Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Ameloblastoma merupakan tumor jinak yang berkembang lambat, bertambah besar dan bersifat invasif secara lokal pada rahang. Angka rekurensi setelah tindakan pembedahan definitif dapat mencapat 50-90% dengan tatalaksana bedah konservatif dan 17% dengan tatalaksana bedah radikal. Penelitian dilakukan menggunakan machine learning Random Forest algorithm untuk memprediksi rekurensi ameloblastoma. Tujuan Penelitian: Menganalisis faktor risiko terjadinya rekurensi ameloblastoma pasca tatalaksana bedah. Metode Penelitian: Studi retrospektif Januari 2015 – Juni 2022 pada subjek yang memenuhi kriteria inklusi. Data diambil dari rekam medis pasien baik tertulis maupun digital. Analisis variabel kategorik dengan Uji Chi-Square dan Random Forest Classification and Regression menggunakan software R dalam menentukan faktor risiko terjadinya rekurensi ameloblastoma. Faktor risiko yang paling berperan dinilai dengan Mean Decrese Gini value (MDG). Hasil: Dari 97 subjek penelitian, 36 subyek (37%) mengalami rekurensi. Hasil uji Chi-square menunjukkan 4 faktor risiko memiliki hubungan secara signifikan secara statistik, antara lain faktor risiko usia, gambaran radiografis ameloblastoma, ukuran dan perluasan ameloblastoma serta modalitas perawatan terhadap ameloblastoma. Analisis multivariat menggunakan Random Forest Algorithm dengan akurasi sebesar 90,72%. Kesimpulan: Modalitas perawatan merupakan faktor risiko dominan rekurensi ameloblastoma pada penelitian ini, diikuti oleh faktor risiko ukuran dan perluasan ameloblastoma yang disimpulkan dari nilai Mean Decrese Gini (MDG).

---

Background : Ameloblastoma is one of benign tumor of jaw, slow growing characteristic, able to gain enermous size of tumor and locally invasive. Considering high rate ameloblastoma recurrance 50-90% in conservative and 17% radical surgery, research conducted to predict risk factors of ameloblastoma recurrence using Random Forest algorithm, a machine learning. Objective: To evaluate risk factors for recurrence of ameloblastoma after jaw surgical treatment. Methods: Retrospective study conducted on subjects who met the inclusion criteria in term of January 2015 - June 2022. Data collected from medical record both written and digital. Cathegorical variables taken to be analyzed using Chi-Square, Random Forest to reach the risk factors of ameloblastoma recurrence. The importance of value was defined by means Mean Decrese Gini value (MDG). Result: Subjects were 97 with 36 respondents (37%) experienced recurrence. Significant correlation between the four risk factors and recurrence of ameloblastoma analyzed using Chi-Square The risk factors were age, radiographic characteristic of ameloblastoma, size and invasion of ameloblastoma to cortical bone and soft tissue, and treatment modalities. Random Forest algorithm used to evaluate multivariate analysis with 90.72% accuracy. Conclusion: This research using Mean Decrease Gini (MDG) showed the dominant importance of treatment modality as risk factor in ameloblastoma recurrence, followed by size and its invasiveness to soft tissue surrounding."

"Difraksi sinar -X merupakan salah satu bagian dari analisis struktur kristal, untuk menganalisis hal ini yang sering dilakukan adalah penghalusan metode rietveld. General Structure Analysis System (GSAS) merupakan metode rietveld yang mampu mengidentifikasi fasa yang lebih dari satu secara bersamaan. Bahan CaMnO3 yang merupakan campuran dari bahan dasar CaCO3 dan MnO2 terbentuk setelah melalui proses milling dan pemanasan. Proses milling yang dilakukan pada sampel dengan variasi waktu 3 jam, 6 jam, 9 jam, 12 jam melalui pemanasan dengan variasi , 6 jam, dan 9 jam. Temperatur yang digunakan pada proses ini 4000C , 8000 C dan 10000C. Hasil pengukuran difraksi sinar-X pada temperatur ruang menunjukan bahwa CaMnO3 dapat dihasilkan melalui pemanasan sampai 10000C."

