Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit kardiovaskular merupakan penyebab utama kematian global, termasuk di Indonesia. Evaluasi kesehatan dini, menggunakan heart rate variability (HRV) melalui pengukuran root mean square of successive RR interval differences (RMSSD) dan percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50), menjadi penting untuk merefleksikan respons relaksasi, stres, kualitas tidur, dan aktivitas fisik. Evaluasi ini sebaiknya dilakukan saat seseorang masih dalam kondisi sehat. Sejalan dengan itu, penelitian ini bertujuan mengevaluasi kesehatan pasien dengan irama jantung normal melalui metode clustering pada variabel RMSSD, pNN50, dan usia, yang diambil dari rekaman elektrokardiogram milik online database Physionet. Setiap cluster yang terbentuk dapat memberikan informasi unik, memungkinkan penentuan risiko penyakit kardiovaskular serta penanganan yang tepat. Namun, karena pola data yang digunakan tidak jelas, mengandung outlier, dan berdimensi rendah, maka dilakukan perbandingan antara metode Hierarchical clustering dan Gaussian Mixture Models (GMM) clustering yang mampu mengatasi hal tersebut. Mengingat GMM clustering yang sangat sensitif terhadap inisialisasi awal, penelitian ini menggunakan dua pendekatan inisialisasi, yaitu acak dan K-Means. Penentuan metode terbaik dilakukan dengan mempertimbangkan metrik evaluasi (efektivitas) dan waktu komputasi metode (efisiensi). Hasil penelitian menunjukkan bahwa GMM clustering dengan inisialisasi K-Means adalah metode terbaik dengan membentuk tiga cluster. Meskipun alat EKG menilai pasien dalam kondisi sehat, namun analisis clustering dapat mengungkapkan informasi penting, terutama bagi pasien yang teridentifikasi memiliki tingkat HRV yang relatif rendah.

---

Cardiovascular diseases are a leading cause of global mortality, including in Indonesia. Early health evaluation, utilizing heart rate variability (HRV) through root mean square of successive RR interval differences (RMSSD) and percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50) measurements, is crucial to reflect responses to relaxation, stress, sleep quality, and physical activity. This evaluation is ideally conducted while an individual is still in a healthy condition. In line with that, this research aims to evaluate the health of patients with a normal sinus rhythm through clustering methods on variables like RMSSD, pNN50, and age, extracted from electrocardiogram recordings from the online Physionet database. Each cluster can provide unique information, enabling the identification of cardiovascular disease risks and appropriate interventions. However, due to unclear data patterns, the presence of outliers, and is low-dimensiona, a comparison is made between Hierarchical clustering and GMM methods, capable of addressing these issues. Given GMM clustering's sensitivity to initializations, this study employs two approaches, random and K-Means. The determination of the best method is based on considerations of evaluation metrics (effectiveness) and computational time (efficiency). Research results indicate that GMM clustering with K-Means initialization is the most effective and efficient method, forming three clusters. Despite ECG assessments indicating healthy conditions, clustering analysis can reveal crucial information, especially for patients identified with relatively low HRV levels."

"ABSTRAKDengan meningkatnya jumlah persaingan, industri manufaktur dituntut lebih efisien dan fleksibel agar dapat bertahan dengan persaingan pasar yang ada, salah satu solusi peningkatan fleksibilitas dan efisiensi produksi yaitu dengan penerapan tata letak berdasar selulaar manufaktur. Pada penelitian ini dilakukan perancangan usulan tata letak baru berdasar manufaktur seluler guna mengurangi material handling, penelitian ini membandingkan hasil pengelompokan sel manufaktur dari 3 metode pengelompokan yang mana metode dengan performa paling baik akan dijadikan dasar untuk merancang tataletak usulan. Dari hasil perbandingan metode didapat metode Mod-SLC dan EDM-SLC memiliki hasil paling baik dengan hasil sel manufaktur yang sama, hasil usulan tataletak baru berdasarkan manufaktur seluler didapat penurunan material handling hingga 21,1 dari tataletak awal.

---

ABSTRACT<>br>With the increasing number of competition, manufacturing industri is demanded more efficient and flexible to survive with the existing market competition, one of the solutions to increase the flexibility and efficiency of production is by the application of cellular manufacturing layout. This research propose new layout based on cellular manufacturing systems to reduce material handling, this study compares the results of the grouping of manufacturing cells from 3 grouping methods in which the best method will be used for designing the new layout. From the comparison of the method, Mod SLC and EDM SLC method has the best results with the same manufacturing cell results, the proposed layout based on cellular manufacturing shows a decrease of material handling up to 21,1 ."

