Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit Parkinson terbagi dalam dua subtipe, yaitu Tremor Dominant (TD) dan Postural Instability/Gait Dominant (PIGD). Tiap subtipe memiliki perbedaan dalam penanganan klinis, sehingga perlu dilakukan klasifikasi subtipe penyakit Parkinson. Dalam Statistika, ada beberapa model yang membahas klasifikasi diantaranya adalah decision tree, regresi logistik, dan logit leaf model (LLM). LLM merupakan model campuran dari decision tree dan regresi logistik yang diusulkan oleh De Caigny et al. (2018). Penulisan ini membahas klasifikasi subtipe penyakit Parkinson menggunakan model klasifikasi statistika beserta penanganan masalah imbalanced data yang terjadi pada data penyakit Parkinson. Diperoleh model klasifikasi regresi logistik dengan melakukan proses SMOTE ± = 600, = 200 untuk menangani masalah imbalanced data. Model tersebut memberikan akurasi sebesar 98,83%, sensitivitas sebesar 98,41%, dan spesifisitas sebesar 99,07%.

---

Parkinsons Disease has two sub-types which are Tremor Dominant (TD) and Postural Instability/Gait Difficulty (PIGD). Each subtype has the difference in clinical treatment, so it is necessary to classify Parkinsons Disease subtypes. In Statistics, there are statistical models for classifying such as decision tree, logistic regression, and logit leaf model (LLM). LLM is a hybrid model from decision tree and logistic regression that proposed by (De Caigny et al., 2018). In this thesis discuss Parkinsons Disease Classification using statistical models with imbalanced data problem handling happen in Parkinson`s Disease data. For the result, logistic regression by processing SMOTE ± = 600, = 200 to handle data imbalanced problem. The model provides an accuracy of 98,83%, sensitivity of 98.41%, and specificity of 99.07%."

"Kanker merupakan penyebab kematian nomor dua di dunia dan diperkirakan mencapai 9,6 juta kematian pada tahun 2018 dengan kanker payudara menjadi kanker kedua yang sering terjadi setelah kanker paru-paru. Kanker payudara terjadi karena pertumbuhan sel abnormal tidak terkontrol yang dimulai pada saluran yang membawa susu ke puting susu atau kelenjar pembuat susu. Pengobatan kanker payudara bergantung pada subtipe tumor, stadium, penanda genetik, usia pasien, kesehatan pasien umum, status menopause dan mutasi pada gen kanker payudara yang diwariskan. Pada akhir perawatan pasien diberikan terapi tambahan yang bertujuan untuk memperkecil risiko kekambuhan. Meskipun terapi ini telah dilakukan, risiko kekambuhan tetap ada. Surrogate marker merupakan penanda yang digunakan untuk menggantikan titik akhir dari uji klinis yang biasa digunakan untuk mempercepat penanganan pasien. Tujuan dari penelitian ini adalah untuk mengetahui rasio pengukuran hematologi yang dapat digunakan sebagai surrogate marker dalam kekambuhan kanker payudara beserta cut-off yang tepat. Pohon keputusan digunakan untuk menentukan cut-off rasio pengukuran hematologi yang mempengaruhi kekambuhan kanker payudara dan kemudian random forest digunakan untuk mengetahui urutan variabel yang berperan penting dalam pengklasifikasian. Hasil dari kedua metode tersebut dikuantifikasi menggunakan regresi logistik. Berdasarkan analisis, ditemukan bahwa rasio platelet terhadap jumlah sel darah putih (cut-off point sebesar 47,560) dan rasio neutrofil terhadap limfosit (cut-off point sebesar 1,953) mempengaruhi kekambuhan kanker payudara.

---

Cancer is the second leading cause of death globally and is estimated to account for 9.6 million deaths in 2018, with breast cancer being the second cancer that often occurs after lung cancer. Breast cancer occurs due to uncontrolled abnormal cell growth, which starts in the duct that carries milk to the nipple or milk-making glands. Treatment of breast cancer depends on tumor subtype, stage, genetic markers, patient age, general patient health, menopausal status, and mutations in the inherited breast cancer gene. At the end of the treatment the patient is given adjuvant therapy aimed at minimizing the risk of recurrence. Although this therapy has been done, the risk of recurrence remains. Surrogate marker is a marker that is used to substitute the end point of a clinical trial that is usually used to hasten patients handling.

