Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSebagai metode kontrasepsi, Metode Kontrasepsi Jangka Panjang (MKJP) reversibel (seperti IUD dan Implan) mempunyai keunggulan dibandingkan short term method dan MKJP permanen. Namun, data Survei Demogrfi dan Kesehatan Indonesia (SDKI) menunjukkan penurunan penggunaan MKJP reversibel dalam jangka waktu 30 tahun (1987-2017). Penelitian ini bertujuan untuk mengetahui pengaruh persetujuan suami dan pengambilan keputusan bersama antara suami istri terhadap penggunaan MKJP reversibel istri. Data SDKI 2017 digunakan dengan unit analisis wanita berstatus kawin yang sedang menggunakan kontrasepsi modern. Dengan menggunakan regresi logistik multinomial, penelitian ini menemukan bahwa persetujuan suami berpengaruh positif terhadap penggunaan MKJP reversibel baik jika dibandingkan dengan short term method maupun MKJP permanen, meskipun pengaruh persetujuan suami terhadap peningkatan penggunaan MKJP reversibel (relatif terhadap short term method) tidak memberikan pengaruh yang signifikan. Pengambilan keputusan bersama berpengaruh positif terhadap penggunaan MKJP reversibel dibandingkan short term method. Sedangkan jika dibandingkan dengan MKJP permanen, pengambilan keputusan bersama memberikan pengaruh negatif terhadap penggunaan MKJP reversibel.

---

ABSTRACTAs a contraceptive, Long Acting and Reversible Contraception (LARC), such as IUDs and Implants, has many advantages compared to short term method and Long Acting and Permanent Method (LAPM). Despite these advantages, the Indonesian Demographic and Health Survey (IDHS) data shows a decrease in the use of the LARC over a period of 30 years (1987-2017). This study aims to investigate the effect of husband's approval and joint decision making between husband and wife on the wife's use of LARC. Data from IDHS 2017 is used with currently married women who are using modern contraceptive methods serves as unit analysis. Using multinomial logistic regression, this study found that husband's approval had a positive effect on the use of LARC both compared to the short term method and LAPM, although husband's approval did not have a significant effect on the use of LARC (relative to the short term method). Joint decision making has a positive effect on the use of LARC compared to the short term method. Whereas when compared with LAPM, joint decision making has a negative effect on the use of LARC."

"Dalam melakukan klaim subrogasi, perusahaan penjaminan kredit sering mengalami kendala di mana pihak yang dijamin tidak melunasi pinjamannya sesuai kesepakatan. Hal ini membuat perusahaan penjaminan kredit mengklasifikasikan pihak terjamin yang berpotensi untuk melunasi pinjaman kreditnya, dan pihak terjamin yang tidak berpotensi untuk melunasi pinjaman kreditnya. Penelitian ini mengevaluasi prediksi potensi klaim subrogasi pada penjaminan kredit menggunakan berbagai model pembelajaran mesin berdasarkan data dunia nyata dari perusahaan penjaminan kredit besar di Indonesia. Eksperimen menggunakan Logistic Regression, sebuah metode prediksi berbasis persamaan linier, Penalized Logistic Regression, bentuk dari Logistic Regression yang koefisien-koefisiennya diberikan penalti, dan Random Forest Classifier, sebuah metode berbasis ensemble learning. Model diuji menggunakan Hold-out Validation dan data prediksi dibandingkan dengan data uji untuk false positive dan false negative. Hasil penelitian menunjukkan bahwa Random Forest Classifier memberikan hasil yang lebih baik, menunjukkan kinerja rata-rata yang lebih baik dibandingkan dengan Logistic Regression dan Penalized Logistic Regression . Temuan studi ini dapat digunakan oleh analis klaim dan subrogasi baik dari perusahaan penjaminan kredit maupun peneliti independen dalam menilai kekuatan dan kelemahan masing-masing model dan untuk menyusun aturan keputusan yang efektif secara empiris untuk mengevaluasi kebijakan subrogasi.

