Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagai penyakit yang disebabkan oleh virus, obat antivirus banyak digunakan sebagai salah satu pengobatan COVID-19. Obat antivirus yang resmi digunakan di Indonesia, yaitu oseltamivir, avigan, dan remdesivir, tanpa adanya pertimbangan obat mana yang lebih efektif dalam menangani pasien COVID-19. Obat antivirus dapat dikatakan lebih efektif daripada obat antivirus lainnya jika dapat mengurangi infeksi virus pada pasien dan membuat kondisinya membaik lebih cepat. Penelitian ini bertujuan untuk membandingkan efektivitas dari ketiga jenis obat antivirus tersebut secara umum dan berdasarkan ciri pasien, yang meliputi jenis kelamin, kelompok usia, dan penyakit penyerta, dalam menghasilkan perbaikan kondisi bagi pasien COVID-19. Data yang digunakan dalam penelitian ini terdiri atas 142 pasien COVID-19 di Rumah Sakit ABC Jakarta pada tanggal 4 Juni 2020 hingga 31 Januari 2021 yang mengonsumsi salah satu jenis obat antivirus. Model Cox proportional hazard digunakan untuk mengukur hazard ratio pasien COVID-19 berdasarkan jenis obat antivirus yang dikonsumsi dan ciri pasien. Hasil penelitian menunjukkan bahwa oseltamivir memberikan efektivitas terbesar dan remdesivir memberikan efektivitas terkecil terhadap perbaikan kondisi pasien COVID-19 secara umum. Oseltamivir memberikan efektivitas yang besar untuk hampir semua ciri pasien yang meliputi pria, wanita, lansia, memiliki penyakit penyerta, dan tidak memiliki penyakit penyerta. Avigan memberikan efektivitas yang besar untuk pasien pria dan bukan lansia, sedangkan obat remdesivir dapat dikatakan efektif pada pasien wanita.

---

As a disease caused by a virus, antiviral drug is widely used as a treatment for COVID-19. The allowed antiviral drugs used in Indonesia are oseltamivir, avigan, and remdesivir, without any consideration which drug is more effective in treating COVID-19 patients. An antiviral drug can be said to be more effective than other antiviral drugs if it can reduce the viral infection in patients and make their condition improves faster. This study aims to compare the effectiveness of the three types of antiviral drugs in general and based on patient characteristics, which include gender, age group, and comorbidity presence, in resulting condition improvement for COVID-19 patients. The data used consists of 142 COVID-19 patients from ABC Hospital in Jakarta, who took one of three types of antiviral drugs. Cox proportional hazard model was used to measure the hazard ratio of COVID-19 patients based on the antiviral drug consumed and characteristics. The results showed that oseltamivir provided the greatest and remdesivir gave the least effectiveness in improving the condition of COVID-19 patients in general. Oseltamivir provides great effectiveness for almost all patient characteristics, including male, female, elders, and patients with and without comorbidity. Avigan provides high effectiveness for male and non-elderly patients. Meanwhile remdesivir can be said to be effective in female patients."

"Pada penelitian survival, kadang kala survival time dipengaruhi oleh faktor-faktor lain. Untuk kondisi tersebut dapat digunakan metode analisis regresi dengan model Cox PH. Dari model Cox ini, diperoleh bahwa hazard ratio untuk dua individu dengan nilai kovariat yang berbeda tidak akan dipengaruhi oleh waktu. Atau dengan perkataan lain, hazard untuk satu individu proporsional dengan hazard individu lainnya dengan keproporsionalan yang konstan, tidak dipengaruhi oleh waktu. Oleh sebab itu, ketika diterapkan pada data harus diperiksa apakah asumsi tersebut terpenuhi. Pengecekan asumsi proportional hazard akan dilakukan dengan dua pendekatan. Pendekatan yang pertama dengan grafik, yaitu grafik log-log, dan yang kedua dengan pengujian goodness-of-fit. Metode grafik memberikan hasil yang subjektif sedangkan pengujian goodness-of-fit memberikan hasil yang objektif berdasarkan pengujian statistik.

---

In survival studies, sometimes the time until the occurrence of an event is influenced by other factors. Cox PH model, which is one of the semi parametric regression method can be applied for the data analysis. From this Cox model, it is found that the hazard ratio for two individuals with different covariates not be affected by time. In other words, hazard for an individual is proportional with hazard from another individual with constant proportionality, not affected by the time. Therefore, when applied to the data, it should be checked whether the assumptions are met. The assumption of proportional hazard will be checked using two approaches. The first approach using graph, the log-log graph, and the second by testing the goodness-of-fit. Graphical method gives subjective results while the goodness-of-fit testing gives objective results based on statistical testing."