"Tujuan dari penelitian ini adalah untuk menganalisis hubungan antara kemiskinan dan tingkat kejahatan narkoba di Indonesia. Penelitian ini menggunakan data panel 33 provinsi selama rentang waktu tahun 2015 – 2020. Data diperoleh dari Badan Narkotika Nasional dan Badan Pusat Statistik yang diolah menggunakan pendekatan Random Effect Model (REM). Analisis difokuskan pada ukuran yang objektif untuk kejahatan narkoba yaitu, jumlah tersangka narkoba yang berhasil ditangkap oleh Kepolisian RI dan Badan Narkotika Nasional dan tingkat kemiskinan yang diukur dengan persentase penduduk miskin. Hasil penelitian menunjukkan bahwa terdapat korelasi yang negatif dan signifikan antara kemiskinan dengan tingkat kejahatan narkoba di Indonesia. Hal ini dapat dijelaskan melalui teori aktivitas rutin, dimana perlu dilakukan pendekatan “situasi” untuk melihat efek dari kemiskinan terhadap tingkat kejahatan yakni tidak hanya dari sisi pelaku namun juga dari sisi korban dan lingkungan sekitar. Apabila dilihat berdasarkan sudut pandang ini, maka apabila lingkungan sekitar kebanyakan adalah penduduk miskin, maka terjadinya kejahatan narkoba akan berkurang. Orang-orang yang hidup di bawah garis kemiskinan, kecil kemungkinannya untuk mengonsumsi narkoba terutama jenis shabu dari hasil pendapatannya sendiri. Karena harga yang harus dibayarkan melebihi kapasitas mereka dalam memenuhi kebutuhan dasar untuk tetap hidup layak. Selain itu, bandar/pengedar narkoba juga akan mencari korban yang layak untuk melakukan transaksi peredaran gelap narkoba. Sehingga wilayah dengan tingkat kemiskinan yang tinggi, akan lebih sedikit terjadi kejahatan narkoba.

---

The purpose of this study is to analyze the relationship between poverty and the level of drug define offence in Indonesia. This study uses panel data from 33 provinces during the period 2015-2020. The data is obtained from the National Narcotics Agency and the Central Statistics Agency. The analysis focuses on a more objective measure for drug define offence, which is the number of drug suspects and the poverty level which is the percentage of the poor. By using the Random Effect Model (REM) approach, the results show that there is a negative and significant correlation between poverty and the level of drug define offence in Indonesia. This can be explained through the theory of routine activities, where it is necessary to take a “situation” approach to see the effects of poverty on crime rates, not only from the perspective of the perpetrator but also from the side of the victim and the guardian. From this point of view, if the surrounding environment is mostly poor people, then the occurrence of drug define offence will be reduced. People who live below the poverty line are less likely to consume drugs, especially shabu from their own income. Because the price they have to pay exceeds their capacity to fulfill their basic needs to live a decent life. In addition, drug dealers will also look for worthy victims to carry out illicit drug trafficking transactions. So that in areas with a high poverty level, there will be fewer drug define offence."

"Coronavirus disease 19 (COVID-19) adalah penyakit pernapasan menular yang pertama kali terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini memiliki gejala umum yang mirip dengan gejala penyakit pernapasan lain seperti alergi, flu, dan pilek. Tetapi setiap penyakit membutuhkan obat dan perawatan yang berbeda-beda. Sehingga, penting bagi penderita untuk mendapatkan diagnosis yang tepat atas penyakit yang diderita. Diagnosis biasanya dilakukan dengan pertemuan langsung antara dokter dan pasien. Akan tetapi, cara ini memiliki banyak hambatan, seperti: membutuhkan banyak waktu dan biaya. Selain itu, cara ini juga berpotensi menularkan penyakit kepada orang lain. Oleh karena itu, diajukan implementasi chatbot untuk mengatasi hambatan dalam melakukan diagnosis COVID-19. Chatbot menerima input data berupa gejala yang dialami pasien. Data tersebut terlebih dahulu diubah menjadi data tabular untuk kemudian dilakukan klasifikasi jenis penyakit dengan bantuan algoritma machine learning. Pada Penelitian ini, akan dilakXGBoost pada data gejala yang dipublikasikan oleh Walter Conway di situs Kaggle. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik pada data testing dengan skor rata-rata accuracy sebesar 93.38%, precision sebesar 96.58%, recall sebesar 93.38%,F1-Score sebesar 94.32%, specificity sebesar 99.73%, Geometric Mean sebesar 95.94%, dan waktu training selama 0.33 detik.

