Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.

"

"Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet.Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet.

Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements."

"CPTED yang awalnya bertujuan untuk mengurangi tindakan kriminal pada akhirnya secara tidak langsung berdampak menghasilkan desain-desain yang bersifat membatasi atau mengontrol perilaku maupun akses dari suatu individu atau kelompok tertentu. Desain-desain tersebut dikenal dengan istilah desain hostile yang memiliki tujuan untuk mendukung keberhasilan dari konsep CPTED. Oleh karena itu, desain-desain yang bersifat hostile pada ruang publik saat ini banyak yang berasal dari konsep CPTED. Desain hostile yang tercipta karena konsep CPTED ini dibutuhkan untuk menghasilkan keteraturan di dalam ruang publik yang pada akhirnya berakibat terhadap individu di dalam ruang publik. Berdasarkan hasil pengamatan pada studi kasus, desain hostile yang terbentuk karena konsep CPTED menyebabkan individu tertentu merasa tidak nyaman dan berusaha untuk merespon desain hostile tersebut sehingga menghasilkan sebuah perilaku. Perilaku yang dibentuk tersebut menyebabkan terjadinya perubahan pergerakan manusia di ruang publik stasiun.

---

CPTED which initially aims to reduce criminal activity, ultimately has an indirectly impact the creation of designs that limit or control the behavior or access of an individual or a particular group. These designs are known as hostile designs which aim to support the success of the CPTED concept. Therefore, many of the hostile designs in public spaces today stem from the CPTED concept. The hostile design that was created because of the CPTED concept is needed to produce order in public spaces which ultimately affects individuals in public spaces. Based on the observations in the case studies, the hostile design formed due to the CPTED concept causes certain individuals to feel uncomfortable and try to respond to the hostile design resulting in a behavior. The behavior that is formed causes a change in human movement in the public station space."

"TUJUAN: Tujuan penelitian ini adalah mengetahui korelasi antara pola jalan dengan pemulihan motorik berdasarkan stadium Brunnstrom pada penderita pasca strokeMETODE: Subjek penelitian adalah penderita stroke fase subakut dan fase kronis ( onset > 2 minggu) yang non hemiparesis, hemiparesis kanan dan hemiparesis kiri. Dilakukan pemeriksaan fisik dan penilaian pemulihan motorik berdasarkan stadium Brunnstrom. Diberikan penjelasan mengenai prosedur pelaksanaan penelitian. Subjek berjalan pada lintasan sepanjang 10 meter sehingga didapatkan kecepatan berjalannya. Selanjutnya subjek berjalan pada alat gait analyser selama 2 menit, dengan memasukkan kecepatan tiap subjek di alat gait analyser. Didapatkan nilai step length sisi sehat, step length sisi sakit, stride length dan cadence tiap-tiap subjek.HASIL: Terdapat 30 subjek dalam penelitian ini. Rerata nilai step length sisi sehat 29,69 + 12,65 cm, step length sisi sakit 32,36 + 10,75 cm, stride length 61,85 + 16,89 cm, cadence 71 + 21,66 langkah/menit. Frekuensi subjek dengan pemulihan motorik Brunnstrom 2 terdapat 2 orang (6,7%), Brunnstrom 3 terdapat 6 orang (20%), Brunnstrom 4 terdapat 5 orang (16,7%) pada Brunnstrom 5 terdapat 8 orang( 26,7%) dan Brunnstrom 6 terdapat 9 orang (30%).SIMPULAN: Terdapat korelasi lemah sampai sedang antara step length sisi sehat, step length sisi sakit, stride length, cadence dengan pemulihan motorik berdasarkan stadium Brunnstrom.

---

OBJECTIVE: The purpose of this research is to find out correlation between gait pattern with motor recovery based on Brunnstrom stages for stroke patient.METHODS: The subject of these research are stroke patient in subacute and chronic phase ( onset > 2 weeks) non hemipharetic, right and left hemipharetic. Physical examination and scoring motor recovery based on Brunnstron stage. The patient were given the explanation of the procedure for the research. The subject walks on 10 metres track to get walking speed. Next, subject walks on the gait analyzer for 2 minutes, with walking speed installed to gait analyzer. The outcome measurements consist of step length on unaffected and affected side, stride length and cadence for every subjects.RESULTS: There are 30 subject in this research. Average step length score on unaffected 29,69 + 12,65 cm, step length on affected side 32,36 + 10,75 cm, stride length 61,85 + 16,89 cm, cadence 71 + 21,66 step/minutes. Frequent subject with motor recovery Brunnstrom 2 are 2 subjects ( 6,7%), Brunnstrom 3 are 6 subjects (20%), Brunnstrom 4 are 5 subjects ( 16,7 %), Brunnstrom 5 are 8 subject (26,7%) and Brunnstrom 6 are 9 subject (30%).CONCLUSIONS: There is a mild until moderate correlation between step length on unaffected and affected, stride length, cadence and motor recovery based on Brunnstrom stages."

"ABSTRACTPenelitian ini membahas mengenai pembentukan sense of body awareness penari dalam komunitas Yosakoi Naruko Odori Hyakka Ryouran YHR saat melakukan tari yosakoi, baik dalam latihan maupun dalam pertunjukan. Saya menerapkan pendekatan kualitatif yang bersifat deskriptif dalam studi ini. Pengumpulan data saya lakukan dengan cara autoethnography, wawancara, pengamatan, dan juga studi kepustakaan. Studi ini melihat seni tari dari sudut pandang penari mengenai cara penari melatih tubuhnya untuk melakukan gerakan tari, atau cara membangun relasi antara penari dengan tubuhnya dalam menari, terutama mengenai relasinya dengan penari lain dan juga properti yang digunakan. Penari menyerap sebuah koreografi tari menggunakan sense dari tubuhnya. Sense of body penari berfungsi sebagai alat pengumpul informasi bagi penari dalam melakukan tarian. Hal tersebut membuat tubuh dari penari dapat mengingat bentuk gerakan tari. Sense of body dalam tulisan ini bukan hanya mengacu pada pancaindra saja, namun juga sense lainnya dari tubuh. Pembentukan sense of body penari sendiri dilakukan dengan melakukan latihan tari secara terus-menerus dan juga melakukan banyak pertunjukan tari, sehingga tubuh penari terbiasa dengan gerakan tari tersebut.

