Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tuberkulosis (TB) menjadi tantangan kesehatan global yang signifikan, menurut laporan World Health Organization (WHO), sekitar seperempat populasi dunia terinfeksi Mycobacterium tuberculosis. Indonesia menempati peringkat kedua setelah India dalam jumlah kasus TB global, dengan 397.377 kasus yang tercatat pada tahun 2021. Provinsi Jawa Barat menjadi wilayah dengan beban kasus TB tertinggi di Indonesia, termasuk Kota Depok yang melaporkan peningkatan kasus sebesar 64,79% pada tahun 2022. Penelitian ini bertujuan untuk melakukan pengelompokan terhadap pasien TB di Kota Depok periode 2021–2022 menggunakan indikator sosio-demografi, riwayat penyakit, dan pengobatan TB. Data diambil dari Sistem Informasi Tuberculosis (SITB) yang diperoleh dari Dinas Kesehatan Kota Depok, mencakup satu variabel numerik dan sepuluh variabel kategorik dengan total 5.910 observasi. Adapun metode yang digunakan adalah k-means, k-prototypes, dan Large Language Model (LLM) + k-means yang merupakan bagian dari metode hard clustering. Hasil penelitian ini menunjukkan bahwa algoritma LLM + k-means mampu melakukan pengelompokan data bertipe campuran dengan lebih baik dengan indeks Davies-Bouldin 0,6819, yang bermakna bahwa cluster yang terbentuk telah memiliki struktur yang baik. Jumlah cluster optimal yang dibentuk adalah dua cluster yang disusun oleh 5.546 observasi pada cluster pertama dan 364 pada cluster kedua. Cluster pertama cenderung berisikan pasien dengan pekerjaan non-formal sedangkan para pekerja formal cenderung dikelompokkan dalam cluster kedua.

---

Tuberculosis (TB) is a significant global health challenge, according to the World Health Organization (WHO), about a quarter of the world’s population is infected with Mycobacterium tuberculosis. Indonesia ranks second after India in terms of the number of global TB cases, with 397,377 cases recorded in 2021. West Java Province is the region with the highest burden of TB cases in Indonesia, including Depok City, which reported a 64.79% increase in cases in 2022. This study clustered TB patients in Depok City for the period 2021–2022 using socio-demographic indicators, medical history, and TB treatment. Data were obtained from the Tuberculosis Information System (SITB) obtained from the Depok City Health Office, covering one numeric variable and ten categorical variables with a total of 5,910 observations. The methods used were k-means, k-prototypes, and Large Language Model (LLM) + k-means, which is part of the hard clustering method. The results of this study indicate that the LLM + k-means algorithm is able to perform mixed-type data clustering better with a Davies-Bouldin index of 0.6819, which means that the clusters formed have a good structure. The optimal number of clusters formed was two clusters comprising 5,546 observations in the first cluster and 364 observations in the second cluster. The first cluster tended to include patients with non-formal jobs, whereas formal workers tended to be grouped in the second cluster."

"Mesin Penerjemah (MP) adalah sebuah sub-bagian dari computational linguistics yang menggunakan komputer untuk menerjemahkan teks dari sebuah bahasa ke bahasa yang lain. Sementara Mesin Penerjemah Statistik (MPS) adalah sebuah pendekatan MP dimana hasil terjemahan dihasilkan atas dasar model statistik yang parameter-parameternya diambil dari hasil analisis korpus teks dwibahasa (yang paralel). Pada tugas akhir ini, penerjemahan teks Indonesia-Inggris dilakukan dengan menggunakan MPS berdasarkan frase dimana penerjemahan dilakukan dengan menggunakan prinsip penerjemahan berdasarkan frase. Korpus dwibahasa Indonesia-Inggris yang digunakan terdiri dari kategori berita, kitab suci, novel dan percakapan. Jumlah korpus pelatihan yang digunakan adalah 40779 kalimat, yaitu 704 berita, 4025 percakapan, 16050 novel dan 20000 kitab suci. Sementara korpus pengujian yang digunakan adalah 20300 kalimat, yaitu 300 berita, 2000 percakapan, 8000 novel dan 10000 kitab suci. Percobaan penerjemahan ini dilakukan, dievaluasi dan dianalisis dari dua aspek yaitu penggunaan perangkat bahasa tambahan (yang meliputi Part-of-Speech Tagging dan lema) dan n-gram yang digunakan dalam membentuk model bahasa. Hasil percobaan yang didapat adalah nilai akurasi tertinggi dicapai oleh penerjemahan korpus dwibahasa biasa (tidak menggunakan Part-of-Speech Tagging maupun lema) pada kategori novel dengan menggunakan model bahasa 5-gram, yaitu 0,2696.

---

Machine Translation (MT) is a sub-field of computational linguistics that uses a computer to translate text or speech from one natural language to another. Meanwhile Statistical Machine Translation (SMT) is a paradigm of MT where translations are generated on the basis of statistical models whose parameters are derived from the analysis of bilingual text corpora (parallel). The Indonesian-English text translation is done using a phrase-based SMT in which the translation is carried out using phrase-based Translation. We use Indonesian and English bilingual corpora which consists of news, holy writings, fiction and daily conversation categories. We use training corpus of 40779 sentences which are 704 for news, 4025 for conversation, 16050 for fiction and 20000 for holy writings. Meanwhile the testing corpus consists of 20300 sentences which are 300 for news, 2000 for conversation, 8000 for fiction and 10000 for holy writings. Experiments have been done, evaluated and analyzed regarding two aspects, namely the use of factored-models (Part-of-Speech Tagging and lemma) and number of n-gram for generating the language model. In this thesis, we found that the translations of default bilingual corpora (without Part-of-Speech Tagging and lemma) for fiction category using 5-gram language model yield the highest accuracy of 0.2696."