---

In making subrogation claims, credit guarantee companies often encounter problems where the guaranteed party does not pay off their loan according to the agreement. This makes credit guarantee companies classify those who have the potential to pay off their credit loans, or those that are not potential to pay off their credit loans. This study evaluates the prediction of potential subrogation claims in credit guarantees using various machine learning models based on real-world data from a large credit guarantee company in Indonesia. The experiment used Logistic Regression, a linear equation-based prediction method, Penalized Logistic Regression, a form of Logistic Regression whose coefficients are penalized, and the Random Forest Classifier, an ensemble learning-based method. The model was tested using Hold-out Validation and prediction dataset were compared to test dataset for false positives and false negatives. The results showed that the Random Forest Classifier gave better results, indicating a better average performance compared to Logistic Regression and Penalized Logistic Regression. The findings of this study can be used by claims and subrogation analysts from both credit guarantee companies and independent researchers in assessing the strengths and weaknesses of each model and to construct empirically effective decision rules for evaluating subrogation policies."

"ABSTRAKKanker 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 keduanyametode 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.

---

ABSTRACTCancer 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."

"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."

"ABSTRACTPenyakit 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%.

---

ABSTRACTParkinsons 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%."

"Non-arteritic Anterior Ischemic Optic Neuropathy (NAION) merupakan suatu penyakit yang timbul akibat insufisiensi alirah darah pada arteri yang mensuplai optic disc. Faktor risiko yang diduga berperan penting dalam terjadinya NAION diantaranya adalah hipertensi, obesitas, diabetes, dislipidemia, merokok, kondisi hiperkoagulasi, penyakit kardiovaskular dan stroke. Penelitian ini akan berfokus pada identifikasi faktor-faktor yang dapat menjadi karakteristik pembeda antara kondisi unilateral dan bilateral serta menganalisis peran masing-masing faktor tersebut. Metode random forest akan diaplikasikan untuk mendapatkan faktor-faktor yang secara konsisten dapat menjadi karakteristik pembeda antar kondisi lateralitas. Metode decision tree dan regresi logistik disertakan untuk memeroleh gambaran peran masing-masing faktor dalam bentuk pohon keputusan dan perbandingan risiko yang diformulasikan oleh rasio odds. Faktor penting berdasarkan model random forest adalah onset, GDP, HDL, usia, GD2PP, dan LDL. Berdasarkan rasio odds peningkatan usia, onset, LDL, GDP, dan GD2PP, akan berdampak pada peningkatan risiko pasien mengalami kondisi bilateral. Sedangkan semakin tinggi kadar HDL, risiko mengalami kondisi bilateral akan menurun. Pada penelitian ini juga dilakukan simulasi penanganan missing value dengan tiga skema penanganan yang berbeda. Hasil simulasi menunjukan bahwa imputasi regresi memberikan performa yang lebih bagus dibandingkan dengan imputas atau ketika hanya menggunakan observasi kompletArteritic Anterior Ischemic Optic Neuropathy (NAION) is a disease that arise because of blood insufficiency in the artery that supply optic disc. Risc factors which are considered to inflict NAION are hypertention, obesity, diabetes, dislipidemia, smoking, hypercoagulable state, cardiovascular disease, and stroke. NAION could happen either unilateral or bilateral condition. This study will focus on the identification of important factors that could be distinguishing characteristics between unilateral and bilateral patients. Random forest method is applied to obtain factors that can consistently be distinguishing characteristics between laterality conditions. Decision tree and logistic regression method are included to obtain the visualization of the role of each important factors by using decision rule and odds ratio. The important factors based on random forest are onset, GDP, HDL, age, GD2PP, and LDL. Based on odds ratio, escalation of age, onset, LDL, GDP, and GD2PP, will have an impact on increasing the patients risk experiencing bilateral condition. Whereas the enhancement of HDL level, the risk of experiencing bilateral condition will decrease. This study also simulated a missing value handling with three different handling schemes. Simulation results show that regression imputation provides better performance when compared to mean imputation or when we only used complete observation."

