Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Nilai yang hilang adalah suatu kondisi ketika ada beberapa entri yang hilang atau nilai kosong pada beberapa pengamatan dalam data. Ini dapat menyebabkan kita memiliki data yang tidak lengkap yang dapat menghambat proses analisis statistik dan dapat memberikan kesimpulan yang bias dari analisis jika tidak dapat ditangani dengan benar. Masalah ini juga dapat ditemukan dalam beberapa analisis regresi linier. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan beberapa metode imputasi yang disebut Predictive Mean Matching (PMM). Beberapa imputasi adalah pendekatan umum untuk menangani data yang hilang yang memungkinkan ketidakpastian tentang data yang hilang dengan membuat serangkaian data imputasi yang masuk akal dan hasil analisis gabungan tepat yang diperoleh dari setiap data. Metode ini akan mencocokkan jarak rata-rata prediktif dari pengamatan tidak lengkap dengan pengamatan lengkap. Dengan demikian, pengamatan lengkap yang memiliki jarak terdekat akan menjadi nilai donor bagi yang tidak lengkap. Mean prediktif untuk pengamatan lengkap diperkirakan dengan kuadrat biasa yang paling tidak lengkap dan didekati oleh konsep Bayesian. Artikel ini akan menjelaskan tentang distribusi posterior yang memungkinkan ketidakpastian nilai yang hilang untuk memperkirakan parameter pengamatan yang tidak lengkap dan mendapatkan rata-rata prediktif mereka. Artikel ini akan memberikan hasil tentang penerapan metode PMM dalam data simulasi yang memiliki pola hilang univariat dengan mekanisme MAR dan dievaluasi dengan nilai bias dari koefisien regresi dari koefisien hasil pada dataset yang ditentukan.

---

Missing value is a condition when there are some missing entries or empty values ​​on some observations in the data. This can cause us to have incomplete data that can hinder the process of statistical analysis and can provide biased conclusions from the analysis if it cannot be handled properly. This problem can also be found in several linear regression analyzes. One way to overcome this problem is to use several imputation methods called Predictive Mean Matching (PMM). Some imputations are a general approach to handling missing data that allows uncertainty about missing data by making a series of reasonable imputation data and the precise combined analysis results obtained from each data. This method will match the predictive average distance from incomplete observations with complete observations. Thus, a complete observation that has the closest distance will be a donor value for the incomplete. The predictive means for complete observations are estimated with the most incomplete ordinary squares and are approached by the Bayesian concept. This article will explain posterior distributions that allow uncertainty of missing values ​​to estimate incomplete observation parameters and obtain their predictive averages. This article will provide results about the application of the PMM method in simulation data which have a univariate missing pattern with the MAR mechanism and are evaluated with a bias value of the regression coefficient of the yield coefficient on the specified dataset.

Abstrak :
ABSTRAK
Hiperglikemia merupakan hal yang sering terjadi pada pasien dengan penyakit parah (dengan atau tanpa riwayat diabetes) dan dapat meningkatkan angka kematian pasien. Dalam tulisan ini akan dibahas mengenai model matematis berbasis keputusan medis yang digunakan dalam simulasi komputer untuk menganalisa perubahan konsentrasi glukosa pasien selama pasien dirawat di ICU dengan state awal hiperglikemia. Model yang digunakan adalah model bio-medis Glucosafe. Model Glucosafe ini memperhitungkan perubahan konsentrasi glukosa dan insulin didalam tubuh manusia dengan bantuan sistem persamaan differensial nonlinier orde satu, serta mempertimbangkan tingkat penurunan penyerapan glukosa di usus dan titik jenuh insulin pada pasien yang sensitivitas insulinnya berkurang karena sakit parah. Tujuan dari model glucosafe ini adalah menentukan banyaknya suplai nutrisi (nutrisi entral dan nutrisi parenteral) serta suplai insulin eksogen yang akan diberikan kepada pasien selama berada di ICU. Hasil percobaan menunjukkan bahwa perawatan dengan kombinasi antara pengurangan dalam pemberian nutrisi dan pemberian insulin menghasilkan penurunan konsentrasi glukosa yang lebih cepat dan mencapai kondisi stabil dengan lebih cepat.