"Jaringan mobile ad hoc adalah jaringan wireless yang terdiri dari node-node bergerak yang berkomunikasi tanpa melalui access point atau pun server. Kinerja protokol dan aplikasi MANET sangat dipengaruhi oleh frekuensi perubahan topologi jaringan dan model mobilitas yang berbeda yang dapat menyebabkan rute terputus karena node keluar dari jangkauan sinyal transmisi. Penerapan algoritma clustering dapat mengatasi kekurangan pada MANET seperti skalabilitas, keterbatasan sumber daya serta topologi yang dinamis.Skripsi ini menggunakan algoritma DMP, sebuah algoritma clustering yang dapat beradaptasi dengan cepat terhadap perubahan topologi dan mengurangi pemilihan ulang cluster head sehingga stabilitas jaringan cluster dapat tercapai. Skripsi ini menganalisis perbandingan kinerja beberapa model mobilitas node terhadap stabilitas jaringan dan konsumsi energi pada MANET dengan algoritma clustering DMP. Stabilitas jaringan dinilai berdasarkan rata-rata jumlah cluster terhadap kecepatan maksimum node dan lama waktu simulasi, rata-rata jumlah anggota cluster terhadap kecepatan maksimum node dan waktu simulasi serta konsumsi energi terhadap waktu simulasi. Penelitian dilakukan menggunakan simulasi Network Simulator 2 (NS-2) versi 2.29 dan Bonnmotion versi 2.0 sebagai generator skenario mobilitasnya. Simulasi dijalankan pada sistem operasi Linux Ubuntu 12.04 LTS.Dari hasil simulasi didapatkan bahwa model mobilitas RWP lebih stabil dari segi jumlah cluster untuk jumlah node 10, 40, dan 100 secara berturut-turut 5-6, 11-14,19-20 cluster. Dari segi jumlah anggota cluster, kestabilan jumlah anggota cluster menurun untuk ketiga model mobilitas. Dari segi total konsumsi energi, model mobilitas RWP lebih hemat dengan rata-rata total konsumsi energi pada jumlah node 10, 40 dan 100 secara berturut-turut 20, 43 dan 138 Joule.

---

Mobile ad hoc network is a wireless network which consists of mobile nodes that communicate without access point or server. Performance of MANET protocols and applications is strongly influenced by the frequency of changes in the network topology and the different mobility models that may lead to broken link because the nodes are out of signal transmission range. Implementation of clustering algorithms can solve the problems on MANET such as scalability, lack of resources and dynamic topology. In this work we use DMP algorithm, a clustering algorithm that can adapt quickly to the changes in topology and reduces re-election of the cluster head, so that stability of the cluster network can be achieved.

This work analyzes the performance comparison of several node mobility models to the network stability and energy consumption in MANET with DMP clustering algorithm. Network stability is assessed based on the average number of cluster to the maximum speed of the node and to the duration of the simulation, the average number of cluster member to the maximum speed of the node and to the duration of the simulation and the average number of energy consumption to the duration of the simulation. The study was conducted using simulation of Network Simulator 2 (NS-2) version 2.29 and Bonnmotion version 2.0 as mobility scenario generator. The simulation is run on Linux Ubuntu 12.04 LTS operating system.

The simulation results shows that Random Waypoint mobility model is more stable in terms of cluster number for number of nodes 10, 40, and 100 respectively 5-6, 11-14,19-20 cluster. In terms of the number of cluster member , the stability number of cluster member decreases for all three mobility models. In terms of total energy consumption, Random Waypoint mobility model is more efficient to the average total energy consumption for the number of nodes of 10, 40 and 100 respectively 20, 43 and 138 Joule."

