Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian ini, kami ingin mengatasi masalah langkanya dataset untuk peneli- tian di bidang syntactic parsing untuk Bahasa Indonesia, terutama kurang tersedi- anya dependency treebank berbahasa Indonesia dalam kualitas yang baik. Adapun tujuan dari penelitian ada tiga: 1) mengusulkan petunjuk cara menganotasi depen- dency trebank untuk Bahasa Indonesia yang mengacu kepada aturan anotasi UD v2, 2) membangun dependency treebank yang dianotasi secara manual agar bisa berperan sebagai gold standard, 3) membangun sebuah dependency treebank de- ngan mengkonversi secara otomatis sebuah constituency treebank menjadi sebuah dependency treebank.Kami sudah membuat panduan anotasi untuk membangun dependency treebank untuk Bahasa Indonesia yang mengacu kepada aturan UD v2. Pedoman tersebut mencakup aturan tokenisasi/segmentasi kata, pelabelan kelas kata (POS tagging), analisis fitur morfologi, dan anotasi hubungan dependency antar kata. Kami men- gusulkan bagaimana memproses klitika, kata ulang, dan singkatan pada tahap to- kenisasi/segmentasi kata. Pada tahapan penentuan kelas kata, kami mengusulkan pemetaan dari daftar kata dalam Bahasa Indonesia ke 17 kelas kata yang didefin- isikan oleh UD v2. Untuk anotasi fitur morfologi, kami telah memilih 14 dari 24 fitur morfologi UD v2 yang dinilai sesuai dengan aturan Bahasa Indonesia, berikut dengan 27 buah label feature-value yang bersesuaian dengan fitur morfologi terkait. Untuk anotasi hubungan dependency antarkata, kami mengusulkan penggunakan 14 buah label yang bersifat language-specific untuk menganotasi struktur sintaks yang khusus terdapat pada Bahasa Indonesia.Sebuah dependency treebank berbahasa Indonesia yang bisa digunakan sebagai gold standard sudah berhasil dibangun. Treebank ini dibuat dengan merevisi se- cara manual sebuah dependency treebank yang sudah ada. Revisi dilakukan dalam dua fase. Pada fase pertama dilakukan koreksi terhadap tokenisasi/segmentasi kata, pelabelan kelas kata, dan anotasi terhadap hubungan dependency antarkata. Pada fase kedua, selain dilakukan sedikit koreksi untuk perbaikan pada tahap satu, di- tambahkan juga informasi kata dasar (lemma) dan fitur morfologi. Evaluasi ter- hadap kualitas treebank yang baru dilakukan dengan membangun model depen- dency parser menggunakan UDPipe. Hasil pengujian menunjukkan bahwa kami berhasil meningkatkan kualitas treebank, yang ditunjukkan dengan naiknya UAS sebanyak 9% dan LAS sebanyak 14%.Terkait tujuan penelitian ketiga, kami juga sudah membangun sebuah treebank baru dengan mengkonversi secara otomatis sebuah constituency treebank ke dependency treebank. Pada proyek ini, kami mengusulkan sebuah metode rotasi tree yang bertu- juan mengubah dependency tree awal yang dihasilkan oleh alat NLP untuk Ba- hasa Inggris bernama Stanford UD converter sedemikan agar head-directionality dari frase kata benda yang dihasilkan sesuai dengan aturan Bahasa Indonesia yang umumnya bersifat head-initial. Kami menamakan algoritma yang dihasilkan seba- gai algoritma headSwap dan algoritma compound. Hasil percobaan menunjukkan bahwa metode rotasi tree yang diusulkan berhasil meningkatkan performa UAS se- banyak 32.5%.

---

In this dissertation, we address the lack of resources for Indonesian syntactic parsing research, especially the need for better quality Indonesian dependency treebanks. This work has three objectives: 1) to propose annotation guidelines for Indonesian dependency treebank that conform to UD v2 annotation guidelines, 2) to build a gold standard dependency treebank, 3) to build a silver standard dependency tree- bank by converting an existing Indonesian constituency treebank automatically to a dependency treebank.