"ABSTRAKPermasalahan yang akan diangkat dalam tesis ini adalah masalah keterlambatan yang terjadi pada perjalanan kereta api KRL komuter Bekasi-Jakarta Kota, yang lebih tinggi daripada KRL komuter lainnya. Hal ini diduga dikarenakan terjadinya konflik dengan kereta lain dan adanya keterlambatan keberangkatan di stasiun Bekasi. Cox Proportional Hazard adalah salah satu metode analisis semi parametrik di dalam kerangka Analisis Survival yang akan digunakan untuk menganalisis keterlambatan perjalanan suatu kereta api. Penggunaan metode ini antara lain karena lebih populer dan penggunaan asumsi yang lebih sedikit bila dibandingkan dengan metode parametrik. Model regresi Cox PH ini juga berguna untuk menafsirkan informasi mengenai hubungan dari fungsi hazard dengan prediktor. Hasil penelitian menunjukkan bahwa keterlambatan kedatangan KRL komuter Bekasi di stasiun tujuan dipengaruhi oleh keterlambatan keberangkatan di stasiun awal dan juga konflik dengan kereta lain, baik di stasiun awal maupun di tengah perjalanan. Oleh karena itu, konflik dan keterlambatan di stasiun keberangkatan harus diturunkan secara signifikan.

---

ABSTRACT

The issue raised in this thesis is the delay in the travel time of Bekasi-Jakarta Kota Commuter Line, which is higher than other commuter lines. This is presumably due to their own departure delays in Bekasi Station and also conflicts with other trains. Cox Proportional Hazard is one of the semi-parametric analysis methods in Survival Analysis framework that will be used to analyze the delay time. This method is used because it is more popular than other methods and uses fewer assumptions than the parametric method. Cox PH regression model is also useful for interpreting information about the relationship of the hazard function predictors. The results showed that the late arrival of KRL Commuter Bekasi at the destination is affected by the delay at the departure station and also by conflicts with other trains, either at the beginning or in the middle of the travel. Therefore, conflict reduction and delay reduction must be made significantly."

"Extended cox model adalah perluasan dari model cox yaitu dengan melibatkan variabel yang bergantung pada waktu. Model ini digunakan untuk memperbaiki model cox proportional hazard apabila satu atau lebih covariate tidak memenuhi asumsi proportional hazard. Covariate yang tidak memenuhi asumsi proportional hazard dalam extended cox model diinteraksikan dengan fungsi waktu, sehingga diperoleh covariate yang bergantung pada waktu. Sehingga pada model terdapat covariate yang tidak bergantung pada waktu dan covariate yang bergantung pada waktu. Parameter-parameter dari covariate tersebut ditaksir dengan menggunakan metode maksimum partial likelihood. Untuk mengetahui apakah extended cox model adalah model yang sesuai untuk suatu data dalam kasus tertentu, digunakan uji ratio likelihood. Sebagai contoh penerapan digunakan data berupa waktu seorang pasien mengalami infeksi pada ginjal setelah dilakukan transplantasi ginjal, dengan covariate yang diperhatikan yaitu pemasangan catheter pada ginjal pasien. Diperoleh hasil bahwa model yang sesuai untuk data tersebut adalah extended cox model.

---

Extended cox model is an extension of cox model by constructing time-dependent covariates that can be added to the model. This model is used to adjust the cox proportional hazard model if one or more covariates do not satisfy the proportional hazard assumption. Covariates, which do not satisfy the proportional hazard assumption, in extended cox model, are interacted with time function, so that time-dependent variables are obtained. Therefore, the model contains both time-independent and time-dependent covariates. Parameters of these covariates are estimated by maximum partial likelihood method. To find out whether extended cox model is better than cox proportional hazard model, ratio likelihood test is used. As the example, data of the period of time a patient suffering kidney infection after having kidney transplantation, with the concerned covariate is placed catheter in patient?s kidney. The result showed that extended cox model is appropriate for the data."

