Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini dilakukan untuk memvalidasi Coefficient of Variation sebagai alat ukur yang memenuhi kriteria uji Goodness of Fit dengan menggunakan prosedur uji analisis sensitivitas yaitu Morris dan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Penelitian ini dilakukan dengan bantuan perangkat lunak MATLAB® vR2020b dan GraphPad Prim 8 menggunakan data sekunder berupa data farmakokinetik 63 pasien yang melakukan terapi radiomolekuler ginjal dengan menggunakan radiofarmaka 177Lu-PSMA-617. Pengujian diawali dengan seleksi model terbaik dari hasil fitting 12 fungsi SOE menggunakan pemodelan NLME yang memenuhi kriteria Goodness of Fit (visualisasi grafis dan %CV) dan seleksi model AICc. Selanjutnya melakukan analisis sensitivitas parameter dari masing-masing fungsi fitting menggunakan metode Morris dan FAST sebagai pembanding. Diperoleh final model dari hasil analisis sensitivitas sama dengan final model yang memenuhi kriteria seleksi model Goodness of Fit dan AICc yaitu fungsi f6a. Dari hasil penelitian ini, diperoleh korelasi %CV dengan indeks sensitivitas uji Morris dan FAST penting dalam seleksi model dilihat dari koefisien gradien fungsi fitting yang memiliki korelasi positif yaitu pada fungsi f5a, f6b dan f6d. Pada penelitian ini, fungsi fitting f6d terpilih sebagai threshold karena memiliki hubungan positif secara statistik menggunakan regresi linier dan tidak memenuhi batas acceptable %CV<50%. Disimpulkan pada penelitian ini bahwa %CV masih menjadi parameter estimasi penting kriteria Goodness of Fit dalam seleksi model berdasarkan hasil analisis dari uji sensitivitas.

---

This study was conducted to validate the Coefficient of Variation as a measuring instrument that meets the Goodness of Fit test criteria by using sensitivity analysis test procedures, namely Morris and Fourier Amplitude Sensitivity Test (FAST) as comparisons. This study was conducted with the help of MATLAB® vR2020b and GraphPad Prim 8 software using secondary data in the form of pharmacokinetic data of 63 patients who underwent renal radiomolecular therapy using radiopharmaceutical 177Lu-PSMA-617. The test begins with the selection of the best model from the results of fitting 12 SOE functions using NLME modeling that meets the Goodness of Fit criteria (graphic visualization and %CV) and AICc model selection. Next, perform parameter sensitivity analysis of each fitting function using the Morris and FAST methods as a comparison. The final model obtained from the results of sensitivity analysis is the same as the final model that meets the selection criteria of the Goodness of Fit and AICc models, namely the f6a function. From the results of this study, the correlation of %CV with the sensitivity index of the Morris test and FAST is important in model selection seen from the gradient coefficient of the fitting function which has a positive correlation, namely f5a, f6b and f6d. In this study, the fitting function f6d was chosen as the threshold because it has a statistically positive relationship using linear regression and does not meet the acceptable limit of %CV<50%. It was concluded in this study that %CV is still an important estimation parameter of Goodness of Fit criteria in model selection based on the results of analysis from sensitivity tests."

