Identifikasi bridge symptoms dengan network analisys menggunakan metode Gaussian Graphical Model (GGM) untuk menjelaskan komorbiditas depresi dan gangguan kecemasan umum

Saputri, Albyalita (2025) Identifikasi bridge symptoms dengan network analisys menggunakan metode Gaussian Graphical Model (GGM) untuk menjelaskan komorbiditas depresi dan gangguan kecemasan umum. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (168kB) | Preview
Preview	Text 2_abstrak.pdf Download (166kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (91kB) | Preview
Preview	Text 4_daftarisi.pdf Download (167kB) | Preview
Preview	Text 5_bab1.pdf Download (250kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (798kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (946kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (324kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (176kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Gangguan mental merupakan isu kesehatan yang semakin mendapat perhatian. Dua gangguan yang paling umum adalah depresi dan gangguan kecemasan, yang kerap muncul secara bersamaan (komorbiditas). Di Indonesia, sekitar 5,5% remaja mengalami komorbiditas, yang dapat meningkatkan risiko lebih tinggi. Oleh karena itu, penting untuk mengidentifikasi hubungan antar gejala yang saling berhubungan. Penelitian ini bertujuan untuk memodelkan struktur jaringan gejala depresi dan gangguan kecemasan umum menggunakan pendekatan Network Analysis dengan metode Gaussian Graphical Model (GGM). GGMmemanfaatkan matriks presisi untuk mengidentifikasi hubungan langsung antar gejala dengan mengontrol pengaruh variabel lainnya. Sampel dipilih sebanyak 187 responden yang mengisi instrumen PHQ-9 dan GAD-7. GGM yang dibangun selanjutnya dioptimalisasikan dengan EBICglasso juga menggunakan Bonferroni Correction dan Forward-search untuk menjaga akurasi model dan menghasilkan jaringan yang lebih stabil. Model yang optimal dipilih berdasarkan nilai Bayesian Information Criterion (BIC) terendah, yaitu GGM dengan EBICglasso yang menghasilkan BIC sebesar 1160.599. Analisis bridge symptom dilakukan menggunakan metrik Bridge Expected Influence (BEI) untuk mengidentifikasi gejala penghubung antar cluster yang memjelaskan komorbiditas. Hasil menunjukkan bahwa gejala GAD3 (BEI = 76), GAD7 (BEI = 120), GAD6 (BEI = 80), PHQ9 (BEI = 90), dan PHQ2 (BEI = 81) memiliki nilai BEI tertinggi dalam 5 cluster yang terbentuk. Identifikasi bridge symptoms dalam intervensi dapat membantu mengurangi kemungkinan komorbiditas, karena menghambat interaksi lintas gejala, sehingga mempercepat proses penyembuhan dan efektivitas pengobatan

Actions (login required)

View Item