---

Coronavirus disease 19 (COVID-19) is an infectious respiratory disease that was first detected in Wuhan City, Hubei Province, China. This disease has general symptoms that are similar to the symptoms of other respiratory diseases such as allergies, flu, and colds. But each disease requires different medications and treatments. Thus, it is important for patients to get a proper diagnosis of the disease they are suffering from. Diagnosis is usually made by direct meeting between doctor and patient. However, this method has many obstacles, such as: it takes a lot of time and money. In addition, this method also has the potential to transmit the disease to others. Therefore, it is proposed to implement a chatbot to overcome obstacles in diagnosing COVID-19. The chatbot receives input data in the form of symptoms experienced by the patient. The data is first converted into tabular data and then the classification of the type of disease is carried out with the help of machine learning algorithms. In this study, a diagnosis of COVID-19 will be carried out using the Random Forest and XGBoost models on symptom data published by Walter Conway on the Kaggle website. The results showed that the Random Forest model had the best performance on data testing with an average score of 93.38% accuracy, 96.58% precision, 93.38% recall, 94.32% F1-Score, 99.73% specificity, and 95.94% Geometric Mean, and the training time is 0.33 seconds."

"Masalah yang akan dijumpai dalam pengambilan sampel di alamterbuka dengan objek pengamatan hewan yaitu tidak semua objekpengamatan dapat terdeteksi. Salah satu metode untuk mengatasinya adalahmetode Detectability Sampling, yaitu metode pengambilan sampel denganmempertimbangkan probabilitas terdeteksinya suatu objek pengamatan. Jikametode Detectability Sampling diterapkan pada Simple Random Sampling,maka metode pengambilan sampel ini disebut Detectability Simple RandomSampling. Taksiran total populasi yang didapat dari metode DetectabilitySimple Random Sampling merupakan taksiran yang tak bias. Probabilitasterdeteksinya suatu objek pengamatan dapat diketahui atau ditaksir daripenelitian sebelumnya.Dalam tugas akhir ini, probabilitas terdeteksinya suatu objekpengamatan ditaksir dari penelitian sebelumnya yang menggunakan metodeDirect Sampling. Studi kasus penerapan metode ini digunakan dalammenaksir total banyak katak di sekeliling Danau Agatis, UniversitasIndonesia. Hasil analisa data menunjukkan bahwa total banyak katak disekeliling Danau Agatis adalah sebesar 266 katak. Jika banyak katak perluas di sekeliling Danau Agatis dibandingkan dengan banyak katak per luasyang didapat dari penelitian sebelumnya di sekeliling danau yang bersih,dimana memberikan hasil bahwa banyak katak per luas di sekeliling DanauvAgatis lebih kecil dibandingkan banyak katak per luas di danau yang bersih,maka dapat disimpulkan bahwa Danau Agatis, Universitas Indonesia telahmulai tercemar.kata kunci : taksiran tak bias, total populasi, simple random sampling,probabilitas terdeteksinya objek pengamatan, directsamplingx + 64 hlmn.Bibliografi : 8 (1977-2009)"

"ABSTRAKMemori semikonduktor merupakan komponen universal dalam sistem mikroprosesor dan menjadi fenomena baru dalam industri komputer, walau di akhir tahun 1960-an dan di awal 1970-an memori magnetik merupakan teknologi yang masih mendominasi. Industri memori semikonduktor dimulai awal tahun 70-an dengan permulaan chip memori 256 bit, yang sangat kecil kapasitasnya dibanding standar masa kini. Tapi satu dekade kemudian, di tahun 80-an, chip 64 kbit telah diproduksi penuh, sementara chip 256 kbit telah berada di meja gambar. Di masa depan diperkirakan tiap dua atau tiga tahun kapasitas memori tiap chip berlipat 4 kali. Jadi chip 256 bit telah mengantar menuju chip 1 kbit, 4 kbit, 16 kbit, 64 kbit, 256 kbit, hingga 1024 kbit. Pada masa kini, sistem memori semikonduktor untuk mikroprosesor secara prinsip dibagi dalam 3 tipe : 1. Dynamic Random Access Memory (DRAM), yang menyimpan data dengan pasif dan untuk memeliharanya memerlukan penyegaran berkala. 2. Static Random Access Memory, (SRAM) yang menyimpan data tanpa penyegaran berkala. 3. Read Only Memory (ROM), yang dapat memelihara data walau tanpa catu daya, namun tak dapat ditulis ulang. Sebenarnya ada banyak jenis memori yang dapat diakses secara acak antara lain PLA, RAM, ROM, PROM, EPROM, EAROM, CCD, dan Buble. Tetapi dalam penulisan ini, perobahasan yang mendetail hanya akan mencakup jenis memori yang paling banyak digunakan yaitu RAM, dengan penekanan penjelasan lebih mengetengahkan memori tipe Dynamic Random Access Memory (DRAM), yang merupakan salah satu jenis RAM yang banyak dipakai untuk mendukung pertumbuhan industri komputer."