"Latar belakang: Angka morbiditas dan mortalitas meningkat pada pasien fibrilasi atrium (FA) yang mengalami gagal jantung akut. Pada pasien irama sinus, left atrial volume index (LAVI) dan heart rate variability (HRV) merupakan prediktor kuat terjadinya komplikasi kardiovaskular. Penelitian LAVI dan HRV pada pasien FA hingga saat ini belum konklusif.Tujuan: Mengetahui hubungan LAVI dan HRV dengan kejadian gagal jantung akut pada pasien FAMetode: Studi kohort retrospektif dengan populasi terjangkau pasien dewasa FA di Rumah Sakit dr. Cipto Mangunkusumo (RSCM) 1 Januari 2020 hingga 31 Desember 2021 yang berasal dari registri Optimal INR measures for Indonesians (OPTIMA). Data sekunder LAVI diukur dengan ekokardiografi dan parameter HRV terdiri dari standar deviation of NN intervals (SDNN), root mean square of successive differences (RMSSD), rasio low frequency dan high frequency (LF/HF) diukur menggunakan alat HRV portabel. Pasien diikuti hingga 30 Januari 2023, luaran dinilai dengan melihat catatan medik atau melalui telepon.Hasil: Dilakukan analisis pada 144 sampel. Proporsi kejadian gagal jantung akut sebesar 15,3%. Tidak terdapat hubungan antara SDNN dengan kejadian gagal jantung akut (RR 1,75; IK95% 0,260 – 11,779, p=0,565). Tidak terdapat hubungan antara LF/HF dengan kejadian gagal jantung akut (RR 2,865; IK 95% 0,765 – 10,732, p=0,118). Terdapat hubungan antara LAVI dengan kejadian gagal jantung akut (adjusted RR 2,501; IK 95% 1,003 – 6,236, p=0,049). Diabetes melitus dan hipertensi merupakan faktor perancu pada penelitian ini.Kesimpulan: Peningkatan LAVI berhubungan dengan kejadian gagal jantung akut pada pasien FA. HRV tidak berhubungan dengan kejadian gagal jantung akut pada pasien FA.

---

Background Morbidity and mortality rates increase in patients with atrial fibrillation (AF) who experience acute heart failure. In patients with sinus rhythm, left atrial volume index (LAVI) and heart rate variability (HRV) are strong predictors of cardiovascular complications. Research on LAVI and HRV in AF patients has so far not been conclusive.

Objectives: To determine the relationship between LAVI and HRV and the incidence of acute heart failure in AF patients.

Methods: A retrospective cohort study was conducted with an accessible population of adult AF patients at RSCM from January 1, 2020, to December 31, 2021, originating from the Optimal measures INR for Indonesians (OPTIMA) registry. LAVI was measured by echocardiography, and HRV parameters consist of the standard deviation of NN intervals (SDNN), the root mean square of successive differences (RMSSD), and the ratio of low frequency and high frequency (LF/HF) measured using a portable ECG device. Patients were followed until January 30, 2023, and outcomes were assessed by looking at medical records or by telephone.

Result: A total of 144 subjects were analysed. The proportion of acute heart failure is 15.3%. There was no relationship between SDNN and the incidence of acute heart failure (RR 1.75; 95% CI 0.260–11.779, p=0.565). There was no relationship between LF/HF and the incidence of acute heart failure (RR 2.865; 95% CI 0.765–10.732, p=0.118). There is a relationship between LAVI and the incidence of acute heart failure (adjusted RR 2.501; 95% CI 1.003–6.236, p = 0.049). DM and hypertension were confounding factors in this study.

Conclusion: The elevation of LAVI is associated with the incidence of acute heart failure in AF patients. HRV is not associated with the incidence of acute heart failure in AF patients."

"Demi meningkatkan okupansi atau dengan kata lain mengoptimumkan penggunaan kapasitas kendaraan pribadi, ridesharing hadir sebagai solusi akan hal ini. Ridesharing adalah sebuah model berkendara dengan prinsip berbagi tumpangan. Permasalahannya adalah bagaimana cara mengoptimumkan pencocokan antara pengemudi (driver) dan penumpang (rider) dengan jumlah partisipan (driver dan rider) yang besar dalam waktu optimasi yang singkat. Pada skripsi ini akan diterapkan metode Agglomerative Hierarchical Clustering (AHC) untuk mengoptimalkan matching antara driver dan rider dengan fungsi objektif yaitu memaksimumkan total penghematan jarak (Distance Savings / DS). DS adalah selisih total jarak yang ditempuh driver dan rider tanpa ridesharing dengan jarak yang ditempuh pasangan tersebut dengan ridesharing. Metode AHC adalah metode clustering dimana setiap titik data dijadikan sebagai satu cluster, kemudian secara berturut-turut menggabungkan cluster yang mempunyai kemiripan sehingga semua cluster tergabung menjadi satu cluster yang berisikan semua objek pada data. Data yang di-input berupa data koordinat lokasi keberangkatan dan kedatangan partisipan. Output dari metode AHC adalah sebuah dendogram yang menggambarkan iterasi pembentukan cluster. Berdasarkan hasil clustering tersebut diperoleh sebuah himpunan kombinasi driver-rider yang kemudian akan diperiksa kelayakannya untuk melakukan ridesharing. Dari himpunan kombinasi yang layak untuk melakukan ridesharing akan dipilih pasangan yang paling optimum untuk melakukan ridesharing dengan menggunakan algoritma Hungarian sehingga menghasilkan total distance savings maksimum. Berdasarkan hasil simulasi program pada data percobaan, diperoleh maksimum total DS sebesar 244.78 kilometer yang dihasilkan dari 13 kombinasi driver-rider. Penggunaan clustering mampu mereduksi 257 dari 400 kombinasi driver-rider yang akan diuji kelayakannya untuk melakukan ridesharing.

