Judul Peneliti : Tren Dalam Topik Digital Health : Perbandingan Metode Latent
Dirichlet Allocation Dan Pachinko Allocation Model
Kode/Nama Rumpun Ilmu : Teknik Informatika
Bidang Unggulan PT : Teknologi Informasi dan Komunikasi
Topik Unggulan : Digital Health
Dosen Pembimbing UMB
a. Nama Lengkap : Dr. Puji Rahayu, M.Kom
b. NIDN : 0319087701
c. Jabatan Fungsional : Lektor
d. Program Studi : Sistem Informasi
e. Nomor HP : 081219496800
f. Alamat Surel (e-mail) : puji.rahayu@mercubuana.ac.id
Ketua Mahasiswa 1
a. Nama Lengkap : Erlin Setyowati
b. NIM : 41819010048
Anggota Mahasiswa 2
a. Nama Lengkap : Alfredo Julian Saputra
b. NIM : 41518110059
Anggota Mahasiswa 3
a. Nama Lengkap : Afni Tazkiyatul Misky
b. NIM : 41518110172
Anggota Mahasiswa 4
a. Nama Lengkap : Erika Nurmaida Sitio
b. NIM : 41518110001
Anggota Mahasiswa 5
a. Nama Lengkap : Khansha Nafi’ Rasyidatus Sholehah
b. NIM : 41518110152
Menyetujui
COVER............................................................................................................................................i
HALAMAN PENGESAHAN PROPOSAL PENELITIAN KERJASAMA DALAM NEGERI.......ii
IDENTITAS DAN URAIAN UMUM............................................................................................iii
DAFTAR ISI...................................................................................................................................v
DAFTAR GAMBAR......................................................................................................................vi
DAFTAR TABEL.........................................................................................................................vii
RINGKASAN...............................................................................................................................viii
PENDAHULUAN................................................................................................................1
RENCANA INDUK PENELITIAN (RIP)............................................................................3
TINJAUAN PUSTAKA.....................................................................................................5
METODE PENELITIAN...................................................................................................7
RENCANA PELAKSANAAN KERJASAMA PENELITIAN.............................................9
BIAYA DAN JADWAL PENELITIAN...........................................................................10
DAFTAR PUSTAKA....................................................................................................................11
LAMPIRAN..................................................................................................................................12
1. Dukungan sarana dan prasarana Penelitian
2. Susunan organisasi tim peneliti dan pembagian tugas
3. Biodata ketua dan anggota
4. Surat pernyataan ketua peneliti
5. Surat pernyataan Luaran Penelitian Dasar & Terapan
6. Lembar revisi seminar usulan
v
DAFTAR GAMBAR
vi
DAFTAR TABEL
vii
RINGKASAN
Dengan adanya penelitian yang dilakukan terhadap wanita hamil dengan tingkat komplikasi tinggi, hasil
dari penelitian tersebut membuktikan terdapat paling tidak enam rekomendasi implementasi digital
health yang memiliki kemungkinan untuk menggantikan perawatan secara klinis [1]. Jika penggunaan
teknologi pada yang diterapkan digital health tepat, maka hal tersebut akan sangat membantu banyak
masyarakat. Latent Dirichlet Allocation dan Pachinko Allocation Model merupakan metode yang dapat
digunakan dalam pemetaan topik. Oleh karena itu, maka penulis memutuskan untuk membuat
perbandingan dari kedua metode tersebut dengan tujuan memetakan fungsi dalam bidang digital health
beserta teknologi yang digunakan dengan harapan dapat membantu pengembang, peneliti serta tenaga
kesehatan memberikan insight mengenai teknologi digital health.
Konsep digital health yang mulai dirasakan manfaatnya oleh masyarakat terutama pada masa pandemi
ini, membuktikan bahwa penelitian mengenai digital health harus terus dilakukan, bentuk dari
implementasi digital health sangat beragam, sehingga memerlukan pemetaan topik terhadap teknologi
digital health. Metode Latent Dirichlet Allocation dan Pachinko Allocation Model merupakan metode
yang dapat digunakan untuk melakukan pemetaan topik atau topic modelling yang diperlukan untuk
memetakan teknologi digital health. Berdasarkan pemaparan diatas, penulis mengangkat judul
“Perbandingan Metode Latent Dirichlet Allocation dan Pachinko Allocation Model pada Klasifikasi
Topik Digital Health”.