We have proposed a set of annotation guidelines for Indonesian dependency tree- bank that conform to UD v2. The guidelines cover tokenization/word segmenta- tion, POS tagging, morphological features analysis, and dependency annotation. We proposed how to handle Indonesian clitics/multiword tokens, reduplication, and abbreviation for word segmentation. For POS tagging, we presented the mapping from UD v2 guidelines to the Indonesian lexicon. For morphological features, we proposed the use of 14 of 24 UD v2 morphological features along with 27 UD v2 feature-value tags for Indonesian grammar. Finally, we proposed using 14 language- specific relations to annotate the particular structures in Indonesian grammar for dependency annotation.

A gold standard Indonesian dependency treebank also has been built based on our proposed annotation guidelines. The gold standard was constructed by manually revised an existing Indonesian dependency treebank. The revision project consists of two phases. Major revision on word segmentation, POS tagging, and dependency relation annotation was conducted in the first phase. In the second phase, we added the lemma information and morphological features. Finally, we evaluated the qual- ity of the revised treebank by building a dependency parser using UDPipe. The experiment results show that we successfully improved the quality of the original treebank with a margin of 9% for UAS and 14% for LAS.

Finally, we built a silver standard treebank by automatically converting an Indone- sian constituency treebank to a dependency treebank. In this work, we proposed a method to improve the output of an English NLP tool named Stanford UD con- verter. We transformed the output so that it conforms to the head-directionality rule for noun phrases in Indonesian. We called the proposed tree rotation algorithm the headSwap method and the rule for noun phrases as the compound rule. The evaluation shows that our proposed method improved the UAS with a margin of 32.5%."

"Proses pemulangan bayi berat badan lahir rendah (BBLR) dari rumah sakit ke rumah menjadi proses transisi yang sulit bagi orang tua. Ibu yang memiliki BBLR cenderung memiliki kepercayaan diri rendah dan mengalami stres dalam melakukan perawatan bayi. Tujuan penelitian ini adalah menganalisis efektifitas perencanaan pulang bayi berat lahir rendah berbasis aplikasi mobile terhadap stres ibu, kepercayaan diri ibu dan kesehatan bayi. Penelitian ini menggunakan desain penelitian dengan sequential exploratory mixed methods. Penelitian tahap pertama menggunakan pendekatan deskriptif kualitatif dengan delapan ibu yang memiliki BBLR yang dipilih secara purposive sampling. Aplikasi perencanaan pulang BBLR dibangun dari hasil penelitian kualitatif, studi literatur dan konsultasi pakar. Penelitian tahap kedua menggunakan desain quasi experiment pre-post test with control group, melibatkan 42 responden pada kelompok perlakuan dan 42 responden kelompok kontrol. Hasil penelitian kualitatif menemukan tiga tema yaitu (a) informasi perawatan rutin bayi (b) variasi sumber informasi (c) jenis komunikasi yang diperlukan. Hasil uji Generalized Linear Models Repeated Measures (GLM RM), secara simultan menunjukkan perbedaan pengaruh perencanaan pulang BBLR berbasis aplikasi mobile pada keseluruhan waktu pengamatan saat masuk RS, keluar RS dan setelah empat minggu keluar RS (p < 0.05). Hasil independent t-test didapatkan bahwa ada pengaruh perlakuan secara signifikan terhadap stres ibu dan kepercayaan diri ibu dan hasil Mann-Whitney U test menunjukkan pengaruh perlakuan terhadap kesehatan bayi setelah empat minggu keluar RS (p < 0.05). Perencanaan pulang yang ditindak lanjuti dengan asuhan berkelanjutan dapat digunakan di tatanan layanan kesehatan untuk membantu ibu dalam menyiapkan kepulangan BBLR ke rumah dan memandirikan ibu dalam perawatan bayi di rumah.