---

ABSTRACT
Hyperglycemia often happen to critically ill patients and can increase mortality. This paper present the mathematical model-based decision support in term of computer simulations to analize the changes of glucose concentration in critically ill patients with hyperglycemic initial states. The model that we use is bio-medial model Glucosafe. Glucosafe calculate the evolution of blood glucose and insulin concentration in the human body by help of a nonlinier system of first order differential equations, and considered the reduced rate of glucose gut absorption and saturation od insulin action in patients with reduced insulin sensitivity due to critically ill. The aims of this model is to determine the nutrition and insulin for the patient. Numerical results showed that the treatment with combination of reducing nutrition feeding and insulin therapy gives faster result in reducing glucose concentration.

Abstrak :
Mengirim pesan yang bersifat rahasia rawan mengalami pencurian, penyalahgunaan dan tindak kriminal lainnya. Oleh karena itu, pengirim harus melakukan pengamanan pesan rahasia saat menyimpan sebelum pengiriman. Salah satu teknik pengamanan tersebut adalah steganografi. Steganografi merupakan teknik penyimpanan pesan dengan cara menyembunyikan pesan rahasia ke dalam suatu media yang bertujuan agar keberadaan pesan rahasia tidak dicurigai. Media yang digunakan adalah teks, citra digital, suara digital dan video. Pada penelitian ini media yang digunakan adalah pesan suara digital sebagai pesan rahasia dan citra digital warna sebagai media penyembunyian dengan menggunakan dua metode Least Significant Bit (LSB), 1-LSB dan 2-LSB. Sebelum penyisipan, pesan suara digital dienkripsi dengan tujuan untuk meningkatkan keamanan. Hasil dari implementasi algoritma selanjutnya digunakan untuk beberapa analisis. Berdasarkan hasil analisis nilai PSNR, diperoleh nilai yang relatif tinggi yaitu sekitar 61.374 dB sampai 72.820 dB. Hal ini berarti stego image yang dihasilkan memiliki tingkat imperceptibility yang tinggi sehingga pesan rahasia sulit dideteksi.

---

Sending a secret message is vulnerable to theft, misuse and any other criminal acts. Therefore, the sender must secure secret message before sending it. One of the security techniques is steganography. Steganography is a technique of hiding a secret messages in other medium that is intended to make the existence of secret message is not suspected. The media that can be used are text, digital image, digital audio and video. In this research, the media that is used as a secret message is digital audio and the media that is used to conceal the secret message is digital color image using two kinds of Least Significant Bit (LSB) method, 1-LSB and 2-LSB. Prior to the insertion process, digital audio message is encrypted with the aim to increase security. Results of the implementation of the algorithm is then used for some analysis. Based on the results of PSNR value analysis, the values are relatively high, around 61.374 dB to 72.820 dB. It means the produced stego image has a high level of imperceptibility so the secret message is hardly detected.