Kata kunci: kajian literatur, Metode Latent Dirichlet Allocation, Pachinko Allocation.
viii
PENDAHULUAN
1. Latar belakang
Di masa pandemi ini, masyarakat memerlukan lebih banyak penelitian yang mengarah pada di
gitalisasi khususnya pada bidang kesehatan dengan konteks digital health. Digital Health meru
pakan teknologi yang diciptakan atau dibuat dengan tujuan mengatasi masalah dalam bidang k
esehatan, digital health atau dapat disebut dengan tele kesehatan dapat diartikan sebagai layana
n kesehatan jarak jauh yang memanfaatkan teknologi informasi dan komunikasi [9]. Digital he
alth akan sangat diperlukan untuk mengatasi masalah yang relevan dengan kebutuhan masyara
kat saat ini. Hal ini dibuktikan dengan adanya penelitian yang dilakukan terhadap wanita hamil
dengan tingkat komplikasi tinggi, hasil dari penelitian tersebut membuktikan terdapat paling ti
dak 6 rekomendasi implementasi digital health yang memiliki kemungkinan untuk menggantik
an perawatan secara klinis [1]. Selain itu, penelitian lain juga dilakukan oleh Departemen Veter
an Amerika Serikat, berdasarkan penelitian tersebut disimpulkan bahwa digital health dapat m
enghemat waktu kunjungan sebesar rata-rata 142 menit dan jarak 233 kilometer serta menghem
at biaya sekitar 70 USD per kunjungan [2].
Penggunaan digital health selalu meningkat setiap tahunnya dan banyak layanan kesehatan di d
unia yang telah menggunakannya [1]. Implementasi dari digital health pada bidang kesehatan s
udah banyak bentuknya, beberapa fungsinya dapat dilihat di tabel 2.1
Fungsi Deskripsi
Perawatan Penggunaan alat, prosedur atau rejimen seperti obat, operasi atau
olahraga dengan tujuan mencoba menyembuhkan atau mengurani
penyakit.
Fungsi digital health diatas tentunya terwujud dengan adanya teknologi informasi, contohnya a
danya penggunaan Machine Learning pada sistem informasi bidang kesehatan atau Artificial I
ntelligence untuk melakukan scanning penyakit, Internet of Things untuk membuat alat pengob
atan, dan sebagainya. Jika penggunaan teknologi pada yang diterapkan digital health tepat, ma
ka hal tersebut akan sangat membantu banyak masyarakat. Akan tetapi, beragamnya teknologi
pada implementasi digital health membuat pengembang kesulitan menentukan penelitian apa y
ang akan diambil, bagaimana menentukan tingkat relevansi dan kepopuleran sebuah topik yang
berkaitan dengan digital health.
Topic modelling merupakan suatu pendekatan yang digunakan untuk melakukan analisa pada k
umpulan dokumen dan mengelompokan topik yang ada pada sekumpulan dokumen tersebut
[3]. Latent Dirichlet Allocation dan Pachinko Allocation Model merupakan metode yang dapat
digunakan dalam pemetaan topik. Latent Dirichlet Allocation adalah sebuah model probabilisti
k generatif untuk data seperti teks corpus. Pachinko Allocation Model adalah bentuk improvisa
si dari metode Latent Dirichlet Allocation. Oleh karena itu, maka penulis memutuskan untuk m
embuat perbandingan dari kedua metode tersebut dengan tujuan memetakan fungsi dalam bida
ng digital health beserta teknologi yang digunakan dengan harapan dapat membantu pengemb
ang, peneliti serta tenaga kesehatan memberikan insight mengenai teknologi digital health.
Konsep digital health yang mulai dirasakan manfaatnya oleh masyarakat terutama pada masa p
andemi ini, membuktikan bahwa penelitian mengenai digital health harus terus dilakukan, bent
uk dari implementasi digital health sangat beragam, sehingga memerlukan pemetaan topik terh
adap teknologi digital health. Metode Latent Dirichlet Allocation dan Pachinko Allocation Mo
del merupakan metode yang dapat digunakan untuk melakukan pemetaan topik atau topic mod
elling yang diperlukan untuk memetakan teknologi digital health. Berdasarkan pemaparan diat
as, penulis mengangkat judul “Perbandingan Metode Latent Dirichlet Allocation dan Pachinko
Allocation Model pada Klasifikasi Topik Digital Health”.
Berdasarkan latar belakang diatas, maka penulis menentukan rumusan masalah sebagai berikut :
1. Apakah metode Latent Dirichlet Allocation dan Pachinko Allocation Model dapat digunaka
n untuk memetakan fungsi dan teknologi digital health?
