Hasil Pencarian  ::  Simpan CSV :: Kembali

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."

"

Fraktur delayed union dan union sampai saat ini masih menjadi tantangan para dokter orthopaedi. Berbagai terapi menggunakan metode biologi dan biofisika digunakan untuk mendorong penyembuhan fraktur nonunion. Penelitian ini bertujuan untuk mengevaluasi penggunaan stimulasi PEMF (Pulsed Electromagnetic Fields) untuk mempercepat penyembuhan fraktur model delayed union dengan menggunakan hewan coba. Sebanyak dua puluh empat tikus Spraque Dawley dikelompokan menjadi dua yaitu kelompok Kontrol dan kelompok PEMF. Kelompok PEMF mendapatkan pajanan medan magnet dinamik dengan intensitas 1.6 mT, frequency 50 Hz dan lama pajanan 4 jam /hari selama 7 hari / minggu. Kemajuan penyembuhan fraktur dinilai secara histopatologi dengan metode histomorfometri dan secara biokimia pada hari ke 5, 10, 18 dan 28 paska fraktur. Parameter histomorfometri yang dievaluasi adalah persentase area fibrosa, tulang rawan dan tulang. Penanda biokimia penyembuhan fraktur yang dievaluasi adalah Alkaline Phosphatase pada serum darah yang diperiksa menggunakan metode Elisa. Hasil pemeriksaan histomorfometri menunjukkan pada kelompok PEMF, jaringan fibrosa menurun secara signifikan pada tahap awal penyembuhan fraktur. Aktivitas Alkaline Phosphatase meningkat signifikan menunjukkan kenaikan aktivitas osteoblas dalam membentuk matrik tulang. Berdasarkan analisis statistic menunjukkan adanya korelasi yang bermakna antara aktivitas Alkaline Phosphatase dengan presentasi jaringan tulang pada hari ke 10 paska fraktur, hal ini menunjukkan bahwa ALP dapat digunakan sebagai penanda awal proses penyembuhan fraktur.

 

---

Delayed union and non-union fracture remain a major clinical challenge for the orthopedic surgeon. Many biophysical and biological modalities can be used to promote healing of non-union. The aim of this study was to evaluate the healing process of femoral delayed union fracture model after pulsed electromagnetic field (PEMF) stimulation. Twenty four rats were randomized into two groups; Control group and PEMF group, administration of PEMF stimulation (1.6 mT, frequency 50 Hz, 4 hours/day). The progression of healing was evaluated by histomorphometry and biochemical assessment at days 5, 10, 18 and 28 post fracture. The histomorphometry parameters were evaluated; percentages area of fibrous, cartilage and osseous tissue.  The serum biochemical marker of bone healing, Alkaline Phosphatase was determined using ELISA kit. Histomorphometry evaluation showed that in PEMF groups, fibrous tissue significantly decreased in the early phase of fracture healing. Alkaline phosphatase activity increased significantly in the PEMF group which indicated an increase in osteoblast activity in the bone matrices formation. The results of this study also showed a strong postitive correlation between ALP activity and bone formation on the 10th day after fracture, so that ALP can be used as a markers to assess fracture healing in the early stages.

 

"