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"There are much research in health sector this time. Some research have goal to asses exposure effect to outcome. Researcher often use regresssion. Regression is a convensional multivariate analysis. Conventional multivariable analyses may not always be the ideal method for estimating treatment effects in observational studies. When there are large differences in the distribution of covariates between treatment groups, adjusting for these differences with conventional multivariable techniques may not adequately balance the groups, and the remaining bias may limit valid causal inference. Adjusted use in the end of regression analysis, some of scientis believe that adjustment can be show. Goal of this research is to compare the result of convensional multiariate analysis versus propensity score matching analysis in case study of infant immunizanon using Data ASUI-I KAP2 2003. The comparison will use the same model, that make model according logistic regression. Model which be compare is model without interaction ariabel. Modell will be analised with propensity score matching. Result of research is there is different betwen Odds Ratio from logistic regwession analysis and Odds Ratio from propensity score matching analysis. The value OR from logistic regression is 0,9898, and the value OR from propensity score matching is 0,9656. Propensity score matching succes make matching 574 sample or 68,27%. The differen is not big bacause effect the confounder are not big. For look effect exposure ar risk factor model its better use PSM because it can reduce selection bias.if you want to analysis determinan factor model, where there are much independent vaiiabel its better use logistic regression analysis because the variabel have same position."

"Pola konsumsi rokok merupakan tema penting di Indonesia. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi frekuensi merokok di Indonesia dengan menggunakan data Survei Demografi Kesehatan Indonesia (IDHS). Dalam penelitian ini, Determinan frekuensi merokok seperti Umur, Jenis Kelamin, Tingkat Pendidikan, Tingkat Kesejahteraan, Status Pernikahan dan Tempat Tinggal. diteliti untuk menentukan pengaruhnya terhadap frekuensi merokok. Berdasarkan hasil analisis regresi logistik ordinal, ditemukan bahwa individu yang termasuk dalam kategori umur remaja (15-24 tahun), berjenis kelamin laki-laki, memiliki tingkat pendidikan dan tingkat kesejahteraan yang lebih rendah, berstatus belum menikah atau cerai/hidup terpisah, serta tinggal di wilayah perkotaan cenderung akan menjadi perokok dengan frekuensi yang tinggi. Hasil ini memberikan bukti empiris yang kuat mengenai faktor-faktor risiko yang perlu menjadi perhatian utama dalam merancang strategi pencegahan untuk mengendalikan perilaku merokok di kalangan masyarakat Indonesia.

---

The pattern of cigarette consumption is an important theme in Indonesia. This study aims to analyze the factors influencing smoking frequency in Indonesia using data from the Indonesia Demographic and Health Survey (IDHS). In this research, determinants of smoking frequency such as Age, Gender, Education Level, Wealth Index, Marital Status, and Residence were examined to determine their impact on smoking frequency. Based on the results of ordinal logistic regression analysis, it was found that individuals who fall into the teenage age category (15-24 years), are male, have lower education and wealth levels, are unmarried or divorced/separated, and live in urban areas tend to be smokers with high frequency. These results provide strong empirical evidence regarding the risk factors that need to be a primary focus in designing prevention strategies to control smoking behavior among the Indonesian population."

"Analisis perkembangan Teknologi Informasi dan Komunikasi (TIK)merupakan suatu cara untuk mengetahui kondisi perkembangan TIK danfaktor-faktor yang mempengaruhi kondisi TIK di berbagai bidang. Pada tugasakhir ini akan dicari faktor-faktor yang mempengaruhi kondisi perkembanganTIK pada bidang rumah tangga, pendidikan, dan bisnis di Jakarta Selatan.Pada awal analisis, dilakukan analisis cluster berdasarkan sejumlah variabelpada availability of infrastructure to use ICTs. Dan analisis regresi logistikdilakukan untuk menyelidiki faktor-faktor yang mempengaruhi perkembanganTIK di tiap-tiap bidang, dan diperoleh faktor yang mempengaruhiperkembangan TIK di bidang rumah tangga adalah jumlah pendapatan, dibidang pendidikan adalah uang bangunan, sedangkan di bidang bisnisadalah jumlah infrastruktur TIK. Dan terakhir, dilakukan penggambarankondisi perkembangan TIK di tiap-tiap kecamatan di Jakarta Selatanberdasarkan tiap-tiap bidang dengan menggunakan metode GeographicInformation Systems (GIS)."