Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 3 dokumen yang sesuai dengan query
cover
Naufal Khairil Imami
"ABSTRAK
Deteksi topik adalah proses yang digunakan untuk menganalisis kata-kata dalam kumpulan data tekstual untuk ditentukan topik dalam koleksi, bagaimana mereka saling berhubungan, dan bagaimana topik ini berubah dari waktu ke waktu. Salah satu metode yang digunakan untuk mendeteksi topik adalah Nonnegative Matrix
Metode Factorization (NMF) berdasarkan metode langsung atau disebut Separable Nonnegative Matriks Faktorisasi (SNMF). Dalam penelitian ini, tweet data diambil dari akun berita nasional pada aplikasi Twitter, dan topik terdeteksi menggunakan metode SNMF. Ada tiga tahap dalam metode SNMF, yaitu, menghasilkan kata co-kejadian
matriks, menentukan kata jangkar, dan memulihkan untuk mendapatkan matriks topik-kata. Penentuan dari kata anchor dilakukan dengan menggunakan tiga metode berbeda, yaitu Convex Metode berbasis lambung, metode SVD berdasarkan kata maksimum pada topik, dan SVD
metode berdasarkan perbedaan kata pada topik. Dalam deteksi topik, jumlah topik diproduksi bervariasi tergantung pada jumlah kata jangkar yang dihasilkan. Setelah mendapatkan topik, akurasi dihitung menggunakan unit topik word2vec. Hasil yang diperoleh menggunakan
tweet data akun berita nasional menunjukkan bahwa metode SVD berdasarkan perbedaan kata pada topik memiliki evaluasi topik yang buruk dibandingkan dengan dua topik lainnya.

ABSTRACT
Topic detection is the process used to analyze words in a textual data set to determine the topics in a collection, how they are related, and how these topics change over time. One method used to change the topic is the Nonnegative Matrix The Factorization (NMF) method is based on the direct method or called Separable Nonnegative Factor Matrix (SNMF). In this study, tweet data is taken from national news accounts on the Twitter application, and topics taken using the SNMF method. There are three methods in SNMF, namely, generating co-occurrence words matrix, determine anchor words, and recover to get a topic-word matrix. Determination of the word anchor is done using three different methods, namely Convex the stomach-based method, the SVD method based on the maximum words on the topic, and SVD method based on differences in words on the topic. In topic detection, the number of topics created varies depending on the number of anchor words produced. After getting the topic, it is calculated using the word2vec topic unit. The results obtained using National news account data tweets show the SVD method based on word differences on the topic has a worse evaluation topic compared to the other two topics."
2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Nadya Religiane Aretha
"ABSTRAK
Salah satu komplikasi kronis pada pasien dengan diabetes mellitus tipe 2 adalah disfungsi ginjal yang dikenal sebagai nefropati diabetik. Stres oksidatif yang disebabkan oleh kondisi hiperglikemia berperan dalam kerusakan fungsi ginjal pada pasien diabetes mellitus. Hidrogen peroksida urin adalah salah satu penanda stres oksidatif yang sedang diselidiki karena perannya sebagai penanda kerusakan ginjal. Selain itu, salah satu penanda yang telah distandarisasi sebagai pendeteksi kerusakan ginjal adalah estimasi laju filtrasi glomerulus (eGFR). Penelitian ini bertujuan untuk mencari penanda awal nefropati diabetik dengan membandingkan kadar hidrogen peroksida urin pada kelompok pasien dengan diabetes mellitus dengan eGFR ≥90 dan 60-89 ml / min / 1,73 m2 dan untuk melihat perbandingan kemih. kadar hidrogen peroksida pada kedua kelompok dengan status albuminuria. Penelitian ini dilakukan dengan menggunakan studi cross sectional dan teknik purposive sampling dengan sampel 196 subjek yang diambil dari Dr. Sitanala Tangerang dan Puskesmas Pasar Minggu. Nilai eGFR diperoleh dari persamaan CKD-EPI dan tingkat hidrogen peroksida diperoleh dari pengukuran menggunakan metode Ferrous ion Oxidation Xylenol Orange (FOX-1) yang dinormalisasi dengan kreatinin urin. Tingkat rata-rata hidrogen peroksida urin dalam eGFR ≥90 ml / min / 1,73 m2 adalah 25,40 ± 1,81 μmol / mg kreatinin dan dalam eGFR 60-89 ml / min / 1,73 m2 adalah 16,27 μmol / mg kreatinin. Hasil tingkat hidrogen peroksida yang berbeda pada kedua kelompok tidak menunjukkan perbedaan yang signifikan (p = 0,946). Hasil hidrogen peroksida yang berbeda pada kedua kelompok dengan status albuminuria menunjukkan perbedaan yang signifikan (p = 0,002). Hasil penelitian menunjukkan bahwa hidrogen peroksida urin tidak dapat digunakan sebagai penanda nefropati diabetik awal.

