Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar Belakang: DNA bebas dalam medium kultur embrio dan kemajuan pemodelan berbasis kecerdasan buatan berpotensi menjadi modalitas uji genetik yang non-invasif. Saat ini, tidak diketahui apakah DNA tersebut dilepaskan oleh sel embrio euploid atau aneuploid, sehingga melemahkan dasar keilmuan penggunaannya. Penelitian ini bertujuan untuk mengetahui sel sumber embrio pelepas DNA bebas dalam medium kultur, validasi potensi klinis penggunaan DNA bebas untuk skrining status ploidi embrio pasien Fertilisasi In-Vitro (FIV), dan konstruksi model pembelajaran mendalam menggunakan gambar embrio tersegmentasi untuk deteksi status ploidi embrio. Metode: Penelitian ini terbagi dalam dua desain penelitian yaitu eksperimental in-vitro menggunakan embrio hewan model dan observasi kohort menggunakan 28 sampel medium kultur embrio dari 21 pasien program FIV di Klinik Morula IVF Jakarta, periode September 2022–Januari 2023. Konstruksi model pembelajaran mendalam menggunakan gambar embrio pasien FIV yang menjalani program bayi tabung periode Januari 2021– Juni 2023. Deteksi sel embrio sumber pelepas DNA bebas dilakukan dengan memapar salah satu embrio (galur DDY atau C57BL) dengan reversin untuk memperoleh blastomer pembawa sel-sel aneuploid. Embrio kontrol dikultur bersamaan tanpa reversin sebagai pembawa sel-sel blastomer euploid. Agregasi membentuk embrio mosaik dilakukan antara embrio pembawa blastomer aneuploid (perlakuan) dan embrio pembawa blastomer euploid (kontrol). Polimorfisme gen GABRA2 antara galur DDY (alel wildtype) dan C57BL (alel delesi) mejadi alel target yang dikuantifikasi dengan metode qPCR. Empat jenis sampel dibuat sebagai berikut: medium kultur tanpa embrio, medium kultur embrio agregasi tanpa pemaparan reversin, rev-DDY, rev-C57BL. Embrio mosaik diwarnai dengan marka apoptosis untuk deteksi mekanisme pelepasan DNA bebas. Analisis status ploidi embrio menggunakan medium kultur embrio pasien FIV dilakukan dengan metode sekuensing. Konstruksi model pembelajaran mendalam menggunakan gambar embrio tersegmentasi yang dipotong urut selama 10 jam sebelum proses biopsi. Variabel yang diamati dalam penelitian adalah konsentrasi alel delesi dan wildtype gen GABRA2, jumlah sel terwarnai marka apoptosis, Pada sampel medium kultur embrio manusia, keberhasilan amplifikasi dan interpretasi hasil sekuensing, serta tingkat kesesuaian uji antara DNA bebas dengan biopsi trofoblas dianalisis. Kemampuan prediksi model berbasis kecerdasan buatan dinilai dengan akurasi dan loss. Analisis data penelitian dan konstruksi model pembelajaran mendalam menggunakan perangkat lunak SPPS versi 21, OpenEpi. pyhton. Hasil: Sebanyak 0,08 ng/reaksi alel wildtype ditemukan pada embrio mosaik dengan pemaparan reversin pada blastomer embrio DDY (rev-DDY, pembawa sel-sel aneuploid) dan 0,01 ng/reaksi alel delesi ditemukan pada embrio mosaik dengan pemaparan reversin pada blastomer embrio C57BL (rev-C57BL, pembawa sel-sel aneuploid). Median jumlah sel embrio terwarnai marka apoptosis antara ketiga group embrio (agregasi kontrol, rev- DDY dan rev-C57BL) tidak berbeda bermakna (nilai p = 0,95 untuk pewarnaan late apoptosis (propidium iodide) dan p = 0,42 untuk early apoptosis (Ann-V) menandakan adanya proses koreksi sel pada kedua group embrio mosaik selama masa perkembangan pra-implantasi. Keberhasilan amplifikasi DNA bebas medium kultur embrio manusia dalah 100%, dengan nilai interpretasi 92,8% (26/28). Nilai kesesuaian DNA bebas dengan biopsi trofoblas adalah rendah sebesar 65,4% (17/26) dengan kesesuaian kromosom seks adalah 61,5% (16/26). Sepuluh dari 11 embrio XY pada biopsi trofoblas terdeteksi XX pada DNA bebas. Seluruh model pembelajaran mendalam mengalami peningkatan akurasi menggunakan gambar embrio tersegmentasi dengan algoritma InceptionV3 mencapai akurasi tertinggi sebesar 0,67 dengan nilai loss sebesar 1,4. Kesimpulan: Sel embrio anueploid adalah sel sember pelepas DNA bebas medium kultur embrio pada embrio mosaik hewan coba mencit yang dilepaskan melalui mekanisme apoptosis. Embrio masik tersebut diperkirakan melakukan self-correction dengan mengeksklusi sel-sel aneploid untuk mempertahankan euploiditasnya. Rendahnya tingkat kesesuaian antara DNA bebas dengan biopsi trofoblas disebabbkan oleh adanya kontaminasi maternal yang ditandai dengan perubahaan koromosm seks yang signifikan. Penggunaan gambar blastosis tersegmentasi meningkatkan akurasi model prediksi pembelajaran mendalam. ......Background: Cell-free DNA and advanced artificial intelligence-based modeling uphold the potential of a non-invasive