidak berhubungan karena berbagai faktor keterbatasan pada studi ini. ......Although the prevalence of depression on university students is high, awareness regarding their mental health in Indonesia remains underestimated. This research compared the syntax pattern between undergraduates with and without depression symptoms by measuring the average sum of first-person singular personal pronouns. Syntax pattern was analysed with the assistance of machine learning so that first-person singular personal pronouns can become an objective biomarker of depression symptoms for future screening and preventive measures. A cross-sectional study was conducted on undergraduate students at University of Indonesia in Depok. A total of 121 respondents who fulfilled the criteria were analyzed. Based on DASS-21 measurement, 37 students displayed depression symptoms while 84 others did not. “StethoSoul”, a machine-based learning application, was utilized to extract and detect linguistic features of the respondents. Mann-Whitney U test was done and showed no statistically significant correlation between the two variables being studied. This finding contradicts the outcomes of numerous prior studies. However, an increase in the number of first-person singular personal pronouns of undergraduates with depression symptoms was evident. Therefore, it cannot be concluded that the variables under investigation do not exhibit any correlation due to the limitations inherent in this study.

Abstrak :
Latar Belakang Gangguan kecemasan lebih banyak terjadi pada saat seseorang memasuki fase dewasa muda. Kecemasan merupakan salah satu faktor risiko dalam perilaku bunuh diri di dunia dan penyebab kematian kedua yang terjadi di kalangan mahasiswa atau dewasa muda. Saat ini, perkembangan AI dalam bentuk aplikasi berbasis machine learning telah banyak digunakan dalam berbagai bidang. Akan tetapi, penggunaan aplikasi berbasis machine learning di dunia medis, khususnya dalam mendeteksi dini gangguan kecemasan di Indonesia masih terbatas. Metode Studi ini menggunakan desain studi cross-sectional, dengan metode pengambilan sampel purposive sampling. Data terkait gejala kecemasan akan diambil dari hasil pengisian kuesioner STAI, sedangkan perseverasi akan dihitung melalui hasil transkrip perekaman suara pada aplikasi “StethoSoul”. Karakteristik studi akan ditampilkan dalam bentuk data deskriptif. Analisis statistik menggunakan uji alternatif Mann-Whitney, dengan hasil yang dianggap signifikan adalah p<0,05. Hasil Dalam penelitian ini terdapat total sebanyak data dari 121 mahasiswa yang memadai untuk dianalisis. Berdasarkan hasil analisis statistik, ditemukan adanya perbedaan yang signifikan pada komponen SAI (p=0.007), sedangkan pada komponen TAI, tidak ditunjukkan adanya perbedaan yang signifikan (p=0.480) antara perseverasi dengan kelompok gejala kecemasan. Kesimpulan Hipotesis nol penelitian ini ditolak karena pada kedua komponen ditemukan adanya perbedaan perseverasi antara kelompok dengan gejala kecemasan sedang dan gejala kecemasan berat. ......Introduction Anxiety disorders are becoming increasingly prevalent throughout the adolescent years. It is also a major risk factor for suicide behavior and the second leading cause of death among university students and adolescents. AI is now being used in a variety of fields as a machine learning-based application. However, its use in medicine, particularly for the early detection of anxiety disorders, is yet unknown in Indonesia. Method Purposive sampling was used in this cross-sectional study. Data regarding anxiety symptoms are obtained from STAI questionnaire, while perseveration was count from the recording transcript in the “StethoSoul” applicaiton. Study characteristics were shown as a descriptive data. Mann-Whitney test was applied in this study, with the findings considered significant if p<0,05. Results A total of 121 samples are eligible for analysis. Statistical analysis revealed a significant difference between perseveration and anxiety symptoms on the SAI component (p=0.007) but no significant difference on the TAI component (p=0.480). Conclusion The null hypothesis was rejected because there is difference between perseveration in moderate anxiety symptoms and high anxiety symptoms group.