---

The discharge process of low birth weight (LBW) babies from the hospital to home is a difficult transition process for parents. Mothers with LBW tend to lack confidence and face stressful situations in caring for their babies. The purpose of this study is to analyze the effectivity of mobile application-based LBW discharge planning and follow up care on maternal stress, confidence, and the baby's health. This study uses sequential exploratory mixed methods as the research design. The first phase of this research used qualitative descriptive approach with 8 participants consisting of mothers with LBW, selected with purposive sampling method. The LBW discharge planning application was built from the results of qualitative research, literature studies, and expert consultations. While the second phase used a quasi-experiment pre-post test with control groups, involved 42 respondents that belonged to treatment group and 42 other that belonged to control group. The results of the qualitative research found 3 themes: a) routine baby care information, b) information source variations, and c) type of communication needed. The results of the Generalized Linear Models Repeated Measures (GLM RM) test simultaneously show differences in the effect of mobile application-based LBW discharge planning on the overall observation time at hospital admission, hospital discharge, and after four weeks of hospital discharge (p <0.05). The results of the independent t-test found that there was a significant effect of treatment on the mother's stress and self-confidence, and the results of the Mann-Whitney U test showed the effect of treatment on the baby's health after four weeks of discharge from the hospital (p <0.05). Discharge planning, reinforced by follow-up care, can be carried out in a healthcare setting to assist mothers in preparing for the return of LBW to their homes and empower them to care for babies at home."

"Latar belakang: Manajemen kinerja adalah suatu program yang harus dijalankan, yang merupakan suatu teknik untuk menilai kinerja sumber daya manusia yang ada. Satu di antara banyak cara untuk meningkatkan kinerja adalah dengan membuat suatu sistem penilaian kinerja, yang bertujuan untuk memberikan motivasi kepada karyawan dan meningkatkan kinerja. Seiring dengan hal tersebut, untuk mendapatkan kinerja perawat yang bagus diperlukan supervisi yang optimal, salah satu cara agar supervisi berjalan optimal dan kinerja perawat meningkat dibuatlah model e-Pika. Diharapkan e-Pika dapat mengoptimalkan supervisi dan kinerja perawat meningkat. Tujuan: Diidentifikasinya model e-Pika untuk perawat klinik di rawat jalan dan efektivitasnya terhadap kinerja klinik perawat rawat jalan. Metodologi: Desain penelitian ini adalah riset pengembangan atau Research and Development. Penelitian ini dilakukan dalam tiga tahap. Purposive sampling digunakan dalam pengambilan sampel. Tahap satu dengan 30 responden perawat dan kepala ruangan di rawat jalan, tahap dua melibatkan 4 orang pakar, dan tahap tiga melibatkan 100 orang responden. Hasil: Pada tahap satu diidentifikasi lima tema yang menjadi dasar pengembangan model. Tema tersebut adalah diidentifikasi kebutuhan dari perawat rawat jalan dalam pelaksanaan kinerjanya, yaitu pengetahuan kepala ruangan terhadap kinerja adalah tanggung jawab yang harus dikerjakan perawat dan dapat diukur produktivitasnya, metode penilaian kinerja dengan menggunakan indikator kinerja individu melalui log book, supervisi dan ronde keperawatan, sedangkan supervisor merasakan perasaan kecewa, acuh tak acuh tetapi tetap merasa berguna dirasakan oleh partisipan saat melakukan supervisi. . Tersusun empat modul sebagai penjelasan model dan pedoman implementasi. Hasil menunjukkan adanya pengaruh dari intervensi model e-Pika terhadap pengetahuan, motivasi dan kinerja, dengan hasil pengetahuan (p <0,001), motivasi (p <0,001) dan kinerja (p <0,001). Simpulan: Model e-Pika mampu meningkatkan skor pengetahuan, motivasi dan kinerja pada perawat di rawat jalan.