2. Bagaimana cara membandingkan metode Latent Dirichlet Allocation dan Pachinko Allocat
ion Model pada pemodelan topik fungsi dan teknologi di bidang digital health?
1.3.1 Tujuan
a. Mengetahui apakah metode Latent Dirichlet Allocation dan Pachinko Allocation Mod
el dapat digunakan untuk melakukan pemetaan fungsi dan teknologi digital health.
b. Memaparkan perbandingan pemetaan fungsi dan teknologi untuk penelitian pada bida
ng digital health menggunakan metode Latent Dirichlet Allocation dan Pachinko Allo
cation Model.
1.3.2 Manfaat
a. Mengetahui akurasi dan perbedaan metode yang digunakan untuk klasifikasi apaka
h dapat diterapkan dalam melakukan klasifikasi teknologi digital health,
b. Membantu pengembang dalam bidang kesehatan dalam menentukan topik yang aka
n digunakan untuk penelitian mengenai digital health.
1.4.1 Data
Data yang akan digunakan merupakan data dengan tipe unsupervised atau tidak berlabel, d
ata berupa dokumen berbentuk teks yang akan diambil dari repositori jurnal dengan kata k
unci digital health, e-health, modern health, tele kesehatan, digitalisasi kesehatan, telemed
is, sistem diagnosa, health diagnose system, pencegahan penyakit, disease prevention, digi
tal health lifestyle, digital health treatment, Internet of Things, Artificial Intelligence, Com
puter Science in Digital Health, dan lain-lain.
1.4.2 Metodologi
Metode yang penulis bahas disini ada dua, yaitu Latent Dirichlet Allocation serta Pachink
o Allocation Model, karena keterbatasan penulis, metode selain dua metode yang sudah dis
ebutkan tidak penulis bahas dalam tulisan ini.
1.4.3 Hasil
Hasil dari penelitian berupa tren pemetaan topik, akurasi dan perbandingan dari metode ya
ng digunakan terhadap topik dalam bidang digital health.
Penelitian 1
Topic modelling Penelitian Dosen JPTEI UNY pada Google
Judul Artikel
Scholar menggunakan Latent Dirichlet Allocation [3]
Penulis Akhsin Nurlayli dan Moch. Ari Nasichuddin
Nama Jurnal ELINVO (Electronics, Informatics, and Vocational Education)
Tahun, halaman November 2019; 4(2):154-161
Tujuan penelitian ini adalah untuk mengimplementasikan topic
modelling pada judul publikasi dari dosen Jurusan Pendidikan
Tujuan Penelitian
Teknik Elektronika dan Informatika (JPTEI UNY) yang diambil
dari Google Scholar.
Hipotesis Kata-kata apa saja yang digunakan untuk penelitian, dan apa
/Pertanyaan saja topik yang sering dibahas oleh dosen Jurusan Pendidikan
Penelitian Teknik Elektronika dan Informatika?
Demografi Dataset yang digunakan adalah data dengan format .csv yang
Populasi dan diambil dari 909 judul publikasi pada akun dosen Jurusan
Sampel/ Penyiapan Pendidikan Teknik Elektronika dan Informatika Universitas
data Negeri Yogyakarta (JPTEI UNY) pada Google Scholar.
Metode Pengambilan data menggunakan teknik scrapping yang dibantu
Pengambilan oleh ekstensi Google Chrome bernama Web Scrapper.
Data/Sampel
Metode penelitian yang digunakan adalah Latent Dirichlet
Metode Penelitian
Allocation pada data twitter.
Hasil paling optimum adalah pengelompokan data judul
penelitian menjadi empat kluster atau topik. Dapat disimpulkan
bahwa topik penelitian dosen JPTEI UNY adalah tentang
pendidikan vokasi, pengembangan system, media pembelajaran,
Hasil dan Bahasan
dan sistem pembelajaran di SMK. Jumlah penelitian dosen
JPTEI UNY paling banyak adalah pada kluster pendidikan
vokasi dan paling sedikit adalah pada kluster sistem
pembelajaran di SMK.
LDA telah menjadi algoritma yang baik dalam pemodelan topik
Kesimpulan dan telah dibuktikan pada beberapa penelitian terkait pemodelan
topik.
Penelitian ini menjelaskan bagaimana alur kerja LDA dengan
Keunggulan
sederhana namun mudah dipahami.