The purpose of this study is to find out the ratio of hematological measurements that can be used as a surrogate marker in breast cancer recurrence along with its cut-off point. Decision tree was used to find the cut-off point of the ratio of hematological measurements that affect breast cancer recurrence, and then random forest was used to find out the order of importance variables in classification. The results of the two methods were quantified using logistic regression. Based on the analysis, it was found that the platelet to white blood count ratio (cut-off point of 47.560) and the neutrophil to lymphocytes ratio (cut-off point of 1.953) affected breast cancer recurrence."

"Kanker adalah penyebab kematian nomor dua di dunia dan diperkirakan mencapai 9,6 juta kematian pada tahun 2018, dengan kanker payudara menjadi kanker kedua yang sering terjadi setelahnya kanker paru-paru. Kanker payudara terjadi karena pertumbuhan sel abnormal yang tidak terkendali, yang dimulai di saluran yang membawa susu ke puting susu atau kelenjar pembuat susu. Pengobatan kanker payudara tergantung pada subtipe tumor, stadium, penanda genetik, usia pasien, kesehatan pasien umum, status menopause, dan mutasi pada gen kanker payudara yang diwariskan. Di akhir pengobatan pasien diberikan terapi tambahan yang bertujuan meminimalkan risiko kekambuhan. Meskipun terapi ini telah dilakukan, risiko kekambuhan tetap ada. Penanda pengganti adalah penanda yang digunakan untuk menggantikan titik akhir dari uji klinis yang biasanya digunakan mempercepat penanganan pasien. Tujuan dari penelitian ini adalah untuk mengetahui rasio hematologi pengukuran yang dapat digunakan sebagai penanda pengganti dalam kekambuhan kanker payudara sepanjang dengan titik cut-off. Pohon keputusan digunakan untuk menemukan titik batas rasio hematologi pengukuran yang mempengaruhi kekambuhan kanker payudara, dan kemudian hutan acak itu digunakan untuk mengetahui urutan variabel penting dalam klasifikasi. Hasil keduanya metode dikuantifikasi menggunakan regresi logistik. Berdasarkan analisis, ditemukan bahwa rasio jumlah trombosit ke darah putih (titik potong 47.560) dan neutrofil terhadap rasio limfosit (titik potong 1,953) mempengaruhi kekambuhan kanker payudara.

---

Cancer is the number two cause of death in the world and is estimated to reach 9.6 million deaths in 2018, with breast cancer becoming the second most common cancer that follows lung cancer. Breast cancer occurs because of uncontrolled abnormal cell growth, which starts in the ducts that carry milk to the nipples or milk glands. Treatment of breast cancer depends on the tumor subtype, stage, genetic markers, patient age, general patient health, menopausal status, and mutations in inherited breast cancer genes. At the end of treatment the patient is given additional therapy aimed at minimizing the risk of recurrence. Despite this therapy, the risk of recurrence remains. A surrogate marker is a marker used to replace the endpoints of clinical trials that are usually used to speed up patient management.

The aim of this study is to determine the hematological ratio measurements that can be used as surrogate markers in breast cancer recurrence along with the cut-off point. The decision tree is used to find the hematological ratio boundary point measurements that affect breast cancer recurrence, and then the random forest is used to determine the order of important variables in the classification. Both results the method is quantified using logistic regression. Based on the analysis, it was found that the ratio of platelet count to white blood (cut point 47,560) and neutrophils against lymphocyte ratio (cut point 1.953) influences breast cancer recurrence."

"Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function.

---

The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter.

One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function."