Abstrak :
ABSTRAK
Padatahun 2007, Daerah Khusus Ibukota (DKI) Jakarta mengalami banjir besar yang merendam hampir 60% wilaya DKI Jakarta, yang salah satunya disebabkan oleh curah hujan yang tinggi. Dua bulan setelah kejadian tersebut, Gubernur DKI Jakarta menyatakan ibukota dalam kondisi kejadian luar biasa (KLB) demam berdarah. Dari 2 kejadian tersebut, terdapat indikasi kasus demam berdarah dengue(DBD) erat kaitannya dengan cuaca. DBD adalah penyakit yang disebabkan oleh virus dengue dan disebarkan melalui gigitan nyamuk aedes aegepty dan aedes albopictus betina yang terinfeksi virus dengue. Penyakit ini dapat menyerang manusia di segala rentang umur. Sejak Januari hingga Maret 2020, Dinas Kesehatan Pemerintah Provinsi DKI Jakarta mencatat terdapat 971 kasus DBD. Deteksi dini terkait kejadian DBD dibutuhkan agar berbagai pihak terkait dapat mengambil langkah-langkah antisipasi sedini mungkin. Ilmu matematika dapat berperan dalam membantu deteksi dini kejadian DBD di DKI Jakarta, salah satunya menggunakan sistem klasifikasi dengan berbasis artificial intelligence. Random forest classification merupakan salah satu bentuk machine learning, yang juga merupakan bagian dari artificial intelligence, yang dikenalkan oleh Breiman pada tahun 2001 melalui penelitiannya dengan metode ensemble. Setiap decisiontree pada random forest memberikan hasil klasifikasi dan menggunakan sistem suara terbanyak (majority vote) untuk menentukan hasil akhir dari klasifikasi random forest. Breiman dalam penelitiannya juga menunjukkan kelebihan random forest yang antara lain memiliki error lebih rendah dibandingkan metode lain yangsejenis dan dapat mengatasi data train yang berukuran besar secara efisien. Analisis klasifikasi kasus DBD dalam kaitannya dengan data klimatologi dilakukan dengan pendekatan random forest pada skripsi ini. Data insiden DBD, jumlah penduduk, dan data klimatologi berupa curah hujan, temperatur, dan kelembapan tahun 2008-2017pada tiap Kota di DKI Jakarta (kecuali Kepulauan Seribu) digunakan pada skripsi ini. Random forest diimplementasikan untuk melakukan klasifikasi tingkat kewaspadaan kasus DBD dalam tiga jenis kategori, yaitu: aman, waspada, danawas. Hasil implementasi algoritma random forest dalam membangun model klasifikasi tingkat kewaspadaan kasus DBD untuk Kota Jakarta Timur, Jakarta Utara, Jakarta Selatan, Jakarta Barat, dan Jakarta Pusat di skripsi ini menghasilkan nilai akurasi secara berurut yaitu 93,41%, 89,01%, 83,52%, 82,42%, dan 80,22%.

---

ABSTRACT
In 2007, the capital city DKI Jakarta had one of the worst floods, that submerged nearly 60% of the area. One of the causes was a heavy rainfall. Two months after the incident, Two months after the incident, the Governor of DKI Jakarta stated that the capital city was in an outbreak of dengue fever. From these two incidents, there are some indications of dengue hemorrhagic fever cases related to the weather. DHF is a disease caused by the dengue virus and spreads by the bite of female Aedes Aegepty and Aedes Albopictus mosquitoes thathad been infected with the dengue virus. This disease can affect humans in any kind of age. From January to March 2020, the government health office of DKI Jakarta reported 971 cases of dengue fever. Early detection related to the incidence of DHF is needed so that the preventive action can be done as early as possible. Mathematics helps a lot to detect a dengue fever in DKI Jakarta earlier using a classification system based on artificial intelligence. Random forest is one of the machine learning methods, found by Breiman in 2001 through his research with an ensemble method. Every decision tree in random forest provides classification results, using the majority vote system to determine the final results of the random forest classification. Breiman also mentioned the advantages of this method which are having fewer errors and efficiently resolving a bigger size of the train data. Analysis of the classification of DHF cases in relation to climatological data was carried out using the random forest approach in this research. DHF incidence data, population, and climatological data in the form of rainfall, temperature and humidity from 2008 -2017 in each city in DKI Jakarta (except Kepulauan Seribu) are used in this research. Random forest is implemented to classify the alertness level of DHF cases into three categories, namely: safe, nearly safe, and not safe. The results of the implementation of the random forest algorithm in building a classification model for the alertness level of dengue cases for East Jakarta, North Jakarta, South Jakarta, West Jakarta and Central Jakarta in the form of accuracy values are 93.41%, 89.01%, 83 ,52%, 82.42%, and 80.22%.