Kelemahan dalam penelitian tersebut adalah belum adanya
pendekatan khusus untuk teks tidak berbahasa Indonesia pada
Kekurangan
proses preprocessing. Sehingga untuk penelitian selanjutnya,
diperlukan optimalisasi pada data preprocessing
Table 4. 1 Review Jurnal Topic modelling Penelitian Dosen JPTEI UNY pada Google Sch
olar menggunakan Latent Dirichlet Allocation
Penelitian 2
Analisis Data Ulasan Wedding Planning Industry Di Provinsi
Judul Artikel Bali Menggunakan Metode Latent Dirichlet Allocation Pada E-
Commerce Bridestory
Penulis Andika Putra Maulidan Anhar, Krishna Kusumahadi
Nama Jurnal e-Proceeding of Management
Tahun, halaman Vol.8, No.1 Februari 2021 | Page 1
Penelitian ini bertujuan untuk mendapatkan consumer insight
Tujuan Penelitian
terdahap industri wedding planning di Provinsi Bali.
Hipotesis Industri pernikahan di Provinsi Bali dituntut meningkatkan
/Pertanyaan manajemen layanan yang diberikan dalam menyukseskan acara
Penelitian pernikahan di Provinsi Bali.
Demografi Situs layanan jasa pernikahan Bridestory.
Populasi dan
Sampel/ Penyiapan
data
Metode Pengambilan data dilakukan dengan web scrapping.
Pengambilan
Data/Sampel
Metode penelitian yang digunakan adalah Latent Dirichlet
Metode Penelitian
Allocation pada situs Bridestory.
Hasil penelitian menunjukkan 7 topik utama dari data
Hasil dan Bahasan berbahasa Inggris dan 7 topik utama dari data berbahasa
Indonesia.
Jumlah topik terbaik berdasarkan coherence score terhadap 693
data berbahasa Inggris adalah 7 topik dengan nilai coherence
Kesimpulan score 0,05957 sedangkan jumlah topik terbaik berdasarkan
coherence score terhadap 326 data berbahasa Indonesia adalah
7 topik dengan nilai coherence score 0.08319.
Penelitian ini memudahkan pembaca dalam memahami alur
Keunggulan
pada proses LDA.
Tidak ada visualisasi hasil yang memudahkan pembaca dalam
Kekurangan
memahami hasil penelitian.
Table 4. 2 Review Jurnal Analisis Data Ulasan Wedding Planning Industry Di Provinsi B
ali Menggunakan Metode Latent Dirichlet Allocation Pada E-Commerce Bridestory
Penelitian 3
Topic modelling Skripsi Menggunakan Metode Latent
Judul Artikel
Dirichlet Allocation [5]
Penulis Alif Iffan Alfanzar, Khalid, Indri Sudanawati Rozas
Nama Jurnal Jurnal Sistem Informasi
Tahun, halaman Vol. 7 | No.1 | Maret 2020 | 7-13
Untuk melihat tren dan kesuaian minat pada Program Studi
Tujuan Penelitian
Sastra Inggris UINSA.
Hipotesis Ditemukan permasalahan bahwa belum ada yang melakukan
/Pertanyaan clustering pada topik skripsi mahasiswa.
Penelitian
Demografi Data abstract skripsi Program Studi Sastra Inggris Universitas
Populasi dan Islam Negeri Sunan Ampel Surabaya (UINSA)
Sampel/ Penyiapan
data
Metode Metode Bag of Word
Pengambilan
Data/Sampel
Metode penelitian yang digunakan adalah Latent Dirichlet
Metode Penelitian
Allocation pada data skripsi.
Hasil analisis tersebut dapat dilihat bahwa dalam pemodelan
Hasil dan Bahasan dengan jumlah topik 3, terdapat 2 topik yang merupakan
pecahan bagian dari salah satu topik tersebut.
Hasil cluster telah diverifikasi oleh pihak stakeholder Program
Studi Sastra Inggris (UINSA) bahwa kata-kata yang ada pada
Kesimpulan
topik cluster sesuai dengan pembagian topik menurut
konsentrasi pada Program Studi Sastra Inggris (UINSA).
Keunggulan Hasil penelitian sudah diverifikasi pihak stakeholder.
Kekurangan Belum ada visualisasi hasil dari pengelompokan kata.