""ABSTRAK"Tugas akhir ini bertujuan untuk mencari kriteria seleksi model untuk model linier campuran. Kriteria seleksi model adalah kriteria yang dapat menyeleksi model terbaik dari sehimpunan model kandidat dari suatu data yang sama. Kriteria seleksi model yang dibahas pada tugas akhir ini yaitu kriteria seleksi model yang berdasarkan pada seleksi subset yang bertujuan untuk mendapatkan model kandidat yang paling sesuai untuk memodelkan data. Seleksi subset bekerja berdasarkan nilai discrepancy terkecil. Karena discrepancy tidak dapat dihitung secara langsung, maka ditaksir dengan kriteria seleksi model. Kriteria seleksi model yang digunakan untuk menaksir discrepancy pada tugas akhir ini yaitu Mallow rsquo;s Conceptual Predictive Statistic marginal MCp , dan improved MCp IMCp . Sebagai pembanding dari kedua kriteria seleksi model tersebut akan dibahas juga mengenai Akaike Information Criterion marginal mAIC . Untuk menilai kemampuan ketiga kriteria seleksi model tersebut dalam memilih model, dilakukan simulasi sebanyak 1000 kali. Dua ukuran efek acak yang berbeda dan dua nilai yang berbeda dari korelasi antar pengamatan dari suatu efek acak yang sama diterapkan pada simulasi untuk melihat kondisi kerja optimal dari kriteria seleksi model tersebut. Berdasarkan simulasi yang telah dilakukan diperoleh hasil bahwa kriteria seleksi model MCp, dan IMCp bekerja lebih optimal saat ukuran efek acak kecil dibandingkan saat ukuran efek acak besar. Sementara besarnya korelasi antar pengamatan dalam efek acak yang sama tidak terlalu mempengaruhi kinerja MCp, dan IMCp. mAIC bekerja lebih optimal saat ukuran efek acak kecil dan korelasi antar pengamatan dari efek acak yang sama kecil dibandingkan dengan kondisi yang lain. "

---

""ABSTRACT"This final project aims to find the model selection criterion for linear mixed model, that is a criterion that can identify the best model provided a set of candidate models. The criterion discussed in this study is based on a subset selection. The subset selection works by finding the smallest discrepancy value of all candidate models. Since the discrepancy can not be directly calculated, it is estimated by the model selection criterion. The selection criterion that is used in this study is based on Mallow 39 s Conceptual Predictive Statistic Marginal MCp , and Improved MCp IMCp . Akaike Information Criterion marginal mAIC will also be discussed as a comparison to the MCp and IMCp. To assess the performances of the three criteria 1000 simulations were conducted. Two different sizes of random effects and two different values of correlation between observations of a same random effects were design to the simulation. Based on the simulation, MCp, and IMCp performed better for data with small size of random effects compared to that with large random effects. The correlations between observations of the same random effect did not significantly affect MCp 39 s, and IMCp rsquo s performance. mAIC performed better with small size of random effect and small correlations between observations of the same random effects."

"Dalam menentukan perhitungan dosis serap yang optimal diperlukan nilai time-integrated activity coefficient (TIAC) yang akurat. Nilai TIAC diperoleh melalui fitting data menggunakan model fungsi matematis dengan metode Nonlinear Mixed-Effects Model (NLME). Fungsi terbaik diperoleh dengan melakukan model selection yang ditinjau melalui evaluasi Goodness of Fit. Namun, hasil dari model selection tidak selalu memenuhi Goodness of Fit sehingga sulit untuk mendapatkan fungsi terbaik, seperti halnya pada dosimetri lesi. Oleh karena itu, dibutuhkan metode yang dapat mengembangkan model selection dengan memperhatikan struktur parameter fungsi melalui optimisasi fixed effect dan random effect. Tujuan penelitian ini adalah mengetahui model fungsi matematis yang dapat menggambarkan data dan mengetahui pengaruh dari struktur parameter fungsi terhadap model selection. Data yang digunakan merupakan data biokinetik [111In]In-DOTATATE lesi dari 8 pasien yang diperoleh dari planar imaging. Fitting dilakukan menggunakan 13 fungsi Sum of Exponential (SOE). Fungsi yang tidak memenuhi Goodness of Fit dianalisa lebih lanjut dengan kombinasi fixed effectdan random effect. Pembobotan akaike digunakan untuk memilih fungsi yang paling merepresentasikan data. Fungsi terbaik yang diperoleh adalah fungsi dengan tidak mengestimasi nilai fixed effect dari parameter A1, Alpha, Lambda1 dan full random effectdimana memiliki nilai pembobotan akaike tertinggi sebesar 57,89%. Fungsi tersebut juga memiliki nilai maksimum Coefficient of Variation (CV) sebesar 39,71%. Penelitian ini berhasil menunjukan bahwa kombinasi fixed effect dan random effect berpengaruh terhadap model selection karena dapat mengurangi ketidakpastian dalam mengestimasi parameter melalui nilai Coefficient of Variation (CV) sehingga diperoleh fungsi terbaik dalam penentuan TIAC yang akurat pada dosimetri lesi.

---

In determining the calculation of the optimal absorbed dose, an accurate time-integrated activity coefficient (TIAC) value is required. TIAC values were obtained through data fitting using a mathematical function model with the Nonlinear Mixed-Effects Model (NLME) method. The best function is obtained by model selection which is determined by evaluated Goodness of Fit. However, the results of model selection do not always correspond to the Goodness of Fit, so it is difficult to obtain the best function, as is the case with lesion dosimetry. Therefore, a method is needed that can develop a model selection by examined the structure of function parameters through optimization of fixed effects and random effects. This study aims to determine the best function model that can describe the data and to determine the effect of the function parameter structure in model selection. Data lesion biokinetics of [111In]In-DOTATATE from eight patients acquired by planar imaging. Thirteen function Sum of Exponential (SOE) were used in fitting. The function not passing the Goodness of Fit test were fitted with a combination of fixed and random effect. The Akaike weights were used to select the fit function most supported by the data. The best function obtained is the function without estimating the fixed effect value of parameter A1, Alpha, Lambda1 dan full random effect which has the highest akaike weighting value of 57.89%. This function also has a maximum Coefficient of Variation (CV) value 39.71%. This study succeeded in showing that the combination of fixed effects and random effects had an effect on model selection because it reduced the Coefficient of Variation (CV) value so that the best function was obtained in determining the accurate TIAC in lesion dosimetry."

"Klasifikasi penilaian risiko kredit merupakan cara untuk meminimalisir kerugian yang akan dialami oleh bank. Salah satu metode klasifikasi yang digunakan untuk mengklasifikasikan karakteristik calon debitur adalah Support Vector Machine (SVM). SVM mempunyai kemampuan generalisasi yang baik untuk menyelesaikan masalah klasifikasi dalam jumlah data yang besar dan dapat menghasilkan fungsi pemisah yang optimal untuk memisahkan dua kelompok data dari dua kelas yang berbeda. Salah satu keberhasilan menggunakan metode SVM adalah proses pemilihan model yang akan mempengaruhi tingkat akurasi klasifikasi. Metode pemilihan model yang digunakan pada tesis ini adalah metode grid search dan metode random search. Data dalam tesis ini menggunakan data sekunder dari database dalam UCI machine learning repository. Berdasarkan hasil simulasi untuk membandingkan nilai akurasi penggunaan metode pemilihan model pada SVM dalam klasifikasi penilaian risiko kredit, diperoleh bahwa metode random search belum mampu menghasilkan nilai akurasi yang lebih baik dari metode grid search. "

"Estimasi yang akurat dari time-integrated activity coefficient (TIAC) ginjal diperlukan untuk optimisasi terapi. Berdasarkan penelitian sebelumnya, prosedur seleksi model berbasis populasi terbukti baik untuk estimasi ini. Penelitian ini menerapkan uji sensitivitas untuk melihat validitas dari persen coefficient-of-variation (%CV) yang digunakan sebagai alat ukur goodness-of-fit (GoF) pada tahapan seleksi model untuk kasus radioterapi molekuler. Data farmakokinetik populasi dari 63 pasien terapi radioligand 177Lu-PSMA-617 digunakan. Dilakukan fitting untuk 12 fungsi sums of exponential (SOE) dengan pemodelan NLME terhadap data seluruh pasien. Seleksi model dilakukan dengan uji GoF (inspeksi visual dan %CV) serta pembobotan Akaike. Uji Variance-Based Sensitivity Analysis (VBSA) dijalankan untuk model setiap fungsi dengan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Hasil VBSA dan FAST sama-sama menunjukkan signifikansi statistik pada arah hubungan yang positif antara indeks sensitivitas dan %CV parameter pada fungsi f6d (gradien = 4,86×10-5 (± 0,91×10-5)) dan f7a (gradien = 3,00×10-2 (± 0,30×10-2)). Hasil tersebut mendukung seleksi model. Model final terbaik yang diperoleh adalah fungsi f6a(t) = A1 exp(-(1 + phys)t) +A2 exp(-(2 + phys)t) − A3 exp(-(3 + phys)t) − (A1 + A2− A3) exp(-(bc + physt). Didapatkan estimasi TIAC ginjal (54,62 ± 23,62) menit. Dengan demikian, penggunaan %CV dalam seleksi model menunjukkan validitas yang didukung oleh uji sensitivitas.

---

Accurate estimation of the kidney time-integrated activity coefficient (TIAC) is required for therapy optimization. Based on previous studies, a population-based model selection procedure has proven to be good for this estimation. This study applied a sensitivity test to see the validity of the percent coefficient-of-variation (%CV) used as a goodness-of-fit (GoF) measure in the model selection process for molecular radiotherapy cases. Population pharmacokinetic data from 63 patients treated with the radioligand 177Lu-PSMA-617 were used.

The fitting of 12 sums of exponential (SOE) functions with NLME modeling was performed on all patients' data. Model selection was performed using the GoF test (visual inspection and %CV) and the Akaike weighting. The Variance-Based Sensitivity Analysis (VBSA) was run for each function model with Fourier Amplitude Sensitivity Test (FAST) as a comparison.

Both VBSA and FAST results showed statistical significance of positive correlation between sensitivity indices and %CVs of parameters in function f6d (slope = 4.86×10-5 (± 0.91×10-5)) and function f7a (slope = 3.00×10-2 (± 0.30×10-2)). The results here supported the model selection. The best final model found was the function f6a(t) = A1 exp(-(1 + phys)t) + A2 exp(-(2 + phys)t) − A3 exp(-(3 +phys)t) − (A1 + A2 − A3) exp(-(bc + phys)t). From this model, an estimated kidney TIAC of (54.62 ± 23.62) minutes was obtained. Thus, the use of %CV in model selection shows validity supported by the sensitivity test."

"Translasi radiofarmaka dari hewan percobaan ke dosis manusia merupakan tugas yang menantang karena variasi biologis antar spesies dan kurangnya standarisasi dalam dosimetri kedokteran nuklir. Studi ini berfokus pada pengaruh seleksi model terhadap perhitungan dosis yang diserap radiasi pada kasus translasi biokinetik dari hewan ke manusia. Penelitian ini menggunakan data biokinetik rata-rata dan individu dari studi radiofarmaka 177Lu-OPS201 pada hewan dan manusia dengan menggunakan model Sum of Exponential (SoE). Analisis Goodness of Fit (GoF) dan corrected Akaike Information Criterion (AICc) digunakan untuk seleksi model. Model f_2 (t)=A_1 e^(-(λ_1+λ_phys )t) terpilih sebagai model terbaik untuk mencit, babi, dan manusia. Penggunaan data biokinetik rata-rata menghasilkan %wAICc sebesar 50,01%, TIAC referensi sebesar 5,41±0,29 jam (manusia), 1,35±0,07 jam (mencit), dan 2,23±0,17 jam (babi). Sementara penggunaan data biokinetik individu menghasilkan %wAICc sebesar 84,00%, TIAC referensi sebesar 5,41±0,24 jam (manusia), 1,35±0,07 jam (mencit), dan 1,68±0,12 jam - 2,85±0,28 jam (babi). Metode regresi linear dan allometric scalling digunakan dalam proses translasi biokinetik radiofarmaka 177Lu-OPS201 dari hewan ke manusia. Hasilnya, model terbaik dengan data biokinetik rata-rata dapat memprediksi TIAC sebesar 5,45±0,03 jam dan akurasi 99,20% mendekati referensi (regresi linear) dan TIAC prediksi sebesar 3,97±1,01 jam dan akurasi 73,50% mendekati referensi (allometric scalling).

---

The translation of radiopharmaceuticals from experimental animals to human doses is a challenging task due to biological variations between species and lack of standardization in nuclear medicine dosimetry. This study focuses on the influence of model selection on the calculation of radiation absorbed dose in the case of biokinetic translation from animals to humans. This study used average and individual biokinetic data from the 177Lu-OPS201 radiopharmaceutical study in animals and humans using the Sum of Exponential (SoE) model. Goodness of Fit (GoF) analysis and corrected Akaike Information Criterion (AICc) were used for model selection. The model f_2 (t)=A_1 e^(-(λ_1+λ_phys )t) was selected as the best model for mice, pigs and humans. The use of average biokinetic data resulted in %wAICc of 50.01%, reference TIAC of 5.41±0.29 hours (human), 1.35±0.07 hours (mice), and 2.23±0.17 hours (pigs). Meanwhile, the use of individual biokinetic data resulted in a %wAICc of 84.00%, a reference TIAC of 5.41±0.24 hours (human), 1.35±0.07 hours (mice), and 1.68±0.12 hours - 2.85±0.28 hours (pigs). Linear regression and allometric scaling methods were used in the process of translating the biokinetics of radiopharmaceutical 177Lu-OPS201 from animals to humans. As a result, the best model with average biokinetic data can predict TIAC of 5.45±0.03 hours and 99.20% accuracy close to the reference (linear regression) and predicted TIAC of 3.97±1.01 hours and 73.50% accuracy close to the reference (allometric scalling)."

"E-waste merupakan salah satu masalah utama di dunia, termasuk Indonesia yang mana memiliki tingkat konsumsi yang tinggi terhadap produk-produk elektronik. E-waste di Indonesia diperkirakan akan semakin meningkat dikarenakan pesatnya perkembangan teknologi dan belum adanya E-waste management yang baik sehingga aliran sampah masih banyak masuk ke sektor informal dan belum dapat dipetakan dengan baik. Untuk dapat memetakan aliran sampah dan jumlah E-waste yang dihasilkan dibutuhkan lifespan dari masing-masing produk elektronik sebagai input. Pada kondisi saat ini, produk-produk elektronik yang telah rusak atau sudah tidak dipakai lagi biasanya tidak langsung dibuang tetapi disimpan dan masuk dalam kategori storage time. Efek dari storage time dapat memperpanjang total lifespan, menurunkan collection rate, dan menurunkan pasokan untuk recycling yang dapat mengganggu sistem E-waste Management. Sehingga model distribusi lifespan untuk mendapatkan persentase sampah yang dihasilkan per tahun dan cara penurunan storage time menjadi kunci penting dalam E-waste Management. Data lifespan didapatkan dari kuesioner survei pada individu dan rumah tangga di Pulau Jawa. Penelitian ini memberikan hasil model distribusi yang better fit terhadap data lifespan dan storage time dan persentase end-of-life per tahun dari produk-produk elektronik di Indonesia dengan penilaian model fit pada Distribusi Normal, Distribusi Lognormal, dan Distribusi Weibull.

---

E waste is one of the major problems in the world, including Indonesia which has a high level of consumption of electronic products. E waste in Indonesia is expected to increase due to the rapid development of technology and the absence of proper E waste management so that the flow of waste is still a lot of entry into the informal sector and can not be adequately mapped. To be able to map the flow of waste and the amount of E waste generated, lifespan required from each electronic product as an input. In current conditions, defective or outdated electronic products are usually not directly disposed of but stored or fall into a category of storage time. The effects of storage time can extend the total lifespan, decrease the collection rate, and decrease the supply for recycling that can disrupt the E waste Management system. So the lifespan distribution model to get the percentage of waste generated per year and how to decrease storage time becomes an important key to E waste Management. Lifespan data were obtained from survey questionnaires on individuals and households in Java. This study gives a better fit distribution model for lifespan data, and storage time and percentage of annual end of life electronic products in Indonesia with model fit assessment on Normal Distribution, Lognormal Distribution, and Weibull Distribution."