Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSindrom metabolik merupakan faktor predisposisi penyakit kardiovaskular dan tingginya tingkat insidens sindrom metabolik pada pekerja menyebabkan biaya ekonomi perusahaan meningkat. Sindrom metabolik diindikasikan berhubungan dengan kerja gilir. Penelitian ini bertujuan mengetahui pengaruh kerja gilir terhadap insidens sindrom metabolik pada pekerja laki-laki di perusahaan kimia. Penelitian kohort retrospektif dengan median follow-up 5 tahun ini menggunakan metode Nelson-Aalen untuk analisis hazard function. Dengan kriteria sindrom metabolik menggunakan modifikasi Definisi Harmonisasi, hasil penelitian mendapatkan tingkat insidens sindrom metabolik pada 355 pekerja gilir 62/1.000 orang-tahun, tidak ada perbedaan signifikan dengan tingkat insidens pekerja non gilir 59/1.000 orang-tahun RR=1,05; IK95 =0,80-1,39 . Kumulatif hazard function pekerja gilir 0,33 lebih besar dibandingkan dengan pekerja non gilir 0,29, perbedaan juga tidak signifikan HR=1,13; p>0,05 . Pekerja umur >30 tahun mempunyai kumulatif hazard function lebih besar daripada pekerja umur 50 tahun=3,36; p

---

ABSTRACTMetabolic syndrome is a predisposing factor for cardiovascular disease and high incidence rate of metabolic syndrome in workers contributes to an increase in organization rsquo s economic cost. Metabolic syndrome was indicated to be associated with shiftwork. This study aimed to assess shiftwork rsquo s effect on the metabolic syndrome incidence among male workers in a chemical company. This retrospective cohort study with median follow up 5 years, was utilizing Nelson Aalen method for hazard function analysis. Using a modified Harmonization Definition to define metabolic syndrome, results found that the metabolic syndrome incidence rate of 355 shift workers was 62 1,000 person year, no significant difference with that of day workers 59 1,000 person year RR 1.05 95 CI 0.80 1.39 . Cumulative hazard function for shift workers 0.33 was higher in comparison with day workers 0.29, but the difference was also not significant HR 1.13 p 0.05 . Workers aged 30 years old had higher cumulative hazard function than workers aged 50 years old 3.36 p"

"ABSTRAKLatar Belakang. Penyakit jantung koroner PJK merupakan penyakit dengan prevalensi yang cukup tinggi di masyarakat umum maupun masyarakat pekerja. Berbagai studi mengindikasikan penyakit jantung koroner berhubungan dengan kerja gilir. Penelitian ini bertujuan untuk mengetahui pengaruh kerja gilir terhadap insidensi risiko sedang-tinggi PJK pada pekerja laki-laki perusahaan manufaktur di Bogor sejak tahun 2011 hingga 2016.Metode. Penelitian ini merupakan penelitian kohort retrospektif dalam periode lima tahun menggunakan metode Nelson-Aalen untuk analisis hazard function. Risiko PJK dinilai berdasarkan Skor Risiko Framingham.Hasil. Tingkat insidens risiko sedang-tinggi PJK pada pekerja gilir adalah 103/1.000 orang-tahun, berbeda secara bermakna dengan tingkat insidens pekerja non gilir yaitu 68/1.000 orang-tahun RR=1,5; IK 95 =1,001-2,304 . Hazard function kumulatif pekerja gilir untuk memiliki risiko sedang-tinggi PJK di tahun kelima lebih besar dibandingkan dengan pekerja non gilir HR=1,51.

---

ABSTRACT

Background. Coronary heart disease CHD is a disease with a high prevalence in the general population and workers. Studies have indicated that coronary heart disease is associated with shift work. This study is aimed to determine the effect of shift work on the incidence of intermediate high risk CHD among male workers at manufacturing company in Bogor from 2011 to 2016.Method. This is a retrospective cohort study in five year period using Nelson Aalen method for hazard function analysis. Risk of CHD is assessed based on Framingham Risk Score.Result. The intermediate high risk CHD incidence rate of shift workers was 103 1,000 person year, significantly different from the incidence rate of non shift workers which was 68 1.000 person year RR 1.5 95 CI 1.001 2.304 . Cumulative hazard function of shift workers to have an intermediate high risk CHD in the fifth year was greater than that of non shift workers HR 1.51 . Workers with length of employment ge 14 years had greater cumulative hazard function than workers with length of employment ."

