Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Proses pemulangan bayi berat badan lahir rendah (BBLR) dari rumah sakit ke rumah menjadi proses transisi yang sulit bagi orang tua. Ibu yang memiliki BBLR cenderung memiliki kepercayaan diri rendah dan mengalami stres dalam melakukan perawatan bayi. Tujuan penelitian ini adalah menganalisis efektifitas perencanaan pulang bayi berat lahir rendah berbasis aplikasi mobile terhadap stres ibu, kepercayaan diri ibu dan kesehatan bayi. Penelitian ini menggunakan desain penelitian dengan sequential exploratory mixed methods. Penelitian tahap pertama menggunakan pendekatan deskriptif kualitatif dengan delapan ibu yang memiliki BBLR yang dipilih secara purposive sampling. Aplikasi perencanaan pulang BBLR dibangun dari hasil penelitian kualitatif, studi literatur dan konsultasi pakar. Penelitian tahap kedua menggunakan desain quasi experiment pre-post test with control group, melibatkan 42 responden pada kelompok perlakuan dan 42 responden kelompok kontrol. Hasil penelitian kualitatif menemukan tiga tema yaitu (a) informasi perawatan rutin bayi (b) variasi sumber informasi (c) jenis komunikasi yang diperlukan. Hasil uji Generalized Linear Models Repeated Measures (GLM RM), secara simultan menunjukkan perbedaan pengaruh perencanaan pulang BBLR berbasis aplikasi mobile pada keseluruhan waktu pengamatan saat masuk RS, keluar RS dan setelah empat minggu keluar RS (p < 0.05). Hasil independent t-test didapatkan bahwa ada pengaruh perlakuan secara signifikan terhadap stres ibu dan kepercayaan diri ibu dan hasil Mann-Whitney U test menunjukkan pengaruh perlakuan terhadap kesehatan bayi setelah empat minggu keluar RS (p < 0.05). Perencanaan pulang yang ditindak lanjuti dengan asuhan berkelanjutan dapat digunakan di tatanan layanan kesehatan untuk membantu ibu dalam menyiapkan kepulangan BBLR ke rumah dan memandirikan ibu dalam perawatan bayi di rumah. ......The discharge process of low birth weight (LBW) babies from the hospital to home is a difficult transition process for parents. Mothers with LBW tend to lack confidence and face stressful situations in caring for their babies. The purpose of this study is to analyze the effectivity of mobile application-based LBW discharge planning and follow up care on maternal stress, confidence, and the baby's health. This study uses sequential exploratory mixed methods as the research design. The first phase of this research used qualitative descriptive approach with 8 participants consisting of mothers with LBW, selected with purposive sampling method. The LBW discharge planning application was built from the results of qualitative research, literature studies, and expert consultations. While the second phase used a quasi-experiment pre-post test with control groups, involved 42 respondents that belonged to treatment group and 42 other that belonged to control group. The results of the qualitative research found 3 themes: a) routine baby care information, b) information source variations, and c) type of communication needed. The results of the Generalized Linear Models Repeated Measures (GLM RM) test simultaneously show differences in the effect of mobile application-based LBW discharge planning on the overall observation time at hospital admission, hospital discharge, and after four weeks of hospital discharge (p <0.05). The results of the independent t-test found that there was a significant effect of treatment on the mother's stress and self-confidence, and the results of the Mann-Whitney U test showed the effect of treatment on the baby's health after four weeks of discharge from the hospital (p <0.05). Discharge planning, reinforced by follow-up care, can be carried out in a healthcare setting to assist mothers in preparing for the return of LBW to their homes and empower them to care for babies at home.

Abstrak :
Saat ini penentuan area riset masih banyak bergantung kepada pendapat para ahli. Meskipun ahli tersebut memiliki pengetahuan yang mendalam di bidangnya, akan tetapi tidak semua area riset yang emerging dapat diketahui oleh ahli tersebut mengingat cepatnya perkembangan sumber-sumber informasi tentang ilmu pengetahuan dan teknologi. Namun demikian, analisis data yang berjumlah besar memerlukan waktu yang lama dan bisa jadi subyektif jika menggunakan cara manual. Beberapa penelitian sebelumnya telah menggunakan teknik kuantitatif dengan menghitung trend berdasarkan jumlah kata kunci dari suatu topik riset dan memprediksi trend tersebut untuk masa yang akan datang. Untuk prediksi trend dari data time series, saat ini pendekatan machine learning mulai banyak dikaji disamping pendekatan statistik yang sebelumnya lazim digunakan. Sementara itu, pendekatan ensemble yang menggabungkan hasil prediksi, teknik prediksi atau representasi data diyakini dapat meningkatkan akurasi prediksi. Multiple Kernel Learning (MKL) merupakan suatu teknik ensemble melalui penggabungan kernel yang menggunakan teknik machine learning, yakni Support Vector Machine (SVM), sebagai classifier atau prediktor. Dalam penelitian sebelumnya, MKL telah dimanfaatkan untuk menggabungkan fitur, yang biasa disebut sebagai data integration, dalam bidang image processing tetapi masih menggunakan single kernel. Dalam penelitian ini, MKL dimanfaatkan untuk menggabungkan fitur data time series yang berupa sliding windows dan diterapkan pada multiple kernel. Disamping itu, penelitian ini juga mengajukan penggunaan data historis sebagai pengganti training dataset untuk memilih model prediksi yang sesuai dengan karakteristik time series karena setiap model prediksi memiliki kelebihan dan keterbatasan dalam memprediksi data time series yang jenisnya cukup beragam.

---

Currently, the determination of the research area is still largely dependent on the opinion of experts. Although experts have in-depth knowledge in the field, but not all areas of emerging research can be known by the experts given the rapid development of sources of information regarding science and technology. However, the analysis of large amounts of data would take a quite long time and the result could be subjective if a manual method is employed. Several previous studies have used quantitative techniques to calculate trends based on the number of keywords on research topics and forecast their future trends. For the trend forecasting of time series data, currently, machine learning approaches have been extensively studied in addition to the previous statistical approaches which are commonly used. Meanwhile, an ensemble approach that may combine the prediction results, prediction techniques or data representations has the capability to increase the prediction accuracy. Multiple Kernel Learning (MKL) is one of such ensemble methods that optimizes the combination of kernels through the use of machine learning technique, such as Support Vector Machine (SVM), as a classifier or predictor. In previous studies, MKL has been used to combine features, which is commonly referred to as the data integration approach, in the field of image processing but is still implemented on a single kernel. In this study, MKL is used to combine the features of time series data in the form of sliding windows and tested on multiple kernels. In addition, this study also proposes the use of historical data as a substitute for the training dataset to select the prediction technique based on the characteristics of time series considering the diverse kind of time series data such that no single prediction technique can be used for all types of data.