Table 4. 3 Review Jurnal Topic modelling Skripsi Menggunakan Metode Latent Diriclhet
Allocation
Penelitian 4
Pachinko Prediction: A Bayesian method for event prediction
Judul Artikel
from social media data [6]
Jonathan Tukea, Andrew Nguyena, Mehwish Nasima, Drew
Penulis Mellorc, Asanga Wickramasinghec, Nigel Beana, Lewis
Mitchell
Nama Jurnal Information Processing & Management
Tahun, halaman Volume 57, Issue 2, March 2020, 102147
Tujuan penelitian ini untuk melakukan prediksi peristiwa
Tujuan Penelitian
kerusuhan di Australia dengan data dari sosial media.
Bagaimana seseorang memposting pada sosial media terkait
Hipotesis
dengan kerusuhan yang terjadi di Australia?
/Pertanyaan
Seberapa akurat setiap model (atau gabungannya) pada setiap
Penelitian
prediksi?
Demografi Data yang digunakan merupakan sekitar 350 juta data twitter
Populasi dan dari pertengahan 207 hingga awal 2018
Sampel/ Penyiapan
data
Metode Scrapping data menggunakan API public twitter
Pengambilan
Data/Sampel
Pachinko Prediction - Bayesian Model (Pachinko Allocation
Metode Penelitian
Model) pada data kerusuhan di twitter.
Hasil dari penelitian berupa grafik probabilitas tingkat
kerusuhan, dilihat dari grafiknya, Melbourne pada bulan Nov-
Hasil dan Bahasan
Jan merupakan kota dengan probabilitas kerusuhan tertinggi,
diikuti dengan Sydney.
Metode yang digunakan adalah metodenya dapat
Kesimpulan
diinterpretasikan untuk mendeteksi kerusuhan di Australia
Kontribusi dari metode yang digunakan adalah metodenya
dapat diinterpretasikan, dengan kemampuan baik menunjukkan
Keunggulan bukti dari prediksi mana secara eksplisit maupun memisahkan
komponen prediksi yang datang dari twitter dan kemungkinan
kepercayaan sebelumnya.
Metode yang digunakan diprediksi akan mengalami kesulitan
Kekurangan untuk mendeteksi kerusuhan yang yang berurusan dengan
beberapa tipe sub-populasi.
Table 4. 4 Review Jurnal Pachinko Prediction: A Bayesian method for event prediction fr
om social media data
Penelitian 5
Pachinko Allocation: DAG-Structured Mixture Models of
Judul Artikel
Topic Correlations [7]
Penulis Wei Li dan Andrew McCallum
Nama Jurnal J. of Machine Learning Research
Tahun, halaman 2008
Menunjukan peningkatan performansi dari PAM pada
klasifikasi dokumen, seperti keterhubungan kata kunci topik
Tujuan Penelitian
dan kemampuan untuk mendapatkan topik mikro pada dataset
yang besar.
Hipotesis Apakah PAM dapat melakukan klasifikasi lebih baik daripada
/Pertanyaan LDA?
Penelitian
Demografi Dataset 1 merupakan sekumpulan 4.000 dokumen yang berasal
Populasi dan dari Rexa, sebuah mesin pencarian paper riset. Dataset 2
Sampel/ Penyiapan merupakan 1.647 dokumen yang berasal dari NIPS absract
data dataset
Metode
Pengambilan
Data/Sampel Scrapping
Pachinko Allocaiton Model yang menggunakan DAG
Metode Penelitian
(Directed Acyclic Graph)
Hasil dari penelitian adalah peneliti menyajikan contoh topik
Hasil dan Bahasan yang ditemukan oleh PAM dan dibandingkan dengan metode
LDA
PAM menyediakan kemampuan yang lebih ekspresif yg
Kesimpulan mendukung struktur topik yang rumit dan mengadopsi asumsi
realistik.
Keunggulan Penelitian dilakukan dengan detail dan dijelaskan secara ilmiah
Kekurangan dari LDA dan PAM berada pada adanya
Kekurangan kemungkinan data yang tertahan, untuk masalah ini belum ada
solusinya di kedua metode
Table 4. 5 Review Jurnal Pachinko Allocation: DAG-Structured Mixture Models of Topic
Correlations
Penelitian 6
Discovering Computer Science Research Topic Trends using
Judul Artikel
Latent Dirichlet Allocation [8]
Kartika Rizqi Nastiti, Ahmad Fathan Hidayatullah, Ahmad R.