---

To increase the occupancy rate, ridesharing is an alternative solution. Ridesharing is a mode of transportation in which individual travelers share a vehicle for a trip. The problem is how to optimize the matching problem of drivers and riders with a large number of participants in a short optimization time. This thesis purposed Agglomerative Hierarchical Clustering (AHC) method to be applied in optimizing the matching between drivers and riders with an objective function maximizing the total distance savings (DS). DS is obtained from the difference in the total distance of individual trip with the distance of ridesharing trip. AHC method is a clustering method which each data point is made as one cluster, then successively combines clusters that have similarities until all clusters are merged into one cluster which containing all data points. The input data are the coordinates of the participants' departure and arrival location. The output of AHC is dendogram that illustrates the iteration of cluster formation. Based on clustering results, a set of driver-rider combination was obtained which were then examined for their eligibility to do ridesharing. Next, from the set of driver-rider combination which feasible to do ridesharing, we will determine driver-rider combination that generates maximum total DS by using Hungarian Algorithm. Based on simulation program results on experimental data, maximum total DS is 244.78 kilometers that was obtained from 13 driver-rider combinations. The use of clustering was able to reduce 257 out of 400 pair combinations that were tested for their feasibility to do ridesharing."

"Latar belakang: Pasien sindom koroner akut (SKA) dengan gejala ansietas berisiko mengalami luaran negatif yang dimediasi oleh disfungsi otonom yang dapat dinilai dengan variabilitas denyut jantung (VDJ). Penurunan VDJ ditemukan baik pada pasien SKA maupun ansietas. Penelitian ini bertujuan untuk mengetahui perbedaan nilai VDJ pada pasien SKA dengan gejala ansietas dibandingkan dengan tanpa gejala ansietas dan menentukan korelasi antara nilai VDJ dengan gejala ansietas. Metode: Penelitian ini merupakan studi potong lintang. Subjek penelitian diambil dari data penelitian utama pada pasien SKA yang dirawat di ruang intensif rawat jantung RSCM periode April-September 2021 secara total sampling. Gejala ansietas dinilai dengan kuesioner. Hospital Anxiety and Depression Scale (HADS). Data VDJ yang diambil adalah domain waktu (SDNN, RSSMD) dan frekuensi (LF, HF, rasio LF/HF). Uji Mann-Whitney dilakukan untuk perbedaan nilai VDJ antara subjek dengan gejala ansietas dibanding tanpa gejala ansietas, uji Spearman untuk korelasi antara nilai VDJ dengan gejala ansietas, dan analisis multivariat untuk faktor perancu. Hasil: Tujuh puluh subjek SKA yang dilibatkan terdiri dari 23 subjek dengan gejala ansietas dan 47 subjek tanpa gejala ansietas. Tidak didapatkan perbedaan nilai VDJ (SDNN, RMSSD, LF, HF, rasio LF/HF) antara subjek dengan gejala ansietas dibanding tanpa gejala ansietas secara statistik. Setelah mengontrol variabel perancu, gejala ansietas memiliki korelasi dengan SDNN (r = -0,563; p<0,001) yang dipengaruhi oleh usia (p<0,004); sementara nilai LF (r = -0,63; p< 0,001) dipengaruhi oleh usia (p = 0,007) dan penyekat beta (p = 0,030). Kesimpulan: Tidak didapatkan perbedaan nilai VDJ antara pasien SKA dengan gejala ansietas dibanding tanpa gejala ansietas yang bermakna secara statistik, namun terdapat penurunan nilai SDNN, HF, dan rasio LF/HF pada kelompok dengan gejala ansietas yang lebih besar. Terdapat korelasi antara nilai VDJ (SDNN dan LF) dengan gejala ansietas pada pasien SKA.

