Abstrak: Tujuan: Studi ini bertujuan untuk melakukan skrining hipertensi pada populasi Indonesia yang luas dengan menggunakan pembelajaran mesin (machine learning/ML) dan 11 faktor risiko non-laboratorium, serta memvalidasi hasilnya melalui validasi internal dan eksternal. Latar belakang dan peserta: Dari 1.782.365 peserta awal berusia 15 tahun ke atas yang terdaftar di Pos Pembinaan Terpadu (Posbindu) pusat pelayanan kesehatan primer di seluruh Indonesia pada periode 2014 hingga 2017, data yang tidak lengkap dan pencilan (outliers) dikeluarkan. Sebanyak 268.210 peserta dimasukkan dalam analisis kami. Kumpulan data (dataset) dibagi secara deterministik menjadi satu dataset untuk pelatihan menggunakan validasi silang internal 10-lipat pada 204.315 peserta dan dataset lainnya untuk validasi eksternal pada 63.895 peserta. Desain: Studi potong lintang retrospektif ini menggunakan tiga algoritma pembelajaran mesin, yaitu random forest, gradient boosting, dan extreme gradient boosting(XGBoost), serta membandingkannya dengan regresi logistik sebagai tolok ukur (benchmark) untuk skrining hipertensi berdasarkan kriteria WHO dan International Society of Hypertension. Tingkat kepentingan (importance) faktor risiko diurutkan. Dengan sebagian menggunakan variabel kontinu versus kategorikal untuk usia, lingkar pinggang (waist circumference/WC), dan indeks massa tubuh (body mass index/BMI), kami mengevaluasi kinerja skrining terkait sensitivitas dan area di bawah kurva karakteristik operasi penerima (area under the receiver operating characteristic curve/AUC). Hasil: Validasi eksternal mengungkapkan bahwa model XGBoost memberikan kinerja terbaik dalam skrining hipertensi. Validasi eksternal yang sebagian menggunakan variabel kontinu memberikan sensitivitas 0,97 dan AUC 0,75, yang mengindikasikan kemampuan skrining yang sangat baik. Peringkat kepentingan faktor risiko secara berurutan adalah riwayat keluarga hipertensi (family history of hypertension/FH-HTN), usia, WC, BMI, pekerjaan, pendidikan, jenis kelamin, merokok, aktivitas fisik rendah, kurang asupan buah atau sayuran, dan konsumsi alkohol. Kesimpulan: Dengan menggunakan 11 faktor risiko non-laboratorium yang mudah dikumpulkan, model pembelajaran mesin berhasil melakukan skrining hipertensi dengan kinerja yang lebih baik daripada tolok ukur. Penggunaan variabel numerik untuk usia, WC, dan BMI menghasilkan kemampuan diskriminasi yang lebih baik dibandingkan variabel kategorikal. FH-HTN dan usia merupakan dua faktor risiko utama terjadinya hipertensi. Studi ini merupakan latihan akademis yang bermanfaat dan menunjukkan pentingnya pembelajaran mesin dalam menangani kumpulan data berskala besar.
Penulis:Eddy Soeryanto Soegoto; Yeffry Handoko Putra; Rahma Wahdiniwaty; Zuriani Ahmad Zukarnain; Noorihan Abdul Rahman
DOI: 10.1109/ICIC56845.2022.10006989
Abstrak: Indonesia dan Malaysia dari tahun 2020 hingga 2021 terkena pandemi COVID-19. Kedua negara menerapkan kebijakan pembatasan masuk area berdasarkan kriteria yang hampir sama. Di Indonesia dikenal sebagai PPKM yang menerapkan beberapa tingkat paparan terhadap mereka yang terinfeksi COVID-19. Penentuan tingkat ini seluruhnya didasarkan pada pertumbuhan jumlah yang terpapar COVID-19. Namun, dalam kasus pandemi, jumlah orang yang tidak menderita penyakit COVID-19 tetapi memiliki gejala yang sama dengan gejala COVID-19 juga perlu dipertimbangkan sebagai agen pandemi di lingkungan mereka. Kami menamakannya sebagai Tingkat Kewaspadaan Pandemi COVID-19 (Precaution Covid-19 Pandemic/PCP Level). Tingkat pandemi COVID-19 saat ini belum sepenuhnya ditentukan oleh gagasan ini. Oleh karena itu, gagasan penelitian ini adalah untuk menentukan tingkat pra-pandemi atau kewaspadaan COVID-19 di suatu area dengan mempertimbangkan interferensi dari area sekitarnya. Tingkat PCP tidak didasarkan pada pertumbuhan mereka yang terinfeksi penyakit COVID-19, tetapi dipengaruhi oleh jumlah pasien yang memiliki gejala mirip dengan gejala dominan COVID-19. Penentuan Tingkat PCP dapat digunakan untuk kebijakan kewaspadaan dan mendukung Metode Tingkat Pandemi sebelumnya. Untuk mewujudkan gagasan ini, tiga algoritma digunakan, yaitu algoritma K-Means sebagai pengelompokan pola dan algoritma AHP sebagai penentu tingkat pandemi COVID-19, sementara hubungan pasangan gejala kandidat terhadap penularan COVID-19 dilakukan dengan menggunakan algoritma Naïve Bayes. Hasil penelitian ini menunjukkan bahwa kombinasi ketiga algoritma yang diusulkan serta penggunaan data gejala yang erat dengan gejala dominan COVID-19 dapat memberikan alternatif untuk tingkat kewaspadaan pandemi COVID-19. Model untuk menentukan penularan COVID-19 berdasarkan empat gejala kandidat memiliki presisi 89% dan akurasi 85%. Diterbitkan dalam 2022 Seventh International Conference on Informatics and Computing (ICIC).
Abstrak Adaptasi teknologi baru dalam e-learning diawali dengan motivasi psikologis dari mahasiswa, yang menjadi hal penting terkait kesuksesan konsep e-learning. Menelaah fenomena tersebut, penelitian ini bertujuan untuk menyelidiki hubungan antara motivasi psikologis mahasiswa dengan manfaat yang diharapkan, kurikulum e-learning, dan mitra pendidikan. Penelitian dilakukan terhadap mahasiswa di Kota Bandung melalui survei kuantitatif. Data dari mahasiswa diambil melalui kuesioner dan data yang terkumpul dari kuesioner diolah menggunakan SmartPLS. Terdapat model penelitian yang didasarkan pada desain hipotesis yang diuji. Hasil penelitian menunjukkan bahwa manfaat yang diharapkan dan kurikulum e-learning memiliki hubungan positif dengan motivasi psikologis. Sementara itu, mitra pendidikan tidak memiliki hubungan positif dengan motivasi psikologis. Lebih lanjut, diketahui bahwa manfaat yang diharapkan memberikan dampak terbesar dalam mendukung motivasi psikologis mahasiswa. Motivasi psikologis merupakan hal yang penting terkait adaptasi teknologi baru dalam e-learning, karena merupakan faktor yang dapat meningkatkan keberhasilan penggunaan e-learning sebagai media pembelajaran. Temuan penelitian ini dapat dijadikan masukan bagi perguruan tinggi dalam meninjau konsep e-learning agar dapat diterima dengan baik oleh penggunanya.
Kata Kunci Industri, COVID-19, Pembelajaran Elektronik, Pandemi, Pendidikan, Kawasan Perkotaan, Psikologi
