Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telemedicine adalah praktek kesehatan melalui aplikasi dengan memakai komunikasi audio, visual dan data, termasuk perawatan, diagnosis, konsultasi dan pengobatan serta pertukaran data medis jarak jauh. Berdasarkan hasil analisis sentimen pada aplikasi telemedicine, sering ditemukan adanya ketidakseimbangan data/imbalance data. Oleh karena itu perlu dilakukan pengembangan dengan memasukan teknik Imbalance Data dalam melakukan analisis sentimen agar mendapatkan hasil akurasi lebih baik dari penelitian sebelumnya. Tujuan penelitian ini adalah untuk mengidentifikasi penggunaan SVM-SMOTE dan EasyEnsemble dalam meningkatkan kinerja klasifikasi XGBoost pada imbalance data sentimen pada Telemedicine. Identifikasi dilakukan dengan memasukkan metode SVM-SMOTE dan EasyEnsemble Dalam Meningkatkan Kinerja Klasifikasi XGBoost menggunakan data yang diperoleh dari aplikasi Halodoc. Hasil penelitian menunjukkan bahwa penggunaan SVM SMOTE dan EasyEnsamble untuk dataset yang tidak seimbang dengan pembagian skema data 75% data training dan 25% data testing dapat meningkatkan kinerja klasifikasi XGBoost.  Hasil uji menggunakan data yang telah dilakukan balancing dengan SVM-SMOTE, EasyEnsamble dan kombinasi keduanya didapat model terbaik yang layak digunakan dalam melakukan peningkatan pada kinerja klasifikasi imbalance data sentimen pada aplikasi kesehatan. Setelah dilakukan balancing pada dataset, diperoleh nilai tertinggi AUC 0.9254 dan GMeans 0.9249, sedangkan hasil yang diperoleh dengan data set yang tidak seimbang, diperoleh nilai AUC 0.8577 dan GMeans 0.8480. Maka dapat disimpulkan bawah penggunaan SVM-SMOTE, EasyEnsemble atau kombinasi keduanya dapat meningkatkan kinerja klasifikasi pada XGBoost.

---

Telemedicine is the practice of healthcare through applications using audio, visual, and data communication, including remote care, diagnosis, consultation, treatment, and the exchange of medical data. Sentiment analysis on telemedicine applications often experiences data imbalance issues. Therefore, it is necessary to implement Imbalance Data techniques into sentiment analysis to achieve better accuracy than previous studies. This research aims to identify the use of SVM-SMOTE and EasyEnsemble to enhance the performance of XGBoost classification on imbalanced sentiment data in telemedicine. The identification is carried out by applying SVM-SMOTE and EasyEnsemble methods to improve XGBoost classification performance using data obtained from the Halodoc application. The research results show that using SVM-SMOTE and EasyEnsemble for imbalanced datasets, with a data split of 75% for training and 25% for testing, can enhance XGBoost classification performance. Tests conducted with balanced data using SVM-SMOTE, EasyEnsemble, and the combination resulted in the best model suitable for improving classification performance on imbalanced sentiment data in health applications. After balancing the dataset, the highest AUC value achieved was 0.9254 and GMeans was 0.9249, whereas, with the imbalanced dataset, the AUC was 0.8577 and GMeans was 0.8480. Thus, it can be concluded that the use of SVM-SMOTE, EasyEnsemble, or the combination can improve classification performance in XGBoost."

"SATUSEHAT Mobile, aplikasi transformasi dari PeduliLindungi yang diluncurkan pada 1 Maret 2023, mengalami penurunan pengguna hampir 50%, dari 105 juta menjadi 57 juta pengguna bulanan, dengan rating rendah 2,4 di Google Play. Penelitian ini bertujuan menganalisis faktor-faktor yang berhubungan dengan niat untuk terus menggunakan SATUSEHAT Mobile di lima provinsi teratas fasilitas kesehatan terkoneksi SATUSEHAT, pada pengguna berusia 19-59 tahun. Penelitian ini menggunakan teori model UTAUT, DeLone McLean, dan HOT-Fit Model dengan menggunakan pendekatan kuantitatif pada 167 responden dan diolah dengan SEM-PLS. Hasil penelitian menunjukkan adanya hubungan yang signifikan antara harapan kinerja, harapan usaha, pengaruh sosial, kualitas sistem, dan kualitas layanan dengan niat untuk terus menggunakan SATUSEHAT Mobile. Penelitian ini memberikan rekomendasi untuk peningkatan fitur dan fungsi yang sesuai kebutuhan masyarakat, peningkatan kemudahan penggunaan, sosialisasi yang jelas, pembaruan informasi, perbaikan sistem, dan penyediaan fitur live chat dengan customer service.

---

SATUSEHAT Mobile, a transformation of the PeduliLindungi application that launched on March 1, 2023, has experienced a nearly 50% decline in users, from 105 million to 57 million monthly users, with a low rating of 2.4 on Google Play. This study aims to analyze the factors related to the intention to continue using SATUSEHAT Mobile in the top five provinces with the most SATUSEHAT-connected healthcare facilities, focusing on users aged 19-59 years. The research utilizes the UTAUT model, DeLone McLean model, and HOT-Fit Model, employing a quantitative approach with 167 respondents analyzed using SEM-PLS. The results indicate significant relationships between performance expectancy, effort expectancy, social influence, system quality, and service quality with the intention to continue using SATUSEHAT Mobile. This study provides recommendations for improving features and functions to meet public needs, enhancing ease of use, clear socialization, information updates, system improvements, and the provision of live chat features with customer service."