"COVID-19 adalah penyakit yang disebabkan oleh virus SARS-CoV-2 dan menyerang sistem pernapasan manusia. Selain menganggu kesehatan fisik, pandemi COVID-19 juga memberikan dampak psikologis, salah satunya adalah tingkat stres yang meningkat pada masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berasosiasi dengan tingkat stres pada pandemi COVID-19. Dalam mencapai tujuan tersebut, penelitian ini menggunakan metode classification tree dan regresi logistik multinomial. Sebelum melakukan proses identifikasi faktor menggunakan classification tree, dilakukan penanganan masalah imbalance data menggunakan metode SMOTE. Selanjutnya, dilakukan kuantifikasi risiko faktor-faktor yang teridentifikasi pada classification tree menggunakan analisis regresi logistik multinomial. Kinerja model diukur menggunakan nilai precision, recall, F1-Score, dan AUC. Hasil yang diperoleh adalah model classification tree dengan penanganan imbalance data menggunakan SMOTE dapat meningkatkan kinerja model dengan nilai precision 0,5980, nilai recall 0,8653, nilai F1-Score 0,7072, dan AUC 0,702. Dengan model tersebut, didapatkan faktor-faktor yang teridentifikasi berasosiasi dengan tingkat stres pada pandemi COVID-19 adalah Total_OECDInsititutions, Total_CoronaConcerns, dan Age. Peningkatan nilai Corona Concerns cenderung memberikan risiko peningkatan tingkat stres, sedangkan peningkatan nilai OECDInsititutions dan Age cenderung memberikan risiko penurunan tingkat stres.

---

COVID-19 is a disease caused by the SARS-CoV-2 virus that attacks the human respiratory system. In addition to disrupting physical health, the COVID-19 pandemic also has psychological impacts, one of which is an increased level of stress. This study aims to identify factors associated with the level of stress during the COVID-19 pandemic. The study employs the classification tree method and multinomial logistic regression. Prior to the factor identification process using the classification tree, the issue of imbalanced data is addressed using the SMOTE method. Subsequently, the quantification of risk factors identified in the classification tree is conducted using multinomial logistic regression analysis. The model's performance is measured using precision, recall, F1-score, and AUC values. The results obtained indicate that the classification tree model with the handling of imbalanced data using SMOTE can improve model performance, with a precision value of 0,5980, recall value of 0,8653, F1-score value of 0,7072, and AUC value of 0,702. With this model, the identified factors associated with the level of stress during the COVID-19 pandemic are Total_OECDInstitutions, Total_CoronaConcerns, and Age. An increase in Corona Concerns tends to pose a risk of increased stress levels, while an increase in OECD Institutions and Age tends to pose a risk of decreased stress levels."

"Tingkat Kesehatan Bank Syariah [TKBS] adalah perangkat penting dalam melakukan penilaian dan pengawasan terhadap kualitas operasional bank syariah. Secara teoritis perangkat dapat didesain melalui pendekatan CAMELS dengan modifikasi struktur finansial bank syariah. Untuk tetap menonjolkan karakteristik istimewa operasional bank Islam maka modifikasi haruslah mempertimbangkan risk based supervisory dan kepatuhan syariah [shari?h complieance].Tujuan penelitian adalah untuk mendapatkan faktor apa yang menjadi prediktor terbaik dan model prediksi apa yang paling akurat dalam prediksi keanggotaan sampel bank syariah kedalam komposit penilaian TKBS. Bukti empiris penelitian menun-jukkan bahwa persamaan model desain komposit penilaian TKBS signifikan secara statistik dengan tingkat signifikansi model sebesar ? = 0,01. Artinya dengan tingkat kesalahan penelitian dibawah 5 % tidak ditemukan “gap” antara teori desain TKBS dengan praktek operasional bank umum syariah di Indonesia. Adapun sebagai prediktor terbaik penelitian adalah rasio kecukupan modal bank syariah untuk mengantisipasi risk exposure (R1M). Adapun rasio partisipasi finansial (R7M) yang merupakan salah satu misi utama bank Islam dapat direkomendasikan sebagai salah satu prediktor TKBS. Hasil uji keakuratan model menemukan bahwa correct estimate atau tingkat akurasi prediksi model analisis regresi logistik adalah 91,7% dan lebih baik jika dibandingkan dengan model analisis diskriminan dengan correct estimates sebesar 81,3%. Penelitian kajian ini dapat digunakan tidak hanya sebagai perangkat pengawasan bank yang efektif oleh otoritas perbankan syariah dalam menilai kualitas operasional bank tetapi juga sebagai masukan ketika akan menyusun regulasi pengawasan terhadap perbankan syariah.