approach to determining embryo ploidy status. The specific embryonic cells (whether euploid or aneuploid) that release cell-free DNA are largely unknown, causing a weak scientific basis for its use. This study aimed to identify the source of embryonic cells releasing cell-free DNA in culture media, validate the clinical potential of using cell-free DNA to screen embryo ploidy status in an in-vitro fertilization (IVF) program and develop a deep learning model using segmented embryo images to detect embryo ploidy status. Materials and Methods: This study employed two research designs including an in-vitro experimental study using animal model embryos and an observational cohort study using 28 samples of spent embryo culture media from 21 patients undergoing IVF program at Morula IVF Clinic Jakarta (September 2022 to January 2023). A deep learning model was constructed using images of embryos from IVF patients who participated in IVF program from January 2021 to June 2023. Detection of the source embryonic cells releasing cell-free DNA was achieved by exposing embryos (DDY or C57BL strains) to reversine to induce the formation of blastomeres carrying aneuploid cells. Control embryos were cultured simultaneously without reversine to serve as the source of euploid blastomeres. Mosaic embryo aggregation was performed by combining embryos carrying aneuploid blastomeres (treatment) with those carrying euploid blastomeres (control). The GABRA2 gene polymorphism between the DDY strain (wildtype allele) and the C57BL strain (deletion allele) was the target allele quantified using qPCR. Four types of samples were prepared: culture medium without embryos, culture medium of aggregated embryos without reversine exposure, rev-DDY, and rev-C57BL. Mosaic embryos were stained with an apoptosis marker to detect the mechanism of cell-free DNA release. The ploidy status of embryos using spent embryo culture media from IVF patients was determined using sequencing methods. The deep learning model was constructed using segmented images of embryos captured over 10 hours before the biopsy process. The variables observed in the study included the concentration of deletion and wildtype alleles of the GABRA2 gene, the number of cells stained with apoptosis markers, the success rate of amplification and interpretation of sequencing results from human spent embryo culture medium samples, and the concordance rate between cell-free DNA and trophectoderm biopsy analysis. The predictive ability of the artificial intelligence-based model was evaluated using accuracy and loss metrics. Data analysis and deep learning model construction were performed using SPSS version 21, OpenEpi, and Python. Results: A total of 0.08 ng/reaction of the wildtype allele was detected in the culture media sample of mosaic embryos exposed to reversine in DDY embryo blastomeres (rev- DDY, carrying aneuploid cells), and 0.01 ng/reaction of the deletion allele was found in the sample exposed to reversine in C57BL embryo blastomeres (rev-C57BL, carrying aneuploid cells). The median number of embryonic cells stained with apoptosis markers among the three groups of embryos (control aggregation, rev-DDY, and rev-C57BL) did not differ significantly (p = 0.95 for late apoptosis staining with propidium iodide and p = 0.42 for early apoptosis with Annexin V), indicating the presence of cell correction processes in both groups of mosaic embryos during pre-implantation development. The success rate of cell-free DNA amplification in human spent embryo culture media was 100%, with an interpretability of 92.8% (26/28). The concordance between cell-free DNA and trophectoderm biopsy was low at 65.4% (17/26), with sex chromosome concordance at 61.5% (16/26). Ten out of eleven XY embryos from the trophectoderm biopsy were detected as XX in cell-free DNA analysis. All deep learning models showed improved accuracy using segmented embryo images with the InceptionV3 algorithm, achieving the highest accuracy of 0.67 with a loss of 1.4. Conclusion: Aneuploid embryonic cells were identified as the source releasing cell-free DNA in culture media during embryo animal model experiments, releasing DNA through an apoptotic mechanism. These mosaic embryos were expected to activate embryonic cell correction mechanisms by excluding aneuploid cells to maintain their euploidy. The low concordance rate between cell-free DNA and trophectoderm biopsy was attributed to maternal contamination, as indicated by significant changes in sex chromosomes. The use of segmented blastocyst images improved the model's accuracy.