---

Background: Performance management is a program that essential to be implemented, which is a technique to evaluating the performance of human resources. One effective approach to enhancing the performance is create a performance appraisal system, which aims to motivate employees and improve performance. In nursing, optimal supervision is required to achieve good nurses performance. To ensure that supervision is optimal and nurse performance improves, the e-Pika model was developed. The e-Pika model has been developed to optimize supervision and enhance nurse performance, with the goal of improving the overall effectiveness of nursing services. Objective: This study aims to identify the e-Pika model for outpatient nurses and its effectiveness on the performance of outpatient clinic nurses. Methodology: The design of this research is research and development. The research was conducted using a research and development approach in three phases. Sampling was done purposively. In phase one, 30 nurse respondents and room heads participated, phase two involved feedback from 4 experts, and phase three had 100 respondents. Results: In the first stage, five key themes were identified forming the foundation for the model development. he theme is to identify the needs of outpatient nurses in the implementation of their performance, namely the knowledge of the head of the room to performance is a responsibility that must be done by nurses and can be measured in productivity, a performance assessment method using individual performance indicators through log books, supervision and nursing rounds, while supervisors feel disappointed, indifferent but still feel useful felt by participants when doing Supervision Four modules were created to explain the model and provide implementation guidelines. The study found that e-Pika model significantly improved knowledge, motivation and performance, with the outcomes of knowledge (p <0,001), motivation (p

<0,001) and performance (p <0,001). Conclusion: The e-Pika model effectively improved the knowledge, motivation and performance scores of outpatient clinic nurses"

"Saat ini penentuan area riset masih banyak bergantung kepada pendapat para ahli. Meskipun ahli tersebut memiliki pengetahuan yang mendalam di bidangnya, akan tetapi tidak semua area riset yang emerging dapat diketahui oleh ahli tersebut mengingat cepatnya perkembangan sumber-sumber informasi tentang ilmu pengetahuan dan teknologi. Namun demikian, analisis data yang berjumlah besar memerlukan waktu yang lama dan bisa jadi subyektif jika menggunakan cara manual. Beberapa penelitian sebelumnya telah menggunakan teknik kuantitatif dengan menghitung trend berdasarkan jumlah kata kunci dari suatu topik riset dan memprediksi trend tersebut untuk masa yang akan datang. Untuk prediksi trend dari data time series, saat ini pendekatan machine learning mulai banyak dikaji disamping pendekatan statistik yang sebelumnya lazim digunakan.Sementara itu, pendekatan ensemble yang menggabungkan hasil prediksi, teknik prediksi atau representasi data diyakini dapat meningkatkan akurasi prediksi. Multiple Kernel Learning (MKL) merupakan suatu teknik ensemble melalui penggabungan kernel yang menggunakan teknik machine learning, yakni Support Vector Machine (SVM), sebagai classifier atau prediktor. Dalam penelitian sebelumnya, MKL telah dimanfaatkan untuk menggabungkan fitur, yang biasa disebut sebagai data integration, dalam bidang image processing tetapi masih menggunakan single kernel. Dalam penelitian ini, MKL dimanfaatkan untuk menggabungkan fitur data time series yang berupa sliding windows dan diterapkan pada multiple kernel. Disamping itu, penelitian ini juga mengajukan penggunaan data historis sebagai pengganti training dataset untuk memilih model prediksi yang sesuai dengan karakteristik time series karena setiap model prediksi memiliki kelebihan dan keterbatasan dalam memprediksi data time series yang jenisnya cukup beragam.

---

Currently, the determination of the research area is still largely dependent on the opinion of experts. Although experts have in-depth knowledge in the field, but not all areas of emerging research can be known by the experts given the rapid development of sources of information regarding science and technology. However, the analysis of large amounts of data would take a quite long time and the result could be subjective if a manual method is employed. Several previous studies have used quantitative techniques to calculate trends based on the number of keywords on research topics and forecast their future trends. For the trend forecasting of time series data, currently, machine learning approaches have been extensively studied in addition to the previous statistical approaches which are commonly used.Meanwhile, an ensemble approach that may combine the prediction results, prediction techniques or data representations has the capability to increase the prediction accuracy. Multiple Kernel Learning (MKL) is one of such ensemble methods that optimizes the combination of kernels through the use of machine learning technique, such as Support Vector Machine (SVM), as a classifier or predictor. In previous studies, MKL has been used to combine features, which is commonly referred to as the data integration approach, in the field of image processing but is still implemented on a single kernel. In this study, MKL is used to combine the features of time series data in the form of sliding windows and tested on multiple kernels. In addition, this study also proposes the use of historical data as a substitute for the training dataset to select the prediction technique based on the characteristics of time series considering the diverse kind of time series data such that no single prediction technique can be used for all types of data."