---

In this paper, we analyze an alternative tool to assess the operational soundness of the Islamic banking quality. Shari?h banking rating system is most important tools in assessing and supervisory of banking quality. Theoretically, the tools designed can still use the CAMELS but some adjustments on financial ratio based on risk supervisory and shari?h compliance so can accommodate the salient feature of Islamic banking. The objective of this research is expected to analyze model and best predictors in shari?h banking rating composite. Empirical research has shown that design can be implemented on practically Islamic banking in Indonesia with statistic significant level is 0,01 (multiple discriminant and logistic regression models). Its mean no gap between theoretically and practically under 5 percent error level. As best predictor is capital adequacy ratio to anticipate risk exposure (R1M) meanwhile a financial participation ratio (R7M) what a special mission of Islamic banking can be recommended as predictor of shari?h banking rating system. Accuration model testing has found that correct estimate of logistic regression model is 91,7% and more better than discriminant analyze model that a correct estimate is 81,3%. This research is capable of being used as an effective supervisory tool not only for assessing the operational quality but also directing the Islamic banking authority when formulating the supervisory actions based on supervisory review."

"Industri asuransi jiwa di Indonesia belakangan ini sedang mengalami tren positif, dengan mencatat kenaikan laba sebesar 148,05 pada tahun 2017, dari tahun sebelumnya. Perusahaan asuransi sampai sekarang pun masih berfokus pada pertumbuhan bisnis, namun metode yang akan diambil bukan lagi melalui marketing dan saluran agen, namun melalui metode kalkulasi yang baru untuk jumlah manfaat bagi produk-produk asuransi jiwa. Penghitungan manfaat dihasilkan dengan mempertimbangkan dua hal yang penting, yakni risiko dari pemegang polis, dan kondisi keuangan perusahaan. Penelitian ini berfokus pada klasifikasi risiko dari pemegang polis yang dilakukan dengan dua metode yakni regresi logistik dan jaringan saraf tiruan, yang menghasilkan bahwa metode jaringan saraf tiruan menghasilkan performa yang lebih baik dalam mengklasifikasikan risiko dibandingkan regresi logistik.

---

Life insurance businesses in Indonesia are currently developing at a significant pace. Stated by Otoritas Jasa Keuangan, life insurance businesses in Indonesia recorded 148,05 increase in their total income from December 2016, while already gaining positive results life insurance companies still aiming to extent their businesses by marketing and agency strategies, however life insurance companies currently are looking to extent their profits by formulating new models to calculate to value the policyholder. The insured value calculated by assessing risk the policyholder would face and by considering the company rsquo s financial status. This research focused on the risk classification process to assess the risk faced by the policy holder, by using logistic regression methods and neural network, and resulting a slight favor to neural network for having better results in classifying risks of policyholder."

"Penyakit Jantung Koroner (PJK) merupakan penyebab utama kematian di seluruh dunia termasuk di Indonesia. Berdasarkan Sample Registration System (SRS), PJK menjadi penyebab kematian tertinggi di Indonesia pada semua umur pada tahun 2014 setelah stroke yaitu sebesar 12,9%. Terdapat beberapa faktor risiko yang menyebabkan PJK seperti merokok, umur, obesitas, jenis kelamin, diabetes, dan lain-lain. Penelitian ini menggunakan 3 model yaitu model Bootstrapping parametic regresi logistik, model Bootstrapping nonparametic regresi logistik dan model regresi logistik. Bootstrapping digunakan untuk meningkatkan akurasi hasil klasifikasi pada model. Metode Bootstrapping merupakan metode yang dilakukan dengan cara resampling dan replicate data awal. Data yang digunakan adalah data yang berasal dari Rumah Sakit Ibnu Sina Yarsi Padang pada bulan Januari tahun 2020. Berdasarkan penelitian ini, dapat disimpulkan bahwasannya akurasi, sensitivity, specivity pada model Bootstrapping parametic regresi logistic adalah 83.87%, 83.33%, dan 84.21% dan model Bootstrapping nonparametic regresi logistik adalah 74%, 72.72%, 75% lebih baik dibandingkan dengan model regresi logistic adalah 71%, 77.8%, dan 61.58%.

