Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Browsing Statistika Terapan (S2) by Author "Anindya Apriliyanti Pravitasari"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    Deteksi Penyakit COVID-19 Berdasarkan Citra X-Ray Dada Menggunakan Convolutional Neural Network dengan Transfer Learning Method
    (2022-05-21) DHITA DIANA DEWI; Jadi Suprijadi; Anindya Apriliyanti Pravitasari
    Penyakit COVID-19 adalah penyakit menular akut yang disebabkan oleh virus corona jenis baru. Penyakit ini menyerang sistem pernapasan secara akut dengan gejala seperti demam, kelelahan, batuk kering dan sesak napas. Gejala lainnya dapat berupa nyeri otot, produksi dahak, diare, dan sakit tenggorokan. Salah satu metode untuk mendeteksi COVID-19 adalah dengan menganalisis citra X-ray dada. Kelebihan dari penggunaan analisis citra X-ray dada adalah dapat menggambarkan paru-paru sepenuhnya serta lebih menghemat waktu dan biaya. Kelemahan dari analisis yang dilakukan oleh ahli radiologi adalah COVID-19 memiliki beberapa ciri-ciri yang mirip dengan pneumonia, sehingga menyulitkan ahli radiologi dalam membedakan COVID-19 dan pneumonia. AI yang menggunakan metode deep learning memainkan peran penting dalam bidang citra medis karena kemampuan fitur ekstraksinya yang sangat baik. Kelebihan dari deep learning adalah dapat menganalisis data yang banyak dengan lebih akurat dan cepat, sehingga dapat mengurangi kesalahan dalam mendeteksi. Dengan teknik klasifikasi citra menggunakan input citra X-ray dada dapat diperoleh prediksi penyakit COVID-19 yang diderita pasien. Metode klasifikasi yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet, GoogLeNet, ResNet-50, dan VGG-16. ResNet-50 menunjukkan performa paling tinggi untuk metric akurasi yaitu 92% sedangkan AlexNet, GoogLeNet, dan VGG-16 masing-masing memiliki akurasi 80%, 90% dan 88%. Untuk 3 metric yang lain yaitu sensitivitas, spesifisitas dan KAI, ResNet-50 juga memiliki nilai paling tinggi, disusul oleh GoogLeNet, VGG-16 dan AlexNet. Dengan demikian,urutan performa arsitektur tersebut adalah ResNet-50, GoogLeNet, VGG-16, dan AlexNet.
  • No Thumbnail Available
    Item
    Interpolasi Spasial Curah Hujan di Pulau Sumatera dengan Metode Hybrid Neural Network Residual Kriging (NNRK)
    (2022-02-22) NOVERLINA PUTRI PERMATASARI; Jadi Suprijadi; Anindya Apriliyanti Pravitasari
    Pengukuran curah hujan merupakan hal yang penting dilakukan sebagai dasar tersedianya data curah hujan yang tepat waktu dan akurat. Ketersediaan data curah hujan sangat diperlukan oleh instansi, organisasi maupun masyarakat untuk melakukan perencanaan dan evaluasi dalam berbagai bidang. Pengukuran curah hujan dilakukan oleh Badan Meteorologi, Klimatologi dan Geofisika (BMKG) dengan periode harian pada stasiun klimatologi dan meteorologi BMKG yang tersebar di sejumlah wilayah di Indonesia. Namun, stasiun BMKG hanya terdapat pada beberapa kabupaten/kota yang menyebabkan data curah hujan BMKG tidak tersedia pada setiap kabupaten/kota di masing-masing provinsi. Sementara data curah hujan yang bersumber dari dinas setempat seringkali tidak tersedia tepat waktu. Data curah hujan pada kabupaten/kota yang tidak memilki stasiun BMKG dapat di prediksi melalui teknik interpolasi spasial kriging. Berdasarkan plot data curah hujan di wilayah Pulau Sumatera terhadap koordinat easting dan northing menunjukkan bahwa data curah hujan tidak stasioner atau memiliki tren, sehingga metode yang dapat digunakan adalah universal kriging atau regression kriging. Plot hubungan antar variabel menunjukkan bahwa beberapa variabel prediktor memiliki hubungan yang nonlinier dengan curah hujan di wilayah Pulau Sumatera. Hal ini menyebabkan metode regression kriging dengan menggunakan regresi linier tidak dapat digunakan. Oleh karena itu, dalam penelitian ini digunakan metode hybrid neural network kriging, yang mana metode neural network digunakan untuk memodelkan hubungan nonlinier antara curah hujan dengan variabel prediktornya, kemudian residual dari model neural network akan dijadikan input pada metode kriging untuk menginterpolasi curah hujan pada wilayah kabupaten/kota di Pulau Sumatera yang tidak memiliki stasiun BMKG.