Penulis
Pratam
Nama Jurnal JOIN (Jurnal Online Informatika)
Tahun, halaman Volume 6 No.1 | June 2021: 17-24
Tujuan penelitian ini adalah menyediakan solusi untuk masalah
pencarian tren pada suatu bidang penelitian dengan melakukan
Tujuan Penelitian
pendekatan pemodelan topik pada data yang telah diperoleh
dari Google Scholar di tahun 2010-2019
Menemukan penelitian yang berkaitan melalui website
pencarian tidak selalu menyediakan tren penelitian pada
Hipotesis
periode waktu spesifik secara otomatis. Selain itu, peneliti
/Pertanyaan
harus mengklasifikasi dan mengidentifikasi secara manual dari
Penelitian
banyak paper penelitian ilimiah untuk mendapatkan tren
penelitian pada topik tertentu.
Demografi
Populasi dan
Sampel/ Penyiapan Dari informasi penelitian journal dari mesin pencarian jurnal
data ilmiah seperti Google Scholar, Scopus dan Crossref.
Metode Metode pengambilan data yang digunakan adalah scraping
Pengambilan menggunakan aplikasi berbasis desktop yaitu Harzings Publish
Data/Sampel atau Perish.
Metode yang digunakan adalah LDA atau Latent Dirichlet
Metode Penelitian
Allocation
Peneliti membuat suatu rekap yang disebut Word Cloud,
dimana semakin besar ukuran suatu kata/frasa pada Word
Cloud menunjukkan kata/frasa tersebut muncul lebih banyak
Hasil dan Bahasan daripada yang lain. Dilihat dari Word Cloud tersebut, dapat
dilihat bahwa topik Cloud Computing memiliki ukuran
terbesar, dan Sistem Informasi ada pada posisi
terbawah/terkecil.
Penelitian tersebut berhasil melakukan pemodelan topik pada
Kesimpulan literatur scholar yang ditulis menggunakan Bahasa Indonesia
pada bidang Computer Science dan Information Technology
Pemodelan yang dibuat oleh peneliti sudah menyediakan topik
bagus dalam periode waktu 10 tahun, selain itu peneliti
Keunggulan
menyediakan visualisasi topik dan distribusi kata menggunakan
Word Cloud.
Kekurangan Peneliti masih kesulitan untuk menentukan kelayakan topik
dikarenakan terdapat istilah yang masih belum tersebar secara
merata pada beberapa topik, selain itu distribusi kata untuk
setiap topik secara umum cenderung kurang berhubungan satu
sama lain.
Table 4. 6 Review Jurnal Discovering Computer Science Research Topic Trends using Lat
ent Dirichlet Allocation
Penelitian 7
Challenges and Recommendation in the Adoption of Digital
Judul Artikel
Health amidst Pandemic Covid-19: A Review
Penulis Puji Rahayu a,*, Mujiono Sadikin b, Normala Rahim
Nama Jurnal Global Journal Engineering Science and Management
Tahun, halaman 2021
Menemukan tantangan dan rekomendasi pada penerapan digital
Tujuan Penelitian
health ditengah pandemic Covid-19 di Asia Tenggara.
1.4.4 Apa fokus tantangan yang ada saat mengadopsi digital
Hipotesis health ditengah pandemi Covid-19 di Asia Tenggara?
/Pertanyaan 1.4.5 Rekomendasi digital health apa yang cocok untuk
Penelitian diadaptasi ditengah pandemic Covid-19 di Asia
Tenggara?
Demografi
Populasi dan
Sampel/ Penyiapan Data berupa jurnal, paper, dan bagian buku dari tahun 2019-
data 2020
Metode
Pengambilan
Data/Sampel Review Procedures
Metode Penelitian UNSW pattern
Tantangan digital health yang dialami oleh US dan Itali adalah
tertinggalnya sistem kesehatan yang mengadopsi solusi digital
karena selama ini alur kerja klinis dan insentif ekonomi
dibangun secara tatap muka. Dari sejarahnya, ada beberapa
Hasil dan Bahasan faktor yang membatasi penerapan tools seperti telemedicine,
yaitu legal framework yang belum sepenuhnya didesain untuk
kebutuhan sistem IT dibidang kesehatan, infrastruktur ICT
yang tidak memadai, sistem pembayaran dan reimbursement
yang sudah ketinggalan jaman.
Tantangan yang dihadapi dalam penerapan digital health
dimasa pandemic adalah security, privasi, etika, bias serta
kesenjangan di dunia digital.
Kesimpulan Teknologi digital health yang cocok digunakan untuk
menghadapi Covid-19 memerlukan koordinasi yang kuat
antara data, manusia serta system untuk memfasilitasi
kolaborasi tinggak dunia.
