PENGARUH POSITIVE SELF TALK THERAPY TERHADAP KECEMASAN PADA PENDERITA HIPERTENSI DI PUSKESMAS BABAKAN SARI KOTA BANDUNG
Keywords:
Hipertensi, Kecemasan, Positive Self Talk TherapyAbstract
Hipertensi adalah suatu kondisi ketika tekanan darah pada dinding arteri terlalu tinggi. Kecemasan adalah gangguan kesehatan jiwa yang paling banyak didapat di masyarakat yang berkaitan dengan hipertensi. Penanganan hipertensi bukan hanya terapi pengobatan atau terapi farmakologi namun juga dapat menggunakan terapi non-farmakologi. Positive self talk therapy dapat menjadi intervensi dalam penanganan kecemasan pada penderita hipertensi karena dengan berkomunikasi positif dengan diri sendiri dapat meningkatkan rasa percaya diri, membuat diri menjadi lebih positif dan mampu mengatasi situasi. Penelitian ini bertujuan untuk menganalisa pengaruh positive self talk therapy terhadap kecemasan pada penderita hipertensi di Puskesmas Babakan Sari Kota Bandung. Metode penelitian ini adalah penelitian eksperimen kuantitatif dengan desain penelitian one group pretest posttest. Teknik sampling yang digunakan yaitu purposive sampling dan jumlah sampel 25 responden. Analisis data menggunakan uji statistic non parametric Wilcoxon untuk melihat perbedaan pretest dan posttest dalam menentukan hasil intervensi. Hasil analisis data menunjukan bahwa terdapat perbedaan nilai sebelum dan setelah dilakukan intervensi dengan nilai p value = 0,001 (<0,05) yang artinya terdapat pengaruh positive self talk therapy terhadap kecemasan pada penderita hipertensi di Puskesmas Babakan Sari Kota Bandung. Hasil penelitian ini dapat dijadikan acuan dalam pemberian intervensi pada penderita hipertensi yang mengalami kecemasan dan dapat dijadikan sebagai bahan pertimbangan atau dapat dikembangkan lebih lanjut untuk melakukan penelitian mengenai faktor-faktor yang Mempengaruhi Keberhasilan Positive Self Talk Theray.
References
Azis, A. I. S., Suhartono, V., & Himawan, H. (2017). Model Multi-Class SVM Menggunakan Strategi 1V1 Untuk Klasifikasi Wall-Following Robot Navigation Data. 13, 18.
Barreto, G. de A., Neto, A. R. da R., & Filho, H. A. F. da M. (2011). Vertebral Column Data Set. UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/datasets/vertebral+column
Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization. Procedia Engineering, 53, 453–462.
Couceiro, M., & Ghamisi, P. (2016). Fractional Order Darwinian Particle Swarm Optimization: Applications and Evaluation of an Evolutionary Algorithm. Springer International Publishing. https://doi.org/10.1007/978-3-319-19635-0
Indrayuni, E. (2016). Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization. EVOLUSI: Jurnal Sains Dan Manajemen, 4(2).
Jamsa, K. (2021). Introduction to Data Mining and Analytics. Jones & Bartlett Learning LLC.
Jayadeva, Khemchandani, R., & Chandra, S. (2017). Twin Support Vector Machines (Vol. 659). Springer International Publishing. https://doi.org/10.1007/978-3-319-46186-1
Kantardzic, M. (2020). Data Mining Concept, Model, Method, and Algorithm (3rd ed.). Wiley-IEEE Press.
Lichtinghagen, R., Klawonn, H., & Hoffmann, G. (2020). HCV Data. UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/HCV+data
Listiana, E., & Muslim, M. A. (2017). PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE.
Liu, Y., Wen, K., Gao, Q., Gao, X., & Nie, F. (2018). SVM based multi-label learning with missing labels for image annotation. 78, 307–317. https://doi.org/10.1016/j.patcog.2018.01.022
Marques, J., & Jossinet, J. (2010). Breast Tissue Data Set. UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/datasets/breast+tissue#
Maurya, R., Singh, S. K., Maurya, A. K., & Kumar, A. (2014). GLCM and Multi Class Support Vector Machine based Automated Skin Cancer Classificaion. 2014 International Conference on Computing for Sustainable Global Development (INDIACom). https://doi.org/10.1109/IndiaCom.2014.6828177
Murty, M. N., & Raghava, R. (2016). Support Vector Machines and Perceptrons: Learning, Optimization, Classification, and Application to Social Networks. Springer International Publishing. https://doi.org/10.1007/978-3-319-41063-0
Nugroho, I. (2020). Perbandungan Prediksi Fasies Melalui Beberapa Machine Learning. Pertamina University.
Palechor, F. M., & Manotas, A. de la H. (2019). Estimation of Obesity Levels based on Eating Habits and Physical Condition Data Set. UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/datasets/Estimation+of+obesity+levels+based+on+eating+habits+and+physical+condition+
Prasetio, R. T. (2020). Genetic Algorithm to Optimize k-Nearest Neighbor Parameter for Benchmarked Medical Datasets Classification. Jurnal Online Informatika, 5(2), 153. https://doi.org/10.15575/join.v5i2.656
Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100–106. https://doi.org/10.31311/ji.v6i1.5176
Sucipto, Kusrini, & Taufiq, E. L. (2016). Classification Method of Multi-class on C4.5 Algorithm for Fish Diseases. 5.
Zarrin, P. S., & Roeckendorf, N. (2020). Exasens Data Set. UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/datasets/breast+tissue#
1.jpg){kind=small}
.png)
.png)