---

Background: Acute coronary syndrome (ACS) patients with anxiety symptoms are at high risk of developing poor outcomes mediated by autonomic dysfunction that can be assessed with heart rate variability (HRV). Reductions in HRV are reported not only in ACS but also in anxiety. This study aims to compare HRV of ACS subjects with and without anxiety and to determine the correlation between HRV and anxiety symptoms.

Methods: This research is a cross-sectional study. The study subjects were taken from the primary research data of ACS patients treated at the ICCU of RSCM from April to September 2021 by total sampling. Anxiety symptoms are assessed with Hospital Anxiety and Depression Scale (HADS) questionnaire. HRV analysis consist of time (SDNN, RSSMD) and frequency (LF, HF, LF/HF ratio) domain. Data were analyzed using Mann- Whitney test for differences in HRV between ACS subjects with anxiety symptoms compared to those without anxiety symptoms, Spearman's test for the correlation between HRV and anxiety symptoms, and multivariate analysis for confounding factors.

Results: Seventy ACS subjects involved consisted of 23 subject with anxiety symptoms and 47 without anxiety symptoms. There was no statistical difference in comparison of HRV (SDNN, RMSSD, LF, HF, LF/HF ratio) between anxiety symptoms compare to those without anxiety symptoms. After controlling for confounding variables, SDNN has a correlation with anxiety symptoms (r = -0,563; p<0,001) which was influenced by age (p<0,004); while the LF has a correlation (r = -0,63; p< 0,001) which are influenced by age (p = 0,007) and beta blockers (p = 0,030).

Conclusion: There was no significant difference in HRV values (SDNN, RMSSD, LF, HF, ratio LF/HF) between ACS patients with anxiety symptoms compared to those without anxiety symptoms. There was a correlation between HRV (SDNN and LF) and anxiety symptoms. "

"Cardiovascular diseases (CVD) merupakan salah satu penyebab utama kematian di dunia. WHO memperkirakan angka 17,9 juta kematian pada tahun 2021 disebabkan oleh CVD. Di Indonesia sendiri, prevalensi penyakit jantung mencapai angka 1,5% atau sekitar 2,7 juta orang pada tahun 2018. CVD mencakup berbagai macam jenis penyakit jantung. Salah satu tipe penyakit jantung tersebut adalah congestive heart failure. Congestive heart failure (CHF) adalah kondisi dimana jantung tidak dapat memompa darah yang cukup ke seluruh bagian tubuh. CHF dapat terjadi dikarenakan melemahnya kemampuan otot jantung untuk memompa darah sehingga mempengaruhi heart rate atau detak jantung manusia. Heart rate dapat direpresentasikan menggunakan sinyal yang dapat diukur menggunakan alat rekaman electrocardiogram (ECG/EKG). EKG adalah rekaman aktivitas elektrik jantung yang ditangkap melalui bagian permukaan tubuh. Heart rate variability (HRV) diketahui berkorelasi dengan berbagai penyakit jantung dan salah satunya adalah CHF. Dengan berkembangnya teknologi, terdapat beberapa penelitian mengenai implementasi artificial intelligence (AI) untuk mendeteksi keberadaan CHF menggunakan model machine learning dan HRV sebagai fitur bagi model. Pada penelitian ini, akan dibangun dan dievaluasi kinerja model XGBoost untuk mendeteksi eksistensi penyakit CHF pada short-term HRV dari rekaman EKG 5 menit. Dataset yang digunakan berasal dari empat database yang berbeda yang diambil dari situs PhysioNet, yaitu NSRDB dan NSR2DB sebagai kelas sehat dan CHFDB dan CHF2DB sebagai kelas CHF. Masing-masing database memiliki rekaman long-term EKG. Seluruh rekaman tersebut dilakukan segmentasi selama 5 menit pada 2 jam pertama rekaman. Dari hasil segmentasi rekaman 5 menit tersebut akan dihitung nilai HRV yang akan menjadi fitur bagi model XGBoost. XGBoost dilatih menggunakan kombinasi teknik Grid Search dan K-Fold Cross Validation dengan nilai 𝐾 = 10. Terdapat 4 metrik yang dijadikan objektif optimisasi Grid Search, yaitu akurasi, sensitivitas, spesifisitas, dan skor AUC. XGBoost yang dilatih dengan mengoptimasi akurasi berhasil mencapai nilai akurasi sebesar 0,954, sensitivitas sebesar 0,935, spesifisitas sebesar 0,96, dan skor AUC sebesar 0,947. XGBoost yang dilatih dengan mengoptimasi sensitivitas berhasil mencapai nilai akurasi sebesar 0,966, sensitivitas sebesar 0,977, spesifisitas sebesar 0,963, dan skor AUC sebesar 0,97. XGBoost yang dilatih dengan mengoptimasi spesifisitas berhasil mencapai nilai akurasi sebesar 0,962, sensitivitas sebesar 0,931, spesifisitas sebesar 0,971, dan skor AUC sebesar 0,951. Kemudian XGBoost yang dilatih dengan mengoptimasi skor AUC berhasil mencapai nilai akurasi sebesar 0,955, sensitivitas sebesar 0,935, spesifisitas sebesar 0,962, dan skor AUC sebesar 0,948.