---

ABSTRACTThis research focus on dancer growing sense of body awareness in Yosakoi Naruko Odori Hyakka Ryouran community when dancing yosakoi, in their practice or performance. I apply a qualitative approach descriptively. The data was collected by doing autoethnography, interviews, observations, and literacy study. This thesis examines dance from dancer point of view about how dancer train her his body to do dance movement, or the way dancer developing relation between dancer and his body in dance, especially the relationhip of dancer with other dancer and also with the property they used. Dancer memorize the dance used their sense of body. Dancers sense of body have function as a tool to collected information for dancer to dance. Thats making body of dancer can memorize the shape of dance movement. Sense of body, here, is not only refers to five sense, but also to other senses. Growing dancer sense of body done by doing dance practice continueally and doing many performances. So, dancers body get used to it."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."

"Tujuan: Mengetahui manfaat pemberian mirror therapy dibandingkan sham therapy terhadap pemulihan fungsi tangan. Desain penelitian: Studi intervensi. Metode: Studi randomisasi tersamar tunggal pada pasien strok serangan pertama. Subjek dibagi menjadi 2, yaitu kelompok mirror dan sham, yang diberikan mirror therapy atau sham therapy sebagai tambahan terapi okupasi standar. Parameter Hasil: Fugl Meyer Assessment dan Functional Independence Measure (FIM). Hasil: Delapan belas pasien (rerata usia 53,9 tahun), dengan lama awitan kurang dari 6 bulan ikut serta dalam penelitian ini. Didapatkan peningkatan signifikan pada rerata skor Fugl Meyer pada kedua kelompok setelah 3 minggu dan 6 minggu perlakuan (p<0,001), sedangkan skor FIM meningkat hanya pada 3 minggu pertama. Peningkatan skor Fugl Meyer lebih tinggi pada kelompok mirror (rerata=20,5) dibanding kelompok sham (rerata 13,75), walaupun secara statistik tidak signifikan. Kesimpulan: Mirror therapy dapat meningkatkan pemulihan motorik pada pasien strok fase pemulihan. Dibutuhkan penelitian lebih lanjut dengan sampel lebih besar untuk mendapatkan hasil yang bermakna.

---

Objective: To evaluate the effect of mirror therapy on motor recovery of stroke patients.

Study design: Intervention study.

Methods: A randomized, controlled, assessor blinded trial in outpatient with first stroke, that were divided into two groups: mirror and sham. They completed a protocol of six week mirror therapy or sham therapy for 30 minutes 3 times a week, in addition to standard occupational therapy program.

Outcome parameters: Fugl Meyer Assessment for upper extremity and Functional Independence Measure (FIM).

Results: Eighteen patients (mean age 53,9 yo), all within 6 months post stroke were enrolled. Fugl Meyer score increased in both group after three weeks and six weeks intervention (p<0,001), FIM score increased only in the first three weeks. The Fugl Meyer mean score improved more in the mirror group than in the sham group (by mean 20,5 vs. 13,75), but statistically not significant.

Conclusions: Mirror therapy could enhances hand motor recovery in subacute stroke patient. Due to limited sample, further study is needed."

"ABSTRAKKejadian stroke berulang semakin meningkat dan menjadi penyumbang kematian utama kecacatan dan kematian pada pasien stroke. Hal ini disebabkan karena kurangnya kesadaran diri (self awareness) pasien stroke terhadap faktor-faktor risiko stroke yang dimilikinya, diperlukan upaya-upaya yang dilakukan untuk mengatasinya. Penelitian ini bertujuan untuk mengetahui pengaruh edukasi stroke terstruktur berbasis audiovisual terhadap self awareness stroke berulang pada pasien stroke. Desain penelitian ini quasi eksperimen dengan pre test and post test non equivalent control group pada 32 responden (n intervensi = n kontrol = 16) yang diambil dengan teknik consecutive sampling. Hasil analisis penelitian ini menunjukkan adanya pengaruh yang signifikan setelah diberikan edukasi stroke terstruktur berbasis audiovisual terhadap peningkatan self awareness stroke berulang dengan p value <0,0001. Penelitian ini merekomendasikan bahwa edukasi stroke terstruktur berbasis audiovisual dapat dijadikan salah satu intervensi keperawatan mandiri dalam upaya preventif dan promotif pencegahan stroke berulang.

 

---

The incident of recurrent stroke is increasing and is a major contributor to disability and death in stroke patient. This is caused by the lack of self awareness of stroke patients about the risk factors they have, so efforts are needed to overcome them, including by providing education. This study was aimed to determine the effect of Audiovisual-Based Structured Stroke Education on recurrent Stroke self awareness in stroke patients. Design of this study was quasi-experimental with a pre-test and post-test non equivalent control group with 32 respondents (n intervention = n control = 16) taken by consecutive sampling technique. Result of analysis shows significant effect of audiovisual-based structured stroke education on recurrent stroke self-awareness with p value < 0,0001. This study recommends that audiovisual-based structured stroke education can be one of independent nursing interventions in preventive and promotive efforts to prevent recurrent strokes.

 

"