  • No Thumbnail Available
    Item
    PEMODELAN GIZI BURUK BALITA USIA 0-59 BULAN MENGGUNAKAN BAYESIAN SEMIPARAMETRIC REGRESSION
    (2022-02-24) ROSA ROSMANAH; Yudhie Andriyana; Anindya Apriliyanti Pravitasari
    Gizi buruk pada balita disebabkan oleh rendahnya angka konsumsi energi dan protein dalam makanan sehari-hari. Rendahnya konsumsi energi dan protein tersebut dapat terjadi karena ketidakmampuan rumah tangga atau status sosial ekonomi, ketidaktahuan ibu tentang pemberian gizi yang baik untuk anak, serta pemberian ASI dan imunisasi. Unit analisis dalam penelitian ini adalah seluruh provinsi di Indonesia. Pemodelan gizi buruk balita dapat digunakan untuk mengetahui bagaimana pengaruh setiap variabel yang diteliti (explanatory variables) terhadap gizi buruk di Indonesia. Hasil eksplorasi awal pada data penelitian menunjukkan bahwa hubungan antara explanatory variables dan gizi buruk di Indonesia memiliki pola yang dapat di spesifikasikan secara linier maupun sulit untuk di spesifikasikan secara linier. Oleh karena itu, penelitian ini menggunakan model semiparametrik. Jika seorang peneliti tidak yakin akan nilai sebenarnya dari parameter yang akan di taksir dalam model, maka parameter tersebut dianggap sebagai variabel acak yang memiliki distribusi tertentu. Oleh karena itu, dalam penelitian ini menggunakan pendekatan bayesian untuk menaksir parameter dalam model semiparametrik, yaitu Bayesian Non and Semiparametric (BNSP). Hasil penaksiran parameter dalam model dapat digunakan untuk melihat bagaimana pengaruh setiap explanatory variables terhadap gizi buruk di Indonesia. Hasil penelitian menunjukkan bahwa imunisasi dasar lengkap dan variabel rata-rata lama sekolah (RLS) memiliki pengaruh yang negatif terhadap gizi buruk, sehingga semakin banyak balita yang mendapatkan imunisasi dasar lengkap dan semakin berpendidikan penduduk di suatu wilayah maka kejadian gizi buruk dapat diturunkan. Hasil penelitian ini juga menemukan bahwa berat badan lahir rendah (BBLR) dan pemberian ASI eksklusif tidak memiliki pengaruh terhadap gizi buruk. Hal ini dapat terjadi karena gizi buruk dapat dicegah dengan perbaikan gizi balita meskipun saat lahir memiliki berat badan yang rendah, dan sebaliknya gizi buruk dapat terjadi pada masa balita meskipun di berikan ASI eksklusif saat berusia dibawah enam bulan. Variabel persentase penduduk miskin (PPM) memiliki pengaruh yang positif terhadap gizi buruk, dengan kata lain, semakin banyak penduduk miskin maka kejadian gizi buruk balita akan semakin meningkat. Hal ini terjadi karena penduduk miskin menyebabkan ketidakmampuan rumah tangga dalam memenuhi kebutuhan makanan, minuman, dan kesehatan balita dalam rumah tangga.