ABSTRACT
One chronic complication in patients with type 2 diabetes mellitus is kidney dysfunction known as diabetic nephropathy. Oxidative stress caused by the condition of hyperglycemia plays a role in impairing kidney function in patients with diabetes mellitus. Urine hydrogen peroxide is a marker of oxidative stress that is being investigated for its role as a marker of kidney damage. In addition, one of the markers that has been standardized to detect kidney damage is the estimated glomerular filtration rate (eGFR). This study aims to look for early markers of diabetic nephropathy by comparing urine hydrogen peroxide levels in a group of patients with diabetes mellitus with eGFR ≥90 and 60-89 ml / min / 1.73 m2 and to look at urinary comparisons. hydrogen peroxide levels in both groups with albuminuria status. This research was conducted using a cross sectional study and purposive sampling technique with a sample of 196 subjects taken from Dr. Sitanala Tangerang and Pasar Minggu Health Center. The eGFR value was obtained from the CKD-EPI equation and the hydrogen peroxide level was obtained from measurements using the Ferrous ion Oxidation Xylenol Orange (FOX-1) method which was normalized with urine creatinine. The average level of urine hydrogen peroxide in eGFR ≥90 ml / min / 1.73 m2 was 25.40 ± 1.81 μmol / mg creatinine and in eGFR 60-89 ml / min / 1.73 m2 was 16.27 μmol / mg creatinine. The results of the different levels of hydrogen peroxide in the two groups did not show a significant difference (p = 0.946). Different hydrogen peroxide results in the two groups with albuminuria status showed a significant difference (p = 0.002). The results showed that urine hydrogen peroxide could not be used as a marker of early diabetic nephropathy."
2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ratna Aminah
"ABSTRAK
<

Diabetes merupakan penyakit kronis yang terjadi ketika terdapat peningkatan kadar glukosa dalam darah karena tubuh tidak dapat atau tidak cukup menghasilkan hormon insulin atau tidak dapat menggunakan insulin secara efektif. Umumnya untuk mendeteksi penyakit diabetes adalah dengan tes kadar gula darah atau hemoglobin HbA1c yang dilakukan oleh praktisi medis. Pada penelitian ini, dibangun sistem prediksi penyakit diabetes berbasis iridologi atau melalui citra mata, menggunakan machine learning. Sistem yang dikembangkan terdiri dari instrumen akuisisi citra mata dan algoritma pengolahan citra. Metode GLCM (Gray Level Co-Occurence Matrix) digunakan untuk proses ekstraksi ciri, dengan tujuan untuk mendapatkan ciri tekstur pada citra. Metode SVM (Support Vector Machine) dan kNN (k Nearest Neighbor) digunakan untuk proses klasifikasi kelas diabetes dan non-diabetes. Hasil klasifikasi kemudian dilakukan proses validasi dengan menggunakan metode k-fold cross validation. Hasil yang diperoleh menunjukkan bahwa metode kNN memiliki performa yang lebih baik dibandingkan dengan metode SVM. Performa terbaik didapatkan saat variasi kombinasi ukuran area segmentasi 30×360 dengan jarak antar tetangga 30 pixel. Tingkat akurasi yang diapatkan dari pengujian sebesar 79,6%, dengan nilai misclassification rate (MR) 20,4%, false positive rate (FPR) 20,6%, false negative rate (FNR) 20%, sensitivity 87,1%, dan specificity 70,0%.

 


ABSTRACT

Diabetes is a chronic disease that occurs when there is an increase in glucose levels in the blood because the body cannot produce enough of the hormone insulin or cannot use insulin effectively. Generally, to detect diabetes is by pengujian blood sugar levels or hemoglobin HbA1c carried out by medical practitioners. In this study, a diabetes prediction system based on iridology or through eye images was constructed using machine learning. The developed system consists of eye image acquisition instruments and image processing algorithms. The GLCM (Gray Level Co-Occurence Matrix) method is used for feature extraction processes, with the aim of obtaining texture characteristics in the image. The SVM (Support Vector Machine) and kNN (k Nearest Neighbor) methods are used to classify diabetic and non-diabetic classes. The classification results are then validated by using the k-fold cross validation method. The results show that kNN method has better performance compared to the SVM method. The best performance is when size of the segmentation area 30×360 pixel with the distance between neighbors 20 pixel. The results show that the accuracy from pengujian is 79.6%, misclassification rate (MR) 20.4%, false positive rate (FPR) 20.6%, false negative rate (FNR) 20.0%, sensitivity 87.1%, and specificity 70.0%.

 

"
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library