---

Cardiovascular diseases (CVD) is one of the major causes of death in the world. WHO estimated that 17.9 million of deaths during 2021 are caused by CVD. In Indonesia alone, the prevalence of heart diseases reached 1.5% or around 2,7 million people in 2018. CVD consists of various types of heart disease. Congestive heart failure is one of them. Congestive heart failure (CHF) is a condition where the heart cannot pump enough blood for the entire body. CHF can occur due to a weakening of the heart muscle's ability to pump blood, thereby affecting the human heart rate. Heart rate can be represented using signal that can be measured using electrocardiogram (ECG/EKG) recording. EKG is a recording of the heart's electrical activity captured through the surface of the body. Heart rate variability (HRV) have been known to be correlated with various heart diseases with CHF is one of it. With the advance of technology, there have been various research regarding the implementation of artificial intelligence (AI) to detect the presence of CHF using machine learning model and HRV as features for the model. In this research, we built and evaluated the performance of XGBoost model to detect the existence of CHF on short-term HRV from 5 minutes EKG recording. The dataset came from four different databases that can be accessed from PhysioNet website. Those are NSRDB and NSR2DB datasets to represent healthy class and CHFDB and CHF2DB to represent CHF class. Each database contains long-term EKG. All records are segmented by 5 minutes on the first 2 hours of the recording. HRV metrics are calculated from those 5 minutes segments to become features for the XGBoost model. XGBoost was trained using a combination of Grid Search and K-Fold Cross Validation techniques with 𝐾 = 10. There are 4 metrics that become the objective scoring function for the Grid Search. Those are accuracy, sensitivity, specificity, and AUC score. XGBoost trained to optimize accuracy managed to achieve 0.954 accuracy, 0.935 sensitivity, 0.96 specificity, and 0.947 AUC score. XGBoost trained to optimize sensitivity managed to achieve 0.966 accuracy, 0.977 sensitivity, 0.963 specificity, and 0.97 AUC score. XGBoost trained to optimize specificity managed to achieve 0.962 accuracy, 0.931 sensitivity, 0.971 specificity, and 0.951 AUC score. Lastly, XGBoost trained to optimize AUC score managed to achieve 0.955 accuracy, 0.935 sensitivity, 0.962 specificity, and 0.948 AUC score."