"Tingkat mortalitas merupakan salah satu faktor yang mempengaruhi perhitungan premi asuransi jiwa. Pada tesis ini, model Cox Proportional Hazard digunakan untuk menaksir  tingkat mortalitas berdasarkan faktor-faktor risiko yang dapat diamati seperti jenis kelamin dan status merokok. Parameter-parameter pada model Cox Proportional Hazard ditaksir dengan menggunakan metode Maximum Partial Likelihood Estimation dan metode Newton Raphson, sedangkan penaksiran tingkat mortalitas dilakukan setelah fungsi kumulatif baseline hazard pada model Cox Proportional Hazard ditaksir dengan menggunakan Breslow Estimator. Hasil penaksiran tingkat mortalitas digunakan untuk menentukan besar premi asuransi jiwa. 

---

The mortality rate is one of the factors that effect the calculation of life insurance premium. In this thesis, Cox Proportional Hazard model is used to estimate mortality rates based on observable risk factors such as gender and smoking status. The parameters in the Cox Proportional Hazard model are estimated using the Maximum Partial Likelihood Estimation method and the Newton Raphson method, while assessment of mortality rates is carried out after the cumulative baseline hazard function in the Cox Proportional Hazard model is estimated using Breslow Estimator. The results of estimating mortality rates are used to determine the life insurance premium."

"Penyakit Alzheimer adalah penyakit progresif yang dimulai dengan hilangnya ingatan ringan dan berkembang hingga hilangnya kemampuan bicara dan respon terhadap lingkungan. Penyakit ini belum dapat disembuhkan, dan pengobatan saat ini hanya berfungsi mengurangi gejala sementara. Oleh karena itu, penting untuk mengidentifikasi risiko utama pengembangan Alzheimer dan memberikan diagnosis yang tepat guna mendukung penelitian lebih lanjut. Model regresi Cox-Proportional Hazard sering digunakan untuk menangani data survival tersensor, tetapi saat ini, machine learning menunjukkan potensi besar. Dua model machine learning, Random Survival Forest dan Gradient Boosting Survival Analysis, mampu menangani data survival dan data tersensor tanpa memerlukan asumsi parameter. Kedua model ini juga menghindari overfitting dan lebih mudah diinterpretasi dibandingkan model non-parametrik lainnya. Hasil pada data Alzheimer menunjukkan bahwa Gradient Boosting Survival Analysis memiliki performa terbaik dengan nilai C-index 0.8503, diikuti oleh Random Survival Forest dengan nilai 0.8286. Model regresi Cox-PH memiliki kinerja terendah dengan nilai C-index 0.8092, dan data Alzheimer yang digunakan tidak memenuhi asumsi proportional hazard. Model Gradient Boosting Survival Analysis dan Random Survival Forest mengidentifikasi CDRSB dan FDG sebagai risiko terpenting, sedangkan model Cox-PH mengidentifikasi AV45 dan FDG.

---

Alzheimer's disease is a progressive disease that begins with mild memory loss and progresses to loss of speech and response to the environment. There is no cure for the disease, and current treatments only temporarily reduce symptoms. Therefore, it is important to identify the main risk factors for developing Alzheimer's and provide an accurate diagnosis to support further research. The Cox-Proportional Hazard regression model is often used to handle censored survival data, but currently, machine learning shows potential. Two machine learning models, Random Survival Forest and Gradient Boosting Survival Analysis, are able to handle survival data and censored data without requiring parameter assumptions. Both models also avoid overfitting and are easier to interpret than other non-parametric models. The results on Alzheimer's data show that Gradient Boosting Survival Analysis has the best performance with a C-index value of 0.8503, followed by Random Survival Forest with a value of 0.8286. The Cox-PH regression model has the lowest performance with a C-index value of 0.8092, and the data used does not meet the proportional hazard assumption. The Gradient Boosting Survival Analysis and Random Survival Forest models identified CDRSB and FDG as the most important risks, while the Cox-PH model identified AV45 and FDG."

"Model Cox merupakan model yang sering digunakan untuk menganalisis time-tovent data, yaitu data yang pengamatannya bergantung pada waktu. Terkadang, Selain informasi tentang waktu, data time-to-event juga dilengkapi dengan informasi tambahan (variabel penjelas). Analisis data waktu ke acara seperti ini dengan menggunakan model Cox akan menghasilkan perkiraan bahaya. Model Cox memiliki dua komponen utama yaitu baseline hazard dan mengandung fungsi eksponensial koefisien regresi. Bahaya didefinisikan sebagai produk antara dua komponen ini. Untuk dapat memperoleh bahaya spesifik, bahaya baseline dan koefisien regresi di model Cox harus diperkirakan. Dalam tesis ini, asumsi konstanta akan didefinisikan sebagai bahaya dasar dari model Cox. Kemudian, konstanta dan koefisien regresi dimasukkan Model ini akan diestimasi dengan menggunakan metode Bayesian dimana sampel diambil Parameter distribusi posterior dilakukan dengan menggunakan metode Markov chain Monte Carlo dengan algoritma pengambilan sampel Gibbs. Untuk metode Bayesian, distribusi sebelumnya untuk Bahaya baseline diasumsikan mengikuti distribusi gamma dan untuk koefisien regresi diasumsikan mengikuti distribusi normal. Data EKG (echocardiogram) yang terdiri dari106 observasi dan enam variabel penjelas digunakan dalam analisis. Mendapatkan hasil bahwa estimasi parameter yang diperoleh konvergen.