Penelitian ini berkontribusi pada ilmu pengetahuan,
pengalaman dan waktu untuk membantu masyarakat
Keunggulan
mempersiapkan diri untuk pandemic di masa depan secara lebih
baik.
Kekurangan -
Table 4. 7 Review Jurnal Challenges and Recommendation in the Adoption of Digital Hea
lth amidst Pandemic Covid-19: A Review
Pada tabel review jurnal penelitian 1-3 dan 6, jurnal tersebut membahas mengenai implem
entasi metode Latent Dirichlet Allocation, dari ke-empat jurnal tersebut, dapat disimpulka
n bahwa metode Latent Dirichlet Allocation merupakan metode yang paling popular dala
m topic modelling.
Tabel review jurnal penelitian ke-5 dan ke-6 membahas mengenai penggunaan metode Pa
chinko Allocation Model, dari kedua tabel tersebut dapat disimpulkan bahwa Pachinko All
ocation Model merupakan improvisasi dari metode Latent Dirichlet Allocation.
Tabel review ke-7 menyinggung tentang digital health, jurnal tersebut menyebutkan bahw
a masih ada tantangan dalam proses pengembangan digital health di Asia Tenggara. Adan
ya tantangan yang masih belum terjawab membuktikan bahwa penelitian mengenai digital
health masih memiliki peluang untuk pengembangan yang luas. Jurnal tersebut juga meny
ebutkan bahwa digital health memiliki potensi besar untuk membantu berkembangnya dun
ia kesehatan khususnya menghadapi pandemi.
BAB III
TINJAUAN PUSTAKA
Teknologi Digital
Pelaku UMKM meyakini bahwa penggunaan media digital, terutama untuk perdagangan
online, akan memberikan banyak manfaat (Baase 2013). Penerapan Teknologi Digital
dengan integrasi teknologi akan mengoptimalkan produksi (Gehrke et al. 2015). Selain itu
juga mengubah cara produksi dan pemasaran produk (Bédard-Maltais 2017). Pemasaran
dengan teknologi digital membutuhkan biaya yang lebih sedikit dibandingkan dengan cara
konvensional (Hood, Brady, and Dhanasri 2016). Berikut adalah tabel penjelasan manfaat
teknologi digital
Table III-1 Tabel Manfaat Teknologi Digital
fleksibel, dapat diubah secara instan, memiliki respon real-time terhadap kebiasaan
konsumen dan berbasis pengetahuan. Transformasi digital adalah “perubahan dalam semua
pekerjaan dan strategi penciptaan pendapatan, penerapan model manajemen yang fleksibel
melawan persaingan, dengan cepat memenuhi tuntutan yang berubah, proses menciptakan
kembali bisnis untuk mendigitalkan operasi dan merumuskan hubungan rantai pasokan yang
diperluas; penggunaan fungsional internet dalam desain, manufaktur, pemasaran, penjualan,
penyajian dan merupakan model manajemen berbasis data ” (Daniel et al, 2018).
Jenis penelitian yang akan dilakukan oleh penulis adalah penelitian eksperimen yang term
asuk pada metode penelitian kuantitatif.
Data yang kami gunakan adalah data sekunder yang merupakan dokumen berupa jurnal ya
ng diambil dari repositoria atau mesin pencarian jurnal dengan topik digital health dengan
rentang waktu penerbitan dari tahun 2016-2021. Prosedur pengumpulan datanya yaitu :
Kata kunci yang akan ditentukan merupakan kata kunci yang akan digunakan untuk m
encari data yang merupakan jurnal yang berkaitan dengan pertanyaan penelitian. Dala
m penelitian ini, bentuk kata kunci dapat berupa digital health, telekesehatan, e-health,
telemedis, dll.
Kata kunci yang sudah ditentukan digunakan untuk mencari jurnal pada mesin pencari
an jurnal seperti : Google Scholar, dll.
Seleksi data dilakukan untuk memilih jurnal yang memenuhi kriteria, parameter penen
tu jurnal yang memenuhi kriteria adalah :
2. Kelengkapan data,
Langkah ini merupakan pengumpulan data sekunder berupa dokumen yang ada pada r
epositoria atau mesin pencarian jurnal.
Setelah data dikumpulkan, data akan melalui preprocessing sebelum kemudian diguna
kan untuk penelitian, pre-processing yang akan dilakukan adalah pembersihan data ata
u normalisasi data berupa tokenization, stopword removal, dan stemming.