"Berdasarkan data WHO pada pertengahan Juli 2021 lebih dari 185,2 juta orang di seluruh dunia terinfeksi virus corona atau Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Virus ini menyerang penapasan manusia yang dapat mengakibatkan infeksi paru-paru pada manusia dan bahkan dapat menyebabkan kematian. Tercatat bahwa lebih dari 4 juta orang di seluruh dunia meninggal akibat terinfeksi virus corona. Di Indonesia sendiri pada pertengahan Juli 2021 tercatat lebih dari 2,4 juta orang ternfeksi virus corona dan lebih dari 65,4 ribu orang meninggal akibat terinfeksi virus corona. Berdasarkan data tersebut, perlu dilakukan analisis kekerabatan virus SARS-CoV-2 untuk mengurangi penyebaran dan memberikan batasan sosial dari negara satu dengan negara lainnya. Identifikasi kekerabatan dari virus covid-19 dan penyebarannya dapat dilakukan dengan cara pembentukan pohon filogenetik dan clustering. Pada penelitian ini pohon filogenetik akan dibangun berdasarkan metode Hierarchical Clustering dengan menggunakan metode Multiple Encoding Vector dan K-Mer berdasarkan translasi DNA kodon menjadi asam amino. Jarak Euclidean akan digunakan untuk menentukan matriks jarak. Penelitian ini selanjutnya menggunakan metode K- Means Clustering untuk melihat penyebarannya, dimana nilai k ditentukan dari jumlah centroid yang dihasilkan dari metode Hierarchical Clustering. Penelitian ini mengambil sampel barisan DNA SARS-CoV-2 dari beberapa negara yang tertular. Dari hasil simulasi, nenek moyang SARS-CoV-2 berasal dari China. Hasil analisis juga menunjukkan bahwa leluhur covid-19 yang paling dekat dengan Indonesia berasal dari India, Australia dan Spanyol. Selain itu dari hasil simulasi dihasilkan bahwa barisan DNA SARS-CoV-2 terdiri dari 9 cluster dan cluster keenam adalah kelompok yang memiliki anggota paling banyak. Hasil analisis juga menunjukkan bahwa metode ini sangat opitimal dalam pengelompokan data dengan nilai 97.4%.

---

Based on WHO data in middle of July 2021, Coronavirus or Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is infecting more than 185.2 million people worldwide. The virus attacks human breathing, which can cause lung infections and can even cause death. More than 4 million people worldwide have died due to being infected with the coronavirus. In Indonesia alone, in mid-July 2021, there were more than 2.4 million people infected with the corona virus and more than 65.4 thousand people died from being infected with the corona virus. Based on those covid-19 survivor data, it is necessary to carry out a kinship analysis of the coronavirus to reduce its spreading. Identification of the kinship of the covid- 19 virus and its spread can be done by forming a phylogenetic tree and clustering. This study uses the Multiple Encoding Vector method and K-mer based on translation DNA codon to amino acid in analyzing sequences and Euclidean Distance to determine the distance matrix. This research will then use the Hierarchical Clustering method to determine the number of initial centroids and cluster, which will be used later by the K-Means Clustering method kinship in SARS-CoV-2 DNA sequence. This study took samples of DNA sequences of SARS-CoV-2 from several infected countries. From the simulation results, the ancestors of SARS-CoV-2 came from China. The results of the analysis also show that the closest ancestors of covid-19 to Indonesia came from India, Australia and Spain. In addition, the ancestors of SARS-CoV-2 came from China. The SARS- CoV-2 DNA sequence is also consisted of 9 clusters, and the sixth cluster is the group that has the most members. The results also show that this method is very optimal in a grouping of data with a value of 97.4%."

"Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin, Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering. Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil, penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda, Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance 100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400, dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.

---

With development of technology becoming more advanced, technology that can help to measure area and volume of an object becomes more common. One of the technology that can help measure area and volume of an object is a sensor called Light and Detection Ranging (LiDAR). In the context of measuring area and volume of an object where the object is a building, LiDAR sensor can be helped by deep learning and clustering to identify building and then the building’s area and volume can be measured. In this research the dataset used are Margonda, Depok and Dublin, Irlandia. Deep learning method used to do semantic segmentation is Dynamic Graph Convolutional Neural Network (DGCNN) and the algorithm to do the clustering is Pairwise Linkage Clustering. This research is also intended to give comparison with Euclidean Clustering as an algorithm to do clustering. Semantic segmentation is done so the map can be separated as building object and non building object. Result wise, this research has succeeded to use DGCNN as a method to do semantic segmentation and Pairwise Linkage Clustering as a method to do clustering. Evaluation is done by using matrix such as Accuracy, Recall, Precision, F-Score and Intersection over Union for semantic segmentation while matrix used to evaluate the clustering algorithm is Accuracy, Recall, Precision, and F-Score. In Margonda, Depok dataset DGCNN has the accuracy score of 82% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 4.7%, with cut off distance 200 is 28%, with cut off distance 400 is 38%, with cut off distance 800 is 28%. In Dublin, Irlandia dataset DGCNN has the accuracy score of 86% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 10%, with cut off distance 200 is 30%, with cut off distance 400 is 40% and with cut off distance 800 is 35%. In the clustering part, Pairwise Linkage Clustering gives better result in Margonda, Depok dataset while Euclidean Clustering gives better result in Dublin, Irlandia dataset.

