Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar Belakang: Cedera kranioserebral merupakan penyebab kematian paling sering pada orang dewasa muda. Dari penelitian perkiraan keluaran pasien cedera kranioserebral sudah dapat diprediksi dalam 3 hari perawatan (3 x 24 jam). Skor Systemic Inflamatory Response Syndrome (SIRS) yang terdiri dari perubahan suhu tubuh, nadi, pernafasan dan peningkatan jumlah lekosit darah dapat memprediksi kejadian infeksi, kematian pada trauma. Pada penelitian sebelumnya bila digabung dengan SKG dapat memprediksi kematian cukup akurat sebanding dengan skala prediktor lain yang ada sebelumnya. Tujuan: Merumuskan model prediksi gabungan SKG dengan skor SIRS untuk mengetahui risiko kematian 3 hari pertama pada pasien dewasa cedera kranioserebral derajat sedang dan berat. Desain dan Metode: Studi dengan disain prospektif potong lintang yang dilanjutkan dengan nested case control tanpa pembanding antara pasien cedera kranioserebral derajat sedang dan berat yang mengalami kematian dalam 3 hari pertama sebagai kelompok studi dengan kelompok kontrol yang diambil secara acak dari pasien-pasien yang tidak mengalami kematian dini. Hasil: Dari 113 subyek penelitian didapatkan 18 (15.9%) penderita mengalami CKB dan 95 (84.1%) penderita mengalami CKS. Terdapat 27 (23.9%) penderita yang meninggal dalam 3 hari pertama. Skor SIRS 22 terjadi pada 83 (73.4%) penderita. Faktor yang berpengaruh terhadap kematian adalah SKG, skor SIRS ≥2 dan frekuensi nafas > 20 kali/menit (p 0.000). Hasil analisis multi variat enter menunjukan bahwa faktor risiko independen kematian 3 hari pertama adalah SKG<9 (p-0.000) dan skor SIRS 2 (p-0.001), dengan probabilitas kematian 99.9% Kesimpulan: Gabungan Skor SIRS ≥2 dan SKG <9 dapat memprediksi kematian dalam 3 hari pertama. Takipneu sebagai komponen SIRS berperan sebagai faktor risiko terjadinya kematian pasien dewasa cedera kranioserebral sedang dan berat.

Abstrak :
Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksi manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporan CDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent or continuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBD dapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkan langkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insiden DBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itu sendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor. Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabel prediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam machine learning, yaitu gated recurrent unit dalam membangun model prediksi insiden DBD tersebut. Performa model yang digunakan dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitian ini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh dengan menggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti and Aedes albopictus mosquitoes. According to the CDC report, Indonesia is included in level 1 of 3, namely the highest level, frequent or continuous cases of DF. Early and accurate estimates of the spread of dengue incidents can minimize threats and help the authorities to implement effective control measures. In this study, the prediction of DF incidence uses weather factors that influence the development of mosquitoes themselves, namely temperature, humidity, and rainfall as predictor variables. Predictor variables are determined based on the value of the cross correlation of the time lag predictor variable to the number of DF incidents. The study was conducted by utilizing one method in machine learning, namely the gated recurrent unit in building the DF incident prediction model. The performance of the model are evaluated by Root Mean Squared Error and Mean Absolute Error. The results of this study shows that the best prediction model of DF incidence rate, obtained using the proportion of training-test data: 90% -10%.

Abstrak :
ABSTRAK
Sistem prediksi kedalaman memar dan distribusi kandungan SSC pada jambu berdasarkan waktu penyimpanan dengan menggunakan sistem citra Vis-NIR pada panjang gelombang 400-1000 nm dapat dikembangkan menjadi sistem non-destruktif. Sehingga informasi tambahan yang di dapat tidak hanya dapat membedakan daerah memar namun juga memberikan informasi kedalaman memar dan kandungan SSC pada daerah memar. Sistem yang diusulkan dievaluasi dengan menggunakan 160 sampel jambu dibagi dalam dua kelompok set data, yaitu set data training n = 140 dan set data testing n = 20 . Proses memar pada jambu dilakukan secara manual dengan dijatuhkan bola besi dari ketinggian 200 dan 500 mm dan kemudian sampel dianalisis dengan rentang waktu 0,3,4,5, dan 6 hari setelah dimemarkan. Sistem citra Vis-NIR yang digunakan terdiri dari satu set perangkat, diantaranya workbench, slider, dua sumber cahaya halogen 150W dan kamera citra Vis-NIR yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran profil gambar reflektansi, ekstraksi fitur, pemilihan fitur pada data spektral dan spasial, model prediksi kandungan SSC, dan model prediksi kedalaman memar. Model Partial Least Square Regression PLSR digunakan untuk mengembangkan model prediksi pada data spektral semua panjang gelombang. Model PLSR digunakan untuk mendapatkan prediksi nilai kandungan SSC dan kedalaman memar. Hasil yang diprediksi dibandingkan dengan hasil pengukuran uji lab kandungan SSC yang diperoleh dengan menggunakan refraktometer dan kedalaman memar yang diperoleh dengan menggunakan sifat measurement instrumental. Dari hasil kinerja model prediksi didapatkan nilai RMSE pada data testing 0,06 dan koefisien korelasi dari data testing 0,99.Kata kunci : Memar; PLSR; citra Vis-NIR.