Abstrak :
Stunting adalah salah satu masalah gizi yang mengganggu perkembangan pada anak yang diakibatkan oleh asupan gizi buruk pada masa pertumbuhannya. Indonesia tergolong sebagai negara dengan prevalensi stunting yang tinggi dengan angka sebesar 30.8% untuk anak Balita dan 29.9% untuk anak Baduta berdasarkan hasil Riskesdas 2018. Berdasarkan penelitian yang dilakukan oleh Balitbangkes, stunting terbukti membahayakan garis keturunan. Bayi dengan kondisi stunting membuat pertumbuhan dan perkembangan terhambat dan juga membuka resiko terhadap menderita penyakit tidak menular seperti diabetes mellitus pada saat dewasa. Jika bayi stunting perempuan tumbuh besar sehingga menjadi ibu, maka ibu tersebut akan melahirkan bayi stunting lagi dan mengakibatkan kondisi stunting lintas generasi. Dalam skripsi ini, pemodelan sistem prediksi stunting memanfaatkan metode machine learning berdasarkan data sekunder dari Indonesian Family Life survey (IFLS) tahun 2014-2015. Pemodelan dilakukan menggunakan bahasa pemrograman Python. Dilakukan pre-processing dengan metode yang berbeda-beda, yaitu Principal Component Analysis (PCA) dan 3 jenis Feature Selection: Filter, Wrapper, dan Embedded. Ketidakseimbangan dataset ditangani dengan metode SMOTE. Dilakukan pemisahan data menjadi training set dan testing set dengan pembagian 80:20 masing-masing. Kemudian beberapa algoritma model machine learning diujikan untuk mengetahui kemampuan prediksinya untuk setiap metode pre-processing. Hasil penelitian menunjukan bahwa setidaknya 1 dari 4 model untuk tiap metode pre-processing memiliki kemampuan yang baik dengan menunjukan nilai metrik dan AUC di atas 0,8. PCA dengan Decision Tree Classifier menunjukan akurasi 85% dan AUC 0,849. Feature Selection–Wrapper dengan SVC menunjukan akurasi 98% dan AUC 0,981. Feature Selection-Filter menunjukan akurasi 98% dan AUC 0,979. Feature Selection–menunjukan akurasi 84% dan AUC 0,844. Hal ini menjadikan kombinasi algoritma terbaik dalam penelitian ini adalah metode pre-processing Feature Selection–Wrapper dengan model machine learning SVC. ......Stunting is one of the nutritional problems that interfere with development in children caused by poor nutritional intake during their growth period. Indonesia is classified as a country with a high prevalence of stunting with a figure of 30.8% for under-five children and 29.9% for under-two children based on the results of Riskesdas 2018. Based on research conducted by Balitbangkes, stunting has proven to endanger lineage. Babies with stunting conditions would have their growth and development stunted and also open the risk of suffering from non-communicable diseases such as diabetes mellitus in adulthood. If the female stunting baby grows up to become a mother, then the mother will give birth to another stunting baby and results in cross-generational stunting conditions. In this bachelor’s thesis, the stunting prediction system modeling utilizes machine learning methods based on secondary data from the 2014-2015 Indonesian Family Life Survey (IFLS). The modeling is carried out using the Python programming language. Pre-processing is carried out with different methods, namely Principal Component Analysis (PCA) and 3 types of Feature Selections: Filter, Wrapper, and Embedded. Dataset imbalance is handled by the SMOTE method. Separate the data into training sets and testing sets with a distribution of 80:20 each. Then several machine learning model algorithms were tested to determine their predictive ability for each pre-processing method. The results showed that at least 1 of the 4 models for each pre-processing method had a good ability indicated by the metric and AUC values ​​above 0.8. PCA with Decision Tree Classifier shows an accuracy of 85% and AUC 0.849. Feature Selection–Wrapper with SVC showed 98% accuracy and AUC 0.981. Feature Selection–Filter shows 98% accuracy and AUC 0.979. Feature Selection–Embedded shows an accuracy of 84% and AUC 0.844. The result shows that best combination of algorithms in this study is the Feature Selection–Wrapper pre-processing method with the SVC machine learning model.