"Fungsi hazard dapat dikategorikan menjadi dua, yaitu monoton (naik atau turun) dan non monoton (bathtub shape dan upside down bathtub shape). Untuk memodelkan datadengan fungsi hazard monoton, naik atau turun, dan non monoton bathtub shape umumnya digunakan distribusi Gamma atau Weibull. Pada skripsi ini, akan diperkenalkan sebuah distribusi yang dapat memodelkan data dengan fungsi hazard berbentuk upside down bathtub shape. Distribusi ini diturunkan dari distribusi Lindley dengan melakukan transformasi yang disebut distribusi generalized inverse Lindley. Distribusi ini lebih fleksibel dalam memodelkan data dengan fungsi hazard non-monoton upside down bathtub. Hal ini dikarenakan parameter shape pada distribusi tersebut menyebabkan fungsi hazard memiliki banyak variasi bentuk namun tetap mempertahankan bentuk upside down bathtub. Beberapa karakteristik dari distribusi seperti fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard,dan momen ke-r akan dicari. Untuk mengestimasi parameter distribusinya akan digunakan metode maximum likelihood. Di akhir skripsi ini, akan dibangun data untuk mengestimasi parameter dari distribusi yang bersangkutan

---

Hazard rate are categorized by their shape, either its monotone (decreasing or increasing) or non-monotone (upside down bathtub shaped and bathtub shaped). Modelling data from monotone hazard rate, either decreasing or increasing, and bathtub shaped hazard rate are possible with common distribution such as Gamma distribution or Weibull distribution. For data which has upside down bathtub shaped hazard rate is usually done by using inverse transformation of exponential distribution such as inverse Gamma, inverse Weibull, and inverse Lindley. In this paper, a distribution that can model a data with upside down bathtub shaped hazard rate is introduced. The distribution is derived from Lindley distribution with transformation and is called generalized inverse Lindley distribution. The distribution is more flexible because shape parameter which make wide variety of shape without changing its hazard rate from upside down bathtub shaped. Somestatistic properties of the distribution such as density function, cumulative function, survival function, hazard function, and moment will be discussed. For estimatingparameter of the distribution, maximum likelihood method will be used. In the end, simulation data will be generated to see the estimation of the distributions parameter."

"Waktu survival adalah waktu dimana seorang individu atau suatu objek bertahan hingga suatu kejadian terjadi. Data waktu survival lebih sering digambarkan dengan fungsi hazard karena kurva fungsi hazard dapat memiliki berbagai bentuk, seperti bentuk naik, turun, konstan, bathtub, dan unimodal. Salah satu distribusi yang dapat digunakan untuk memodelkan data waktu survival adalah distribusi Rayleigh. Distribusi Rayleigh memiliki fungsi hazard yang naik secara linier terhadap waktu. Namun pada praktiknya, tidak semua data waktu survival yang hazardnya mengalami peningkatan, terjadi secara linier. Akan tetapi, terdapat data waktu survival yang hazardnya naik dengan tren cekung ke atas maupun cekung ke bawah, turun, dan konstan. Dalam skripsi ini, dibahas pembentukan distribusi Rayleigh Weibull (RW) sebagai generalisasi dari distribusi Rayleigh dengan menggunakan metode Transformed-Transformer atau metode T-X. Generalisasi ini bertujuan untuk menambah fleksibilitas distribusi Rayleigh dengan menambah satu parameter bentuk (shape parameter). Kemudian, dibahas juga beberapa karakteristik dari distribusi RW, seperti fungsi kepadatan peluang, fungsi distribusi kumulatif, fungsi survival, fungsi hazard, dan momen ke-r. Estimasi parameter dari distribusi RW dilakukan dengan menggunakan metode maksimum likelihood. Sebagai ilustrasi, data pasien leukemia dimodelkan dengan distribusi Rayleigh, distribusi Weibull, dan distribusi Rayleigh Weibull. Hasil pemodelan menunjukkan bahwa distribusi Rayleigh Weibull lebih baik dalam memodelkan data dibandingkan dengan distribusi Rayleigh dan distribusi Weibull.......Survival time is the time where an individual or object survives until an event occurs. Survival data is more frequently described with a hazard function because the curve of the hazard function can have various shapes, such as increasing, decreasing, constant, bathtub, and unimodal. Rayleigh distribution is one of the distributions that can be used to model survival data. Rayleigh distribution has a linearly increasing hazard function curve. However, in practice, not every survival data shows a linear increase. There are survival data where the hazard increases with a concave up trend or concave down trend, decreasing, and constant. The Transformed-Transformer method, often known as the T-X method, is used to construct Rayleigh Weibull distribution as a generalization of Rayleigh distribution. This generalization aims to increase the flexibility of Rayleigh distribution by adding one shape parameter. Some characteristics of Rayleigh Weibull distribution, such as probability density function, distribution function, survival function, hazard function, and r-th moment are also discussed. Rayleigh Weibull distribution’s parameters were estimated using the maximum likelihood method. As an illustration, leukemia cancer data is modeled with Rayleigh distribution, Weibull distribution, and Rayleigh Weibull distribution. In comparison to Rayleigh distribution and Weibull distribution, Rayleigh Weibull distribution is better at modeling the data."

"Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli.......The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli."

"Analisis mengenai data waktu tunggu memiliki peran penting dalam berbagai bidang disiplin ilmu. Pada umumnya data waktu tunggu memiliki pola penyebaran yang menceng. Distribusi Weibull merupakan salah satu distribusi yang sering digunakan untuk memodelkan data waktu tunggu. Namun, distribusi Weibull tidak sesuai digunakan untuk memodelkan data dengan fungsi hazard non-monoton, salah satunya bentuk upside-down bathtub. Menurut Sharma et al. (2015), invers dari beberapa distribusi probabilitas dapat memodelkan data dengan fungsi hazard berbentuk upside-down bathtub, salah satunya adalah distribusi invers Weibull. Pada penelitian ini, dibahas distribusi Alpha Power Invers Weibull (APIW) yang merupakan generalisasi dari distribusi invers Weibull. Distribusi ini dibentuk dengan menggunakan metode Alpha Power Transformation. Modifikasi dilakukan dengan penambahan parameter shape pada distribusi invers Weibull dengan tujuan untuk meningkatkan fleksibilitasnya. Beberapa karakteristik distribusi Alpha Power Invers Weibull yang dibahas meliputi fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard, dan momen ke-r. Fungsi kepadatan peluang dari distribusi APIW berbentuk menceng kiri dan unimodal. Lebih lanjut, fungsi hazard dari distribusi APIW berbentuk upside-down bathtub. Penaksiran parameter distribusi dilakukan dengan menggunakan metode maksimum likelihood. Terakhir, diberikan data waktu hingga pasien penderita kanker lambung meninggal yang dimodelkan dengan distribusi invers Weibull dan distribusi Alpha Power Invers Weibull sebagai ilustrasi. Hasil pemodelan menunjukkan bahwa distribusi Alpha Power Invers Weibull lebih baik dalam memodelkan data waktu hingga pasien penderita kanker lambung meninggal dibandingkan dengan distribusi invers Weibull.......Lifetime data analysis has an essential role in various fields of science. In general, lifetime data have a skewed distribution pattern. The Weibull distribution is one of the frequently used distributions for modelling lifetime data. However, the Weibull distribution is not suitable for modelling data with non-monotonous hazard functions, one of which is an upside-down bathtub shape. According to Sharma et al. (2015), the inverse version of several probability distributions can model the data with an upside-down bathtub shape, one of which is the inverse Weibull distribution. This study explained the Alpha Power Inverse Weibull (APIW) distribution as a generalized version of the inverse Weibull distribution. This distribution is constructed by using the Alpha Power Transformation method. The modification is done by adding a shape parameter to the inverse Weibull distribution to increase flexibility. The characteristics of Alpha Power Inverse Weibull distribution discussed include probability density function, distribution function, survival function, hazard function, and the r-th moment. The probability density function of APIW distribution is left-skewed and unimodal. In addition, the hazard function of APIW distribution has an upside-down bathtub shape. The distribution parameter estimation is done by using the maximum likelihood method. Finally, for illustration purposes, the data about the time until gastric cancer patients die are modelled with the inverse Weibull distribution, and the Alpha Power Inverse Weibull distribution is given. The modelling result shows that the Alpha Power Inverse Weibull distribution is better at modelling the time until gastric cancer patients die data than the inverse Weibull distribution."

"Model cox stratifikasi merupakan modifikasi dari model cox proportional hazard ketika ada covariate yang tidak memenuhi asumsi PH. Modifikasi dilakukan dengan membentuk strata yang berasal dari kombinasi kategori covariate yang tidak memenuhi asumsi PH, sehingga akan didapat model cox proportional hazard untuk tiap strata. Koefisien regresi pada model cox stratifikasi ditaksir dengan metode maksimum partial likelihood. Sebagai contoh penerapan digunakan data berupa waktu sampai meninggal untuk seseorang yang mengidap penyakit kanker paru-paru, dengan awal pengamatan saat pasien diberi suatu perlakuan. Diperoleh hasil bahwa model cox stratifikasi dapat digunakan untuk memperbaiki hasil dari model cox PH. Berdasarkan grafik fungsi survival, ada perbedaan ?survival experience? dari individu-individu pada strata yang berbeda. ......Stratified cox model is a modification of the cox proportional hazard model when there are covariates that violate the PH assumption. The modification is done by forming stratum from combination of covariate category that does not satisfy the PH assumption, so the cox PH model for each stratum will be obtained. Regression coefficients in the stratified cox model are estimated using maximum partial likelihood method. An example, data of the time to event for lung cancer patient, where event is death is used. The study start when a patient is given a treatment and end when the event occurred or censored. It showed that stratified cox model can be used to improve the cox proportional hazard model, by showing different survival experience for patients in different stratum."