1.7.3 Penerapan metode Latent Dirichlet Allocation dan Pachinko Allocation Model
Penerapan metode LDA dan PAM pada data yang sudah dikumpulkan. Berikut adalah
gambaran alur pemetaan topik
1.7.4 Analisa hasil penerapan metode
Hasil penerapan metode diatas akan dikemas berupa table atau grafik agar pembaca le
bih mudah membaca hasil dari penerapan metode-metode tersebut.
Rencana pelaksanaan Kerjasama Penelitian tidak dilakukan dengan pihak lain. Rencana
pelaksanaan kerjasama dilakukan dalam waktu 2 semester, tahapan dan klaster durasi
penelitian di jelaskan dalam tabel berikut:
Durasi Penelitian Tahap Penelitian Keterangan
Sem 1 Perencanaan Melakukan studi literatur dari jurnal
terkait
Sem 2 Pengumpulan Mengumpulkan elektronik jurnal
data dari beberapa publisher terindeks
dari mesin pencarian jurnal.
Seleksi artikel jurnal.
Analisa Data dan Analisis hasil seleksi artikel jurnal.
Pre-pocessing Data akan melalui tahap
preprocessing. Pre-processing yang
akan dilakukan seperti pembersihan
data atau normalisasi data berupa
tokenization, stopword removal, dan
stemming.
Pemrosesan Data Penerapan metode LDA dan PAM
pada data yang sudah dikumpulkan.
Analisa Hasil Hasil pemrosesan data akan dikemas
berupa table atau grafik untuk
dianalisa.
Evaluasi Validasi dengan membandingkan
akurasi, efektifitas, serta
keberagaman topik yang ditangkap
oleh masing-masing metode.
Pelaporan Menyusun laporan penelitian dan
publikasi.
BIAYA DAN JADWAL PENELITIAN
Berikut di tabel VI-1 dan VI-2 dijabarkan rencana anggaran biaya dan jadwal penelitian ini.
1. Anggaran Biaya
Table VI-1 Ringkasan Anggaran Biaya diajukan
No Jenis Pengeluaran Biaya Penelitian (Rp 3.000.000 )
Bahan habis pakai dan peralatan: Rp 300.000
1
ATK dan penyewaan jurnal
Operasional: Sewa zoom dan Rp 750.000
2
pembelian kuota internet
Lain-lain: Biaya pendaftaran jurnal
3 Rp 2.000.000
dan biaya penyusunan laporan
Jumlah Rp 3.050.000
Waktu Kegiatan
NAMA Mei Juni Juli Agustus
NO
KEGIATAN
1 2 3 4 1 2 3 4 5 1 2 3 4 1 2 3 4
1 Menentuan topik
2 Melakukan studi
literatur
3 Membuat instrumen
penelitian
4 Mengumpulkan data
(observasi,
interview, analisis
dokumen)
5 Melaksanakan
Expert Judgment
untuk konfirmasi
hasil
6 Melakukan
publikasi/submisi
ke jurnal
DAFTAR PUSTAKA
[3] A. Nurlayli and M. A. Nasichuddin, “Topik Modeling Penelitian Dosen Jptei Uny Pada
Google Scholar Menggunakan Latent Dirichlet Allocation,” Elinvo (Electronics,
Informatics, Vocat. Educ., vol. 4, no. 2, pp. 154–161, 2019, doi:
10.21831/elinvo.v4i2.28254.
[6] J. Tuke et al., “Pachinko Prediction: A Bayesian method for event prediction from
social media data,” Inf. Process. Manag., vol. 57, no. 2, 2020, doi:
10.1016/j.ipm.2019.102147.
[10] M. Thompson, “The geographies of digital health – Digital therapeutic landscapes and
mobilities,” Heal. Place, vol. 70, no. May, p. 102610, 2021, doi:
10.1016/j.healthplace.2021.102610.
[11] A. Ahmed, R. Charate, N. V. K. Pothineni, S. K. Aedma, R. Gopinathannair, and D.
Lakkireddy, “Role of Digital Health During COVID-19 Pandemic and Future
Perspectives,” Card. Electrophysiol. Clin., 2021, doi: 10.1016/j.ccep.2021.10.013.
[12] D. M. Blei, A. Y. Ng, and M. T. Jordan, “Latent dirichlet allocation,” Adv. Neural Inf.
Process. Syst., no. July, 2002.