---

The Cox model is a model that is often used to analyze time-to-event data, namely data whose observations are time dependent. Sometimes, in addition to information about time, time-to-event data is also supplemented with additional information (explanatory variables). Analysis of time-to-event data like this using the Cox model will yield hazard estimates. The Cox model has two main components, namely the baseline hazard and contains an exponential regression coefficient function. Hazard is defined as a product between these two components. In order to obtain a specific hazard, the baseline hazard and regression coefficient in the Cox model must be estimated. In this thesis, the constant assumption will be defined as the basic hazard of the Cox model. Then, the constants and regression coefficients are entered. This model will be estimated using the Bayesian method where the sample is taken. Posterior distribution parameters are carried out using the Markov chain Monte Carlo method with the Gibbs sampling algorithm. For the Bayesian method, the previous distribution for baseline hazard is assumed to follow the gamma distribution and for the regression coefficient it is assumed to follow a normal distribution. EKG (echocardiogram) data which consists of

106 observations and six explanatory variables were used in the analysis. Obtain the result that the parameter estimates obtained are convergent."

"Meningkatnya kasus COVID-19 di Indonesia mengakibatkan kebutuhan akan perawatan di rumah sakit bagi pasien COVID-19 juga meningkat. Oleh karena itu, perlu diketahui laju perbaikan kondisi klinis pasien COVID-19 serta faktor-faktor yang memengaruhinya agar pasien COVID-19 dapat diberikan perawatan yang tepat sehingga pasien dapat lebih cepat mengalami perbaikan. Tujuan penelitian ini adalah untuk mengetahui laju perbaikan kondisi klinis dari pasien COVID-19, sekaligus melihat karakteristik pasien yang berasosiasi dengan laju perbaikan kondisi klinis tersebut. Faktor-faktor yang digunakan dalam penelitian ini antara lain usia, jenis kelamin, jenis-jenis gejala, jenis-jenis komorbid, pengukuran darah perifer lengkap (DPL) dan hitung jenis leukosit, procalcitonin, C-Reactive Protein, urea, dan kreatinin. Metode yang digunakan berupa survival tree dan regresi Cox proportional hazard dalam menganalisis laju perbaikan kondisi klinis pasien COVID-19 berdasarkan beberapa faktor. Algoritma survival tree yang digunakan dalam penelitian ini adalah relative risk tree. Data yang digunakan merupakan data pasien COVID-19 salah satu rumah sakit di Jakarta yang berjumlah 286 observasi. Data diambil pada periode Maret 2020 hingga Maret 2021. Berdasarkan hasil analisis, terbentuk empat kelompok kelajuan perbaikan kondisi klinis yang berbeda berdasarkan masing-masing faktor yang berasosiasi. Faktor-faktor yang diketahui berasosiasi terhadap laju perbaikan klinis pasien COVID-19 berdasarkan hasil pembentukan survival tree antara lain usia, procalcitonin, trombosit, Platelete-to-Lymphocyte Ratio (PLR), leukosit dan jumlah komorbid. Pasien dengan karakteristik laju perbaikan kondisi klinis yang relatif lebih cepat memiliki risiko lebih besar untuk keluar dari ruang perawatan COVID, sedangkan pasien dengan karakteristik laju perbaikan kondisi klinis yang relatif lambat memiliki risiko lebih rendah untuk keluar dari ruang perawatan COVID.