---

Coronary Heart Disease (CHD) is the leading cause of death worldwide, including in Indonesia. Based on the Sample Registration System (SRS), CHD is the leading cause of death in Indonesia at all ages in 2014 after stroke, amounting to 12.9%. There are several risk factors that cause CHD such as smoking, age, obesity, gender, diabetes, and others. This study used 3 models, namely the parametric Bootstrapping logistic regression model, the nonparametric Bootstrapping logistic regression

model and the logistic regression model. Then 3 models are compared to see the accuracy of each model. Bootstrapping method is a method that is done by resampling and replicating the initial data. The data used are data from the Ibnu Sina Yarsi Hospital Padang in January 2020. Based on this research, it can be concluded that the accuracy, sensitivity, specivity of the logistic regression parametric Bootstrapping model is 83.87%, 83.33%, and 84.21%, then nonparametric logistic regression Bootstrapping model 74%, 72.72%, 75%, both of them are better than the logistic regression model 71%, 77.8%, dan 61.58%."

"Seiring dengan berkembangnya industri kredit, resiko kredit telah menjadi hal yang penting bagi instansi keuangan. Sehingga, penggunaan metode yang tepat dalam menilai resiko dari setiap permohonan kredit perlu dilakukan. Credit scoring merupakan salah satu metode penilaian resiko kredit yang sering digunakan dan sudah banyak dibuat dengan menggunakan berbagai metode data mining. Penelitian ini akan mengaplikasikan metode CART dalam membuat model credit scoring dengan menggunakan kasus di Koperasi. Model credit scoring hasil penelitian ini memiliki tingkat akurasi yang cukup tinggi (83,62%) dan Type I Error yang rendah (4,04%). Namun, model ini memiliki Type II Error yang cukup tinggi yaitu, 53,23%.

---

With the rapid growth of credit industry, credit risk has become critical for financial institutions. Thus, using the best methods of assessing risk for credit applicants are needed. Credit scoring is one of the method of credit risk measurement, and has been widely developed by using various data mining techniques. This study will implement CART for constructing credit scoring model using data of microfinance institution. As the results, the credit scoring model has high accuracy (83,62%) and low Type I Error (4,04%). While its Type II Error is high (53,23%)."

"Model multinomial logit adalah model yang biasa digunakan untuk memodelkan pilihan. Model tersebut dapat diturunkan dari fungsi utilitas, dengan asumsi error antar alternatif berdistribusi gumbel, dan saling bebas, serta error antar observasi saling bebas. Jika asumsi error antar alternatif saling bebas tidak terpenuhi, maka dibutuhkan alternatif model lain untuk memodelkan pilihan. Model nested logit adalah salah satu model yang dapat digunakan untuk mengatasi permasalahan tersebut. Alternatif pilihan yang saling berpengaruh dikelompokkan ke dalam satu sarang. Penaksiran parameter pada Model nested logit dapat dilakukan dengan Full Information Maximum Likelihood (FIML) dimana parameter untuk sarang dan alternatif pilihan ditaksir secara simultan. Tetapi turunan fungsi log likelihoodnya tidak linier sehingga dibutuhkan metode NewtonRaphson.

---

The multinomial logit model is a model commonly used to model choices. This model can be derived from the utility function, with the assumption that the interalternative error has a Gumbel distribution, are mutually independent, and the error between observations are also mutually independent. If the assumption of mutual independence of the interalternative error is not satisfied, then another model is needed to model the alternatives. Nested logit model is one of the models that can be used to overcome this kind of problem. Alternative choices that affect each other are grouped into a single nest. Estimation of parameters of the nested logit model can be done by the Full Information Maximum Likelihood (FIML). But the derivative of log likelihood functions are not linear so the NewtonRaphson methods are needed in the process. "