Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Optimasi Klasifikasi Sentimen Komentar Pengguna Game Bergerak Menggunakan Svm, Grid Search dan Kombinasi N-Gram
Get PDFGame online telah menjadi fenomena budaya signifikan dalam industri yang berkembang pesat. Pengguna dan pengembang game menggunakan analisis sentimen untuk memahami opini dan ulasan pemain, yang membantu dalam pengembangan dan peningkatan game. Penelitian ini melakukan klasifikasi sentimen menggunakan algoritma Support Vector Machine (SVM) dengan penerapan teknik N-Gram untuk seleksi fitur. Grid Search (GS) digunakan untuk optimasi hyperparameter guna mencapai akurasi optimal. Eksperimen dilakukan dengan berbagai skenario, termasuk variasi jumlah data, pengaturan hyperparameter, rasio dataset pelatihan dan pengujian, serta konfigurasi N-Gram. Kinerja model dinilai menggunakan metrik seperti Akurasi, Presisi, Recall, dan Area di Bawah Kurva ROC (AUC). Hasil menunjukkan bahwa dengan dataset gabungan (Allgame) dan integrasi fitur seleksi N-Gram Unigram, Bigram, dan Trigram (UniBiTri), model ini mencapai akurasi 87,3%, presisi 88,5%, recall 85,5%, dan AUC 0,9081, menggunakan kernel Fungsi Basis Radial (RBF) dengan validasi silang k-fold (k=10).
Abstract
Online gaming has become a significant cultural phenomenon within a rapidly expanding industry. Game users and developers leverage sentiment analysis to understand player opinions and reviews, which subsequently guide game development and enhancements. In this study, sentiment classification was performed using the Support Vector Machine (SVM) algorithm, employing N-Gram techniques for feature selection. Grid Search (GS) was utilized for hyperparameter optimization to achieve the highest possible accuracy. To evaluate the impact of these methods, experiments were conducted across various scenarios, including different data quantities, hyperparameter settings, training and testing dataset ratios, and N-Gram configurations. The performance of the classification model was assessed using metrics such as Accuracy, Precision, Recall, and the Area Under the ROC Curve (AUC). The results of the study indicate that by using 3600 rows from a combined dataset (Allgame) and integrating Unigram, Bigram, and Trigram (UniBiTri) N-Gram selection features, along with k-fold cross-validation (k=10) and the Radial Basis Function (RBF) kernel, the model effectively classifies user reviews. Specifically, the model achieved an accuracy of 87.3%, precision of 88.5%, recall of 85.5%, and an AUC of 0.9081.Game online telah menjadi fenomena budaya signifikan dalam industri yang berkembang pesat. Pengguna dan pengembang game menggunakan analisis sentimen untuk memahami opini dan ulasan pemain, yang membantu dalam pengembangan dan peningkatan game. Penelitian ini melakukan klasifikasi sentimen menggunakan algoritma Support Vector Machine (SVM) dengan penerapan teknik N-Gram untuk seleksi fitur. Grid Search (GS) digunakan untuk optimasi hyperparameter guna mencapai akurasi optimal. Eksperimen dilakukan dengan berbagai skenario, termasuk variasi jumlah data, pengaturan hyperparameter, rasio dataset pelatihan dan pengujian, serta konfigurasi N-Gram. Kinerja model dinilai menggunakan metrik seperti Akurasi, Presisi, Recall, dan Area di Bawah Kurva ROC (AUC). Hasil menunjukkan bahwa dengan dataset gabungan (Allgame) dan integrasi fitur seleksi N-Gram Unigram, Bigram, dan Trigram (UniBiTri), model ini mencapai akurasi 87,3%, presisi 88,5%, recall 85,5%, dan AUC 0,9081, menggunakan kernel Fungsi Basis Radial (RBF) dengan validasi silang k-fold (k=10).
Abstract
Online gaming has become a significant cultural phenomenon within a rapidly expanding industry. Game users and developers leverage sentiment analysis to understand player opinions and reviews, which subsequently guide game development and enhancements. In this study, sentiment classification was performed using the Support Vector Machine (SVM) algorithm, employing N-Gram techniques for feature selection. Grid Search (GS) was utilized for hyperparameter optimization to achieve the highest possible accuracy. To evaluate the impact of these methods, experiments were conducted across various scenarios, including different data quantities, hyperparameter settings, training and testing dataset ratios, and N-Gram configurations. The performance of the classification model was assessed using metrics such as Accuracy, Precision, Recall, and the Area Under the ROC Curve (AUC). The results of the study indicate that by using 3600 rows from a combined dataset (Allgame) and integrating Unigram, Bigram, and Trigram (UniBiTri) N-Gram selection features, along with k-fold cross-validation (k=10) and the Radial Basis Function (RBF) kernel, the model effectively classifies user reviews. Specifically, the model achieved an accuracy of 87.3%, precision of 88.5%, recall of 85.5%, and an AUC of 0.9081
Segmentasi Wilayah Terdampak Bencana Berdasarkan Fitur Geo-Posisi
Get PDFPenelitian ini memperkenalkan prototipe aplikasi segmentasi wilayah terdampak bencana (DAS-Apps) untuk melakukan segmentasi wilayah terdampak bencana berdasarkan fitur latitude dan longitude (geo-posisi). Aplikasi ini berfungsi untuk menyeleksi informasi bencana dari media sosial, data resmi pemerintah dari Badan Nasional Penanggulangan Bencana (BNPB), dan informasi bencana yang dikirimkan melalui DAS-Apps secara real-time. Daerah terdampak dipetakan berdasarkan data geo-posisi kemudian dihitung menggunakan metode Haversine Formula untuk menunjukkan peristiwa bencana terjadi dan seberapa jauh jangkauan bencana dirasakan. Pada penelitian ini, simulasi DAS-Apps dilakukan menggunakan dataset gempa (M ≥ 5.0) yang berasal dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) pada rentang bulan November dan Desember 2022 khusunya data bencana gempa bumi untuk wilayah Cianjur, Indonesia. Hasil pengujian menunjukkan bahwa prototipe DAS