Hasil Pencarian  ::  Simpan CSV :: Kembali

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 :
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 :
Pada tahun 2015 Penyakit Paru Obstruktif Kronik (PPOK) menyebabkan kematian rata-rata sekitar 5% di dunia dan jumlah kejadian PPOK di Indonesia rata-rata sebesar 3,7%. Salah satu komplikasi yang dapat dialami oleh pasien PPOK adalah nocturnal hypoxemia yaitu kurangnya asupan oksigen pada waktu malam hari. Keadaan ini akan semakin diperberat jika pasien PPOK juga menderita gangguan tidur berupa Obstructive Sleep Apnea (OSA). OSA adalah gangguan tidur yang disebabkan oleh saluran napas yang tersumbat dan menyebabkan jeda sementara saat napas minimal 10 detik. Ketika PPOK dan OSA terjadi disaat yang bersamaan dapat menyebabkan dua kali lipat kondisi tidak nyaman saat bernapas. Tujuan dari penelitian ini adalah menentukan model prediksi risiko terjadinya Obstructive Sleep Apnea (OSA) pada pasien PPOK berdasarkan faktor-faktor yang memengaruhi risiko terjadinya OSA pada pasien PPOK. Data yang digunakan dalam penelitian ini adalah data primer pasien PPOK yang telah terdiagnosis oleh dokter di RSCM dengan mewawancarai menggunakan kuesioner Berlin dan pemeriksaan fisik seperti mengukur lingkar leher dan lingkar pinggang. Sampel yang dipilih menggunakan non-probability sampling dengan metode purposive sampling. Sampel pada penelitian ini adalah pasien PPOK sebanyak 111 pasien. Metode yang digunakan adalah regresi logistik biner untuk memprediksi model risiko terjadinya OSA pada pasien PPOK. Hasil yang didapatkan untuk faktor-faktor yang berpengaruh signifikan terhadap risiko terjadinya OSA pada pasien PPOK adalah lingkar pinggang dan Kuesioner CAT 2 (PPOK derajat berat) yang berarti pasien PPOK dengan derajat berat. Pasien PPOK berderajat berat lebih berisiko terkena OSA sebesar 4,39 kali lebih besar dibandingkan pasien PPOK berderajat ringan hingga sedang dan setiap kenaikan 1 cm lingkar pinggang pada pasien berisiko terjadinya OSA. Hasilnya menunjukan bahwa pasien PPOK derajat berat lebih berisiko terjadinya OSA dibandingkan yang tidak. Keakuratan model tersebut dihitung menggunakan tabel klasifikasi pada cut point 0,5, diperoleh tingkat ketepatan klasifikasi sebesar 73,9%.

---

Chronic Obstructive Pulmonary Disease (COPD) has caused death of around 5% in the world and 3.7% in Indonesia. One of the complications that can be experienced by patients with COPD is nocturnal hypoxemia, which is the lack of oxygen intake at night. This situation will be more aggravated if patients with COPD also suffer from sleep disorder which is called Obstructive Sleep Apnea (OSA). OSA is a sleep disorder caused by a blocked airway and led to a temporary pause while breathing for at least 10 seconds. When COPD and OSA occur at the same time, it can create double discomfort while breathing. The purpose of this research is to determine prediction model occurrence OSA risk in COPD patient based on factor affecting the risk of OSA occurring in COPD patients. Data used in this research is primary data from COPD patients who is diagnosed by doctor at RSCM by interviewing them using Berlin questionnaire and physical examination such as measuring the circumference of neck and waist. This study uses non-probability sampling i.e. purposive sampling method. Sample of this research is 111 patients with COPD. This research uses binary logistic regression to predict model occurrence of OSA risk in COPD patients. This study shows that waist circumference and COPD Assessment Test (CAT) 2 questionnaire (COPD patients with severe degree) are significant factor of OSA on COPD patient. In addition, COPD patients with severe degree are 4.39 times greater risk suffer from OSA than mild to moderate COPD patients and each centimetre increase of waist circumference has higher risk of OSA. Accuracy of our model is estimated using classification table with cut point at 0.5 and its accuracy is 73,9%.