Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tingginya jumlah perokok aktif di kalangan pelajar. Merokok adalah penyebabnya dari beberapa kondisi keluhan pernafasan dan faktor risiko untuk beberapa kasus: fungsi paru-paru. Inkonsistensi antara dampak negatif merokok dan prevalensi tingkat merokok yang tinggi membuat penelitian tentang hubungan antara kebiasaan merokok dan Keluhan gejala pernafasan dan fungsi paru perlu dilakukan.Tujuan: Mengetahui hubungan antara kebiasaan merokok dengan fungsi dan gejala paru-paru pernapasan pada siswa di Depok.Metode: Penelitian ini menggunakan metode potong lintang dengan instrumen kuesioner penelitian dan alat uji. Kuesioner yang digunakan terdiri dari ATS. daftar pertanyaan (American Thoracic Society) untuk gejala pernapasan dan kuesioner Indeks Brinkman untuk kebiasaan merokok. Alat uji yang digunakan adalah spirometer merek EasyOne® Airspirometer. Penelitian ini diikuti oleh 116 siswa laki-laki perokok aktif di Depok. Data yang telah diperoleh dianalisis menggunakan uji non parametrik Mann-Whitney, T-test independen, dan korelasi bivariat Spearman. Hasil: Hasil analisis statistik dari 116 subjek menunjukkan mayoritas siswa adalah perokok aktif di Depok masih dalam kategori kebiasaan merokok ringan (96,56%) dan memiliki keluhan gejala pernafasan (74,14%). Ada siswa yang perokok aktif mengalami gangguan fungsi paru sebanyak 15,5%. Namun, secara statistik tidak ditemukanhubungan yang signifikan antara kebiasaan merokok pada mahasiswa perokok dengan keluhan gejala pernapasan dan gangguan fungsi paru.

---

The high number of active smokers among students. Smoking is the cause of several respiratory conditions and a risk factor in some cases: lung function. The inconsistency between the negative impact of smoking and the prevalence of high smoking rates makes research on the relationship between smoking habits and complaints of respiratory symptoms and lung function necessary.

Objective: To determine the relationship between smoking habits and respiratory lung function and symptoms in students in Depok.

Methods: This study used a cross-sectional method with research questionnaire instruments and test equipment. The questionnaire used consisted of ATS. questionnaire (American Thoracic Society) for respiratory symptoms and a Brinkman Index questionnaire for smoking. The test equipment used is the EasyOne® Air brand spirometer spirometer. This study was followed by 116 male students who were active smokers in Depok. The data obtained were analyzed using the Mann-Whitney non-parametric test, independent T-test, and Spearman bivariate correlation. Results: The results of statistical analysis of 116 subjects showed that the majority of students were active smokers in Depok who were still in the category of light smoking habits (96.56%) and had complaints of respiratory symptoms (74.14%). There are students who are active smokers have lung function disorders as much as 15.5%. However, statistically not found There is a significant relationship between smoking habits in student smokers with complaints of respiratory symptoms and impaired lung function.

"

"Smoker's melanosis menjadi cara untuk mengetahui seseorang tersebut perokok atau tidak dari area lidah. Smoker’s melanosis adalah berubahnya warna pigmentasi melanin pada mukosa mulut menjadi warna coklat atau hitam. Pendeteksian ini biasanya dilakukan oleh para dokter dengan metode Traditional Chinese Medicine. Namun, pendeteksian ini membutuhkan waktu lama. Penelitian ini bertujuan untuk membuat sistem deteksi lidah seseorang perokok atau tidak dengan implementasi algoritma Deep Learning. Penelitian menggunakan kamera hiperspektral dengan panjang gelombang VNIR untuk merekam citra lidah seseorang dan mengolahnya menjadi suatu informasi yang dapat digunakan untuk sistem ini. Implementasi algoritma dilakukan pada 5 dataset yang berbeda dan didasarkan pada area pengambilan ROI pada lidah seseorang. Algoritma yang diimplementasikan dalam penelitian ini berfokus pada algoritma Deep Learning, yaitu algoritma Convolutional Neural Network (CNN) dengan variasi dua jenis arsitektur, yaitu Autoencoder dan Proposed Architecture. Kedua arsitektur ini dijalankan dengan memvariasikan algoritma pengoptimalan seperti SGDM, Adam, dan RMSProp. Selain itu, penelitian ini membandingkan pula dengan PCA-SVM untuk melihat kinerja dari Machine Learning untuk diimplementasikan dalam data penelitian ini. Proposed Architecture mencapai akurasi sebesar 95% pada algoritma pengoptimalan SGDM dan PCA-SVM yang digunakan mencapai akurasi sebesar 81%. Hasil ini menunjukkan bahwa sistem deteksi lidah perokok dapat bekerja lebih baik dengan pengimpelementasian Deep Learning.

---

Smoker’s melanosis is a way to tell if someone is a smoker or not from the tongue area. Smoker’s melanosis is a brown or black discoloration of the melanin pigmentation in the oral mucosa. This detection is usually carried out by doctors using the Traditional Chinese Medicine method. However, this detection takes a long time. This study aims to create a tongue detection system for someone who smokes or not by implementing the Deep Learning algorithm. This research uses a hyperspectral camera with a VNIR wavelength to record an image of a person’s tongue and process it into information that can be used for this system. Algorithm implementation is carried out on five different datasets and is based on the area of taking the ROI on one’s tongue. The algorithm implemented in this study focuses on the Deep Learning algorithm, namely the Convolutional Neural Network (CNN) algorithm with variations of two types of architecture, namely Autoencoder and Proposed Architecture. Both architectures are executed by varying the optimization algorithms such as SGDM, Adam, and RMSProp. Also, this study also compares with PCA-SVM to see the performance of Machine Learning to be implemented in this research data. Proposed Architecture achieves 95% accuracy in the optimization algorithm SGDM and PCA-SVM, which is used to achieve an accuracy of 81%. These results indicate that the smoker’s tongue detection system can work better with the implementation of Deep Learning."