---

The increased number of COVID-19 cases in Indonesia has resulted in a large increase in COVID-19 patient hospitalizations. As a result, it is necessary to understand the rate of clinical improvement in COVID-19 patients, as well as the factors that influence it, so that the patients can be given the right treatment in order for them to improve their conditions faster. The aim of this study was to determine the rate of clinical improvement in COVID-19 patients, as well as the patient characteristics that were associated to that rate. Age, gender, types of symptoms, types of comorbidities, complete blood count (CBC), white blood count (WBC), procalcitonin, C-Reactive Protein, urea, and creatinine were used in this study. The survival tree and Cox proportional hazard regression methods were applied in this study to analyze the rate of clinical improvement of COVID-19 patients based on several factors. Survival tree algorithm that used in this study is relative risk tree. Data used in this study was COVID-19 patients data from a hospital in Jakarta with 286 observations. Data was taken from March 2020 to March 2021. Based on the results of analysis, there are four different groups of rates of clinical improvement COVID-19 patients based on each covariate. Age, measurement of procalcitonin, platelets, Platelet-to-Lymphocyte Ratio (PLR), leukocytes, and the number of comorbidities are known to be associated with the rate of clinical improvement of COVID-19 patients based on survival tree results. Patients with a relatively faster rate of clinical improvement have a greater risk of leaving from COVID treatment room, whereas patients with a relatively slow rate of clinical improvement have a lower risk of leaving the COVID treatment room."

"COVID-19 atau coronavirus disease 2019 adalah penyakit menular yang memengaruhi sistem organ, terutama sistem pernapasan dan disebabkan oleh virus SARS-CoV-2. Individu yang terinfeksi COVID-19 memiliki tingkat keparahan yang berbeda. Salah satu faktor yang berasosiasi terhadap tingkat keparahan pasien COVID-19 adalah usia. Tingkat keparahan yang tinggi pada kondisi seseorang cenderung mempengaruhi banyaknya treatment yang dibutuhkan, hingga akhirnya juga mempengaruhi waktu yang dibutuhkan seseorang tersebut untuk sembuh. Penelitian ini berfokus pada faktor usia, dimana faktor tersebut diduga menyebabkan perbedaan karakteristik tertentu dari pasien dan durasi rawat yang dibutuhkan oleh pasien COVID-19. Tujuan dari penelitian ini adalah untuk menganalisis perbandingan karakteristik pasien COVID-19 berdasarkan kelompok usia, dan mengidentifikasi bagaimana kaitan usia terhadap durasi rawat pasien COVID-19 hingga mengalami kematian, perbaikan kondisi COVID, dan rawat jalan. Analisis perbandingan karakteristik pasien COVID-19 berdasarkan kelompok usia dilakukan dengan menerapkan metode exploratory data analysis (EDA). Selanjutnya metode EDA dan regression tree diterapkan untuk mengetahui bagaimana kaitan usia terhadap durasi rawat pasien COVID-19 hingga mengalami kematian, perbaikan kondisi, dan rawat jalan. Hasil yang diperoleh pada penelitian ini adalah terdapat kecenderungan perbedaan pada pasien COVID-19 berdasarkan kelompok usia jika dilihat berdasarkan faktor jenis kelamin, durasi rawat, status akhir, gejala, komorbid, komplikasi, dan pengukuran laboratorium darah. Selain itu, usia merupakan pertimbangan utama dalam memperkirakan durasi rawat pasien COVID-19 dengan faktor lainnya adalah hipertensi, klorida, HPR, PWR, MLR dan gejala demam.

---

COVID-19 or coronavirus disease 2019 is an infectious disease that affects the organ systems, especially the respiratory system and is caused by the SARS-CoV-2 virus. Individuals infected with COVID-19 have different levels of severity. One of the factors associated with the severity of COVID-19 patients is age. The severity level of a person tends to affect the number of treatments needed, and therefore will affect the time it takes for the person to recover. This study focuses on age, where this factor is suspected to cause differences in certain characteristics of COVID-19 patients and length of hospital stay required by COVID-19 patients. The purpose of this study is to analyse the characteristics comparison of COVID-19 patients by age group, and to identify on how age affects the length of hospital stay for COVID-19 patients to death, improved conditions, or outpatient care. Comparative analysis of the characteristics of COVID-19 patients by age group is done using exploratory data analysis (EDA). Furthermore, EDA and regression tree are used to find out how age is related to the length of hospital stay for COVID-19 patients to death, improved COVID conditions, or outpatient care. The results show that there was tendency of differences in gender, length of hospital stay, clinical outcome, symptoms, comorbidities, complications, and blood laboratory measurements in COVID-19 patients based on age group. In addition, age is a major consideration in estimating the length of hospital stay for COVID-19 patients with other factors such as hypertension, chloride, HPR, PWR, MLR and fever."