---

ABSTRACT
Abstract The prediction system of bruising depth in guava based on storage operation using Visual NIR image in the ranges 400 ndash 1000 nm ranges, which could be developed a nondestructive system to predicted the bruise depth of guava. The additional information gained not only the position of the bruised area but also provides depth bruising information. And then, the objective of the research was to develop a nondestructive method for predicting the profile mapping of soluble solid content on bruises guava. The soluble solids content SSC as the parameter fruits was determined and correlated with the bruises area.The proposed system was evaluated using 160 samples of guava were divided in two groups. All of the samples are prepared for the training n 140 and testing n 20 set data. Bruises were manually induced and samples were analyzed 0, 3rd, 4th, 5th and 6th days after bruising. Individual guavas were then subjected to impact test by a steel ball at one of the levels height of impact test, i.e.,200mm and 500mm. The system used consists of a set such as workbench, controllable slider, two halogen light sources and a Visual NIR imaging camera that is connected to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction, feature selection on spectral and spatial data, soluble solids content prediction model, and bruise depth prediction model. The partial least squares regression PLSR models was used to develop prediction models on full wavelengths spectral data. The prediction model is used to get value prediction of soluble solids content and bruising depth. The predicted results compared with the reference measurement result of soluble solids content which obtained using a refractometer and bruising depth which obtained using an optical properties. The full spectral data and parameter fruits were analyzed using the Partial Least Square PLS to obtained prediction model of bruising depth and SSC of bruises guava. The peformance of prediction model provided value of the root mean square error of testing set of 0.06 and the correlation coefficient of a testing set of 0.99. The results of our work indicate that there is a feasibility of implementing hyperspectral imaging technique on the nondestructive bruise depth prediction of guava and suitable in an industrial sorting system for fruit quality, which would be useful for postharvest handling of fruit. Keywords kelebaman bruising , non destructive, Profitability, hyperspectral image Vis NIR.

Abstrak :
ABSTRAK
Pada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi prediksi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi yang dapat memprediksi masa depan Multi-Step Ahead MSA secara lebih akurat. Salah satunya untuk teknologi prediksi peramalan cuaca sistem Chaos yang dapat membantu masyarakat dalam mempersiapkan aktifitas yang akan dilakukan. Penelitian ini melakukan simulasi percobaan penerapan Jaringan Saraf Tiruan berbasis Radial Basis Function RBF pada sistem prediksi data Chaos, data Lorenz dan data Mackey-Glass. Berdasarkan hasil percobaan dapat dilihat dari nilai bahwa penerapan jaringan saraf tiruan berbasis Radial Basis Function RBF memiliki tingkat keakuratan yang baik untuk memprediksi lebih dari 100 langkah kedepan.

---

ABSTRACT
Recently, technologies have been growing and growing fast. Especially, the need of prediction technology that need to be developed more so that it could create a technology that is capable to predict the future Multi Step Ahead MSA more accurate. One of the applied field of this prediction method is for forecasting Chaotic System which help the society in order to prepare their activity that will be scheduled. This research performs simulation experiments in applying the Artificial Neural Network based on Radial Basis Function RBF of prediction system for chaotic data, Mackey Glass equation and Lorenz rsquo s system. As can be seen from the values of the experimental results, applying Artificial Neural Network based on Radial Basis Function results high accuracy for predicting more than 100 steps ahead.

Abstrak :
Tugas akhir ini membahas tentang pembuktian Conjecture 1, yaitu sebuah masalah : Arboricity linier dari setiap graph regular-r adalah I(r + 1)/2 I dengan r adalah derajat setiap simpul pada graph regular. Pembuktian dilakukan untuk beberapa graph regular dengan cara membentuk forest linier yang dapat dibuat dan ruas pada graph regular. Jumlah minimum forest linien yang dapat dibentuk merupakan nilai arboricity liniernya.