"

"Latar belakang. Kondisi iskemia pada penyakit jantung koroner (PJK) berkorelasi dengan disfungsi sistem saraf otonom. Revaskularisasi melalui percutaneous coronary intervention (PCI) dapat mengembalikan keseimbangan fungsi saraf otonom dan memperbaiki prognosis. Di sisi lain, perasaan cemas yang muncul menjelang prosedur PCI, dapat memicu hiperaktivitas simpatis. Tujuan penelitian ini adalah untuk mengetahui pengaruh ansietas terhadap perbaikan heart rate variability (HRV), sebuah teknik non-invasif untuk mengevaluasi aktivitas sistem saraf otonom; setelah tindakan PCI. Metode. Studi dengan desain potong lintang, korelasi pretest-posttest; melibatkan 44 subjek dengan PJK stabil yang menjalani PCI elektif di Pelayanan Jantung Terpadu, Rumah Sakit Umum Pusat Nasional Cipto Mangunkusumo. Pengukuran HRV dilakukan sebelum PCI, kemudian diulang pasca tindakan PCI. Ansietas dinilai menggunakan kuesioner hospital anxiety depression score (HADS). Pengolahan data serta analisis statistik dilakukan dengan bantuan software SPSS 20.0. Hasil. Sebanyak 54,5% subjek mengalami ansietas saat akan menjalani PCI. Pada kelompok tanpa ansietas, ditemukan perbaikan signifikan pada parameter HRV sebelum-setelah PCI; yaitu SDNN [standard deviation of normal to normal intervals] (Median = 26,19 vs. Median = 39,60 ; Z = -3,621 ; p < 0,001) dan parameter RMSSD [root mean square of the successive differences] (Median = 21,90 vs. Median = 30,99; Z = -2,501; p = 0,012). Sementara itu, tidak didapatkan perbaikan bermakna parameter HRV sebelum-setelah PCI, pada kelompok ansietas. Terdapat perbedaan bermakna pada kenaikan nilai SDNN antara kelompok tanpa ansietas dibandingkan dengan kelompok ansietas ansietas (Median = 9,11 vs. Median = 2,83 ; U = 154,00 ; p = 0,043). Simpulan. Ansietas yang terjadi sebelum PCI elektif dapat menghambat perbaikan HRV pasca tindakan sehingga mempengaruhi prognosis penyakit. Diperlukan penelitian lanjutan mengenai peranan terapi ansietas menjelang PCI dihubungkan dengan luaran klinis serta prognosis pasca PCI.

---

Background. Chronic ischemic condition in coronary artery disease (CAD) was associated with autonomic dysfunction. Percutaneous coronary intervention (PCI) could restore perfusion so that improving autonomic balance and disease prognosis. On the other hand, pre-PCI anxiety was known to produce sympathetic hyperactivity. The aim of this study was to determine whether pre-PCI anxiety may influence heart rate variability (HRV) improvement, a noninvasive technique for the evaluation of the autonomic nervous system activity; after successful PCI.

Methods. A cross sectional studies, pretest-posttest correlation; enclose 44 patients with stable CAD undergoing PCI in Integrated Heart Service, Cipto Mangunkusumo National Hospital. HRV measurement was done before and after PCI. Anxiety symptoms was collected using hospital anxiety depression score (HADS) questionnaires. Data input and statistical analysis was carried out using SPSS 20.0 for Windows.

Results. As many as 54.5% stable CAD patients undergoing elective PCI experienced anxiety symptoms. In the anxiety group, there were significant post-PCI improvement of SDNN [standard deviation of normal to normal intervals] (Median = 26.19 vs. Median = 39.60; Z = -3.621; p < 0.001) and RMSSD [root mean square of the successive differences] (Median = 21.90 vs. Median = 30.99; Z = -2.501; p = 0.012). Post-procedure HRV improvement was not significant in patients with anxiety symptoms. There was significant difference of the SDNN improvement between non-anxiety and anxiety patients (Median = 9.11 vs. Median = 2.83; U = 154.00; p = 0.043).

Conclusions. Pre-PCI anxiety may affect HRV improvement after revascularization thus influence disease prognosis. Further studies are needed to determine the impact of pre-PCI anxiety treatment on cardiac outcomes."