Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Latar belakang: Stratifikasi risiko terhadap pembedahan sangat membantu dalam pengambilan keputusan klinis perioperatif, edukasi, evaluasi, dan audit klinis. Kraniotomi pada tumor otak sebagai tindakan pembedahan berisiko tinggi belum memiliki stratifikasi risiko yang akurat di RSUPNCM karena masih menggunakan ASA yang bersifat subjektif dan kurang informatif. P-POSSUM terbukti tepat dalam prediksi mortalitas pascabedah kraniotomi di India dan Inggris, namun belum diketahui ketepatannya di Indonesia, khususnya di RSUPNCM. Tujuan: Penelitian ini bertujuan untuk mengetahui ketepatan P-POSSUM dalam prediksi mortalitas pascabedah kraniotomi pada tumor otak di RSUPNCM. Metode: Disain penelitian adalah deskriptif analitik retrospektif terhadap seluruh pasien dewasa dengan tumor otak yang menjalani kraniotomi di RSUPNCM selama periode Januari 2015 - Desember 2016. Hasil: Sebanyak 196 subjek dilibatkan dalam analisis risiko mortalitas. Didapatkan rasio O:E 1,68 secara keseluruhan dengan rasio O:E 1,91 pada jangkauan risiko 0-5 dan 1,69 pada jangkauan risiko 11-20 . Hasil uji Hosmer-Lemeshow menunjukkan perbedaan yang signifikan antara angka mortalitas prediksi dan aktual p=0,006 . Simpulan: P-POSSUM tidak tepat dalam prediksi mortalitas pascabedah kraniotomi di RSUPNCM. Diperlukan kajian dan penyesuaian lebih lanjut sebelum P-POSSUM dapat digunakan pada populasi bedah saraf di RSUPNCM.

---

ABSTRACT
Background Risk stratification in surgery helps in perioperative clinical decision making, education, evaluation, and clinical audit. Craniotomy on brain tumor as a high risk surgery does not have an accurate risk stratification in RSUPNCM because they still use ASA, which is subjective and not informative. P POSSUM had been proven to be accurate in predicting postoperative mortality after craniotomy in India and England, but it has not been studied in Indonesia, especially in RSUPNCM. Aim This study was done to gain knowledge about the accuracy of P POSSUM for predicting mortality after craniotomy in brain tumor in RSUPNCM. Methods This was a retrospective descriptive analytic study on adults with brain tumor scheduled to have elective craniotomy in RSUPNCM between January 2015 ndash December 2016. Result 196 subjects were analyzed in this study. Overall O E ratio was 1.68 with O E ratio of 1.91 in the risk range of 0 5 and 1.69 in the risk range of 11 20 . Hosmer Lemeshow test showed significant difference between predicted and actual mortality rate p 0.006 . Conclusion P POSSUM was not accurate for predicting mortality after craniotomy in RSUPNCM. Further studies and adjustments are needed before P POSSUM can be used in neurosurgery population in RSUPNCM.

Abstrak :
Prediksi klaim dan prediksi risiko asuransi dilakukan untuk mengklasifikasikan klaim dan tingkat risiko dalam industri asuransi. Dari sudut pandang pembelajaran mesin, masalah prediksi klaim merupakan klasifikasi dua kelas dan masalah prediksi risiko adalah klasifikasi multi-kelas. Untuk mengklasifikasikan klaim dan risiko, model pembelajaran mesin akan memprediksi berdasarkan data historis. Dalam data historis pemohon asuransi, akan ada kemungkinan nilai yang hilang (missing values) sehingga perlu untuk mengatasi masalah tersebut agar memberikan kinerja yang lebih baik. XGBoost adalah metode pembelajaran mesin yang banyak digunakan untuk masalah klasifikasi dan dapat menangani nilai yang hilang (missing values) tanpa dilakukan proses imputasi terlebih dahulu. Penelitian ini menganalisis kinerja metode XGBoost dalam menangani nilai-nilai yang hilang (missing values) untuk prediksi klaim dan prediksi risiko dalam asuransi dan kinerja tersebut juga dibandingkan dengan metode imputasi standard lainnya, yaitu metode mean dan k-nearest neighbors (KNN). Simulasi menunjukkan bahwa model XGBoost tanpa dilakukan proses imputasi memberikan hasil yang sebanding dengan model XGBoost dengan imputasi ......Claim prediction and risk prediction of insurance is carried out to classify claims and the levels of risk in insurance industries. From the machine learning point of view, the problem of claim prediction is a two-class classification, and the problem of risk level prediction is a multi-class classification. To classify the claims and risk, a machine learning model will predict based on historical data. In the insurance applicant's historical data, there will be the possibility of missing values so that it is necessary to deal with these problems to provide better performance. XGBoost is a machine learning method that is widely used for classification problems and can handle missing values without an imputation preprocessing. This study analyzed the performance of the XGBoost model in handling missing values for claim prediction and risk prediction in insurance and the performance is also compared with other standard imputation methods, i.e the mean and k-nearest neighbors (KNN) method. The simulations show that the XGBoost model without any imputation preprocessing gives a comparable result to one of the XGBoost models with an imputation preprocessing.

Abstrak :
Pembangunan sarana dan prasarana perkeretaapian saat ini sangat gencar dilakukan oleh Pemerintah Indonesia melalui Direktorat Jenderal Perkeretaapian, Kementerian Perhubungan sebagai upaya memajukan sektor perkeretaapian nasional. Namun dalam pelaksanaannya, seringkali ditemukan permasalahan yang menyebabkan penyelesaian pembangunan sarana dan prasarana perkeretaapian tersebut menjadi terhambat dan mengalami keterlambatan. Keterlambatan jadwal penyelesaian tentunya akan berdampak kepada sejumlah hal, baik dari sisi pembiayaan proyek, penilaian kinerja Lembaga/Kementerian, capaian yang dirasakan langsung oleh masyarakat, bahkan dapat menyebabkan perubahan pola operasi kereta api sebagai bentuk penyesuaian terhadap proses pembangunan tersebut. Penelitian ini dibuat untuk menentukan strategi optimasi prediksi jadwal penyelesaian dari proses pembangunan sarana dan prasarana perkeretaapian dengan menggunakan studi kasus pada Proyek Pengembangan Double-Double Track (Paket A). Proses penelitian diawali dengan mengidentifikasi risiko-risiko penyebab keterlambatan jadwal penyelesaian pada studi kasus proyek tersebut, sehingga nantinya dapat dilanjutkan pada proses pengoptimasian prediksi jadwal penyelesaian dengan menggunakan metode Program Evaluation and Review Technique (PERT)......The construction of railway facilities and infrastructure is currently very intensively carried out by the Government of Indonesia through the Directorate General of Railways, Ministry of Transportation as an effort to advance the national railway sector. But in its implementation, there are often problems that cause the completion of the construction of railway facilities and infrastructure to be hampered and delayed. Delays in completion schedule will certainly have an impact on a number of things, both in terms of project financing, assessment of the performance of institutions / ministries, achievements felt directly by the community, can even lead to changes in the pattern of railway operations as a form of adjustment to the development process. This research was created to determine the optimization strategy of the predicted completion schedule of the railway facilities and infrastructure development process using case studies on the Double-Double Track Development Project (Package A). The research process begins by identifying the risks that cause delays in the completion schedule in the project case study, so that later can be continued in the process of optimizing the predicted completion schedule using the Program Evaluation and Review Technique (PERT) method.

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%.