Abstrak :
Latar Belakang: Kelahiran preterm merupakan penyebab tertinggi kematian neonatal. Indonesia menduduki posisi tertinggi di ASEAN dan kelima di dunia untuk kelahiran preterm. Rumusan masalah: Belum adanya model prediksi kelahiran preterm yang memperlihatkan prediktor yang berguna untuk mengembangkan program pencegahan. Tujuan: Menemukan model prediksi kelahiran preterm berbasis machine learning untuk deteksi dini kelahiran preterm di Fasilitas Kesehatan Tingkat Pertama (FKTP). Metode: Penelitian ini menggunakan desain studi case control dengan menggunakan data rekam medis Rumah Sakit (RS) di Palembang yaitu RS YK Madira, RSMH, RS Bunda, RS Ar Rasyid, RS Muhammadiyah, dan RS Bhayangkara tahun 2019 dengan jumlah sampel 1758 responden yang terdiri dari 879 preterm dan 879 aterm. Faktor risiko yang digunakan pada penelitian ini didapatkan dari Systematic Literature Review yang terdiri dari faktor sosiodemografi (10 variabel), faktor perilaku/gaya hidup (5 variabel), faktor maternal/kondisi ibu sebelum kehamilan (8 variabel), faktor kehamilan/obstetri ginekologi (21 variabel), faktor biologis (3 variabel), faktor pelayanan kesehatan (2 variabel) dan faktor janin (4 variabel). Pemodelan dilakukan dengan menggunakan machine learning dengan menggunakan algoritme decision tree, K-Nearest Neighbour (KNN), naïve bayes, logistic regression, Support Vector Machine (SVM) dan neural network (CNN1D, multilayer perceptron dan backpropagation). Hasil: Ditemukan 21 variabel penelitian dari 53 variabel yang dibutuhkan, dan menemukan 6 variabel yang menjadi prediktor utama kelahiran preterm di antaranya pre-eklamsia, perdarahan dalam kehamilan, riwayat ketuban pecah dini, jarak antar dua kehamilan, paritas, dan anemia. Pada penelitian ini ditemukan algoritme terbaik yaitu decision tree dengan nilai akurasi 95% untuk training dan 96% untuk testing dan telah dibuat prototype berupa aplikasi berbasis web untuk deteksi dini di FKTP. Kesimpulan: Ditemukan research novelty yaitu diperoleh model prediksi kelahiran preterm, dimana model ini potensial untuk digunakan di FKTP sebagai upaya deteksi dini. Model prediksi ini akan mendeteksi ibu hamil akan berisiko preterm atau tidak berisiko. Apabila diketahui ibu berisiko kelahiran preterm, maka ibu dianjurkan untuk melakukan pemeriksaan di RS, agar tidak terjadi keterlambatan penanganan yang menyebabkan kematian ibu maupun bayi. Dibandingkan tidak ada model prediksi, maka risiko kelahiran preterm tidak dapat dicegah, sehingga keterlambatan penanganan akan terjadi. ......Background: Preterm birth is the highest cause of neonatal death. Indonesia occupies the highest position in ASEAN and fifth in the world for preterm births. Formulation of the problem: There is no predictive model of preterm birth that provides a useful predictor for developing prevention programs. Objective: To find prediction model of preterm birth based on machine learning for early detection of preterm birth in First Level Health Facilities (FKTP). Methods: This study uses a case control study design using medical record data at the Hospital (RS) in Palembang that isYK Madira Hospital, RSMH, Bunda Hospital, Ar Rasyid Hospital, Muhammadiyah Hospital, and Bhayangkara Hospital in 2019 with a total sample of 1758 respondents consisting of 879 preterm and 879 term. The risk factors used in this study were obtained from a Systematic Literature Review consisting of: sociodemographic factors (10 variables), behavioral/lifestyle factors (5 variables), maternal factors/mother's condition before pregnancy (8 variables), pregnancy/gynecological factors (21 variables), biological factors (3 variables), health service factors (2 variables) and fetal factors (4 variables). The modeling is done using machine learning using decision tree algorithms, K-Nearest Neighbor (KNN), nave Bayes, logistic regression, Support Vector Machine (SVM) and neural networks (CNN1D, multilayer perceptron and backpropagation). Results: Found 21 research variables from 53 variables were needed, and found 6 variables that were the main predictors of preterm birth including pre-eclampsia, bleeding in pregnancy, history of premature rupture of membranes, distance between two pregnancies, parity, and anemia. In this study, the best algorithm was found, namely decision tree with an accuracy value of 95% for training and 96% for testing and a prototype was made in the form of a web-based application for early detection in FKTP. Conclusion: It was found that the research novelty obtained a predictive model of preterm birth, which is the main cause of AKN, where this model has the potential to be used in FKTP as an early detection effort. This predictive model will detect pregnant women will be at risk of preterm or not at risk. If it is known that the mother is at risk of preterm birth, the mother is recommended to do an examination at the hospital, so that there is no delay in handling that causes the death of both mother and baby. Compared to no predictive model, the risk of preterm birth cannot be prevented, so that delays in treatment will occur.

Abstrak :
This book constitutes the thoroughly refereed post-conference proceedings of the Second International ICST on Auctions, Market Mechanisms and Their Applications (AMMA 2011) held in New York, USA, August 22-23, 2011. The 22 revised full papers presented were carefully selected from numerous submissions covering topics such as school choice, markets for housing, energy, and advertising, prediction markets, and the theory of market design.