Abstrak :
Skripsi ini membahas mengenai Pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) dengan menggunakan Stacked Bidirectional GRU dengan Manhattan Distance dan Cosine Similarity yang diterapkan untuk menilai jawaban esai bahasa Indonesia. Data yang digunakan pada sistem terdiri dari jawaban esai pelajar dan kunci jawaban dari pengajar. Sistem akan melalui tahapan pre-processing, word embedding, kemudian proses training, dan terakhir proses testing. Data sebelumnya diolah untuk dilakukan training terlebih dahulu dengan memberikan tujuh skenario pengujian agar memberikan selisih dan error yang rendah. Kedua jawaban akan diuji menggunakan dengan variasi hyperparameter sesuai dengan hasil terbaik dari seluruh skenario pengujian, kemudian diukur kemiripan hasil keduanya menggunakan dua jenis metrics yaitu, Manhattan Distance dan Cosine Similarity. Model menggunakan Cosine Similarity menghasilkan rata-rata nilai selisih 1.935 untuk fase training dan 8 untuk fase testing. Sedangkan Manhattan Distance menghasilkan selisih 1.887 untuk fase training dan 9.039 untuk fase testing. ...... This thesis discusses the design of an Automatic Essay Scoring System (SIMPLE-O) using Stacked Bidirectional GRU with Manhattan Distance and Cosine Similarity for Indonesian essay grading. The system utilizes a dataset consisting of student essay answers and corresponding teacher's answer key. The system goes through several stages including pre-processing, word embedding, training, and testing processes. The data is pre-processed and then trained using seven different testing scenarios to achieve low difference and low-error results. The system is evaluated using various hyperparameter settings based on the best results obtained from all testing scenarios. The similarity between the generated scores and the reference scores is measured using two metrics: Manhattan Distance and Cosine Similarity. The Cosine Similarity-based model achieved an average difference of 1.935 during the training phase and 8 during the testing phase. On the other hand, the Manhattan Distance-based model achieved an difference of 1.887 during the training phase and 9.039 during the testing phase.

Abstrak :
ABSTRAK
Terjebaknya pipa (stuck pipe) selama pengeboran sumur Geotermal adalah salah satu masalah yang mempengaruhi waktu tidak produktif (NPT) yang memperpanjang jadwal pengeboran. Masalah ini secara langsung meningkatkan biaya pengeboran karena meningkatnya waktu pengeboran keseluruhan, bahan habis pakai, lumpur, mata bor dan juga akan mengorbankan sumur ketika tidak ada lagi kemajuan untuk mencapai kedalaman cadangan (reservoir) yang ditargetkan. Juga masalah suckpipe akan menciptakan efek domino yang mungkin berdampak pada pengeboran sumur berikutnya dan jadwal pengeboran lokasi lainnya. Masalah stuck pipe terjadi dari banyak faktor kontributor dan juga terkait dengan kasus masalah lain seperti kehilangan sirkulasi, ketidakstabilan lubang sumur, penutupan zona sementara, dan masalah pekerjaan penyemenan. Metode analitik yang ada saat ini sebagian besar menggunakan satu atau dua variabel dominan untuk memprediksi masalah pipa macet yang secara terbatas mewakili kondisi pengeboran, litologi dan kondisi sumur bor. Kombinasi metode statistik dan pendekatan pembelajaran mesin (machine learning) dikembangkan dan digunakan secara komprehensif untuk memprediksi masalah stuck pipe yang mewakili berbagai kondisi litologi, lubang sumur dan pengeboran. Data historis yang mewakili situasi kondisional dan perekam pengeboran elektronik (Electronic Drilling Recorder) digunakan untuk memprediksi masalah stuck pipe yang berbeda untuk setiap sumur. Banyak faktor yang berkontribusi terhadap keberhasilan kegiatan pengeboran dan tidak ada faktor tunggal, yang dominan menjadi akar penyebab menariknya penelitian ini. Pendekatan statistik seperti Principal Component Analysis, regresi logistik, dan analisis diskriminan sangat membantu untuk menafsirkan data sebelum langkah analisis selanjutnya. Analisis statistik tersebut harus menjadi dasar interpretasi data sebelum membuat algoritma untuk menggunakan analisis prediktif menggunakan pembelajaran mesin (machine learning) dan pembelajaran mendalam (deep learning).

---

ABSTRACT
Stuck pipe during Geothermal well drilling is one of the problems that affect nonproductive time (NPT) which prolongs the drilling schedule. This problem directly increases drilling cost due to increasing overall drilling time, consumables, mud, drill bit and as well as sacrifices it's well when there is no more progress to reach the targeted reservoir depth. Also, the stuck pipe problem will create a domino effect that might impact next well drilling and another site drilling schedule. Stuck pipe problem is made from many contributor factors and related to other problem cases such as lost circulation, wellbore instability, temporary zone closure, and cementing job trouble. The current analytical method mostly uses one or two dominant variables to predict stuck pipe problems which limitedly represents drilling conditions, lithology and wellbore conditions. A combination of statistical method and machine learning approach is developed and comprehensively used to predict stuck pipe problem that represents different well lithology, wellbore and drilling condition. Historical data that represents the conditional situation and electronic data recorder is used to predict the stuck pipe problem which different for each of the well. Many factors contribute to successful drilling activities and no one single factor, which dominantly becomes the root cause of the problem. A statistical approach such as principal component analysis, logistic regression and discriminant analysis is very helpful to interpret data before the next step of the analysis. Those statistical analyses should be the baseline of data interpretation before creating an algorithm to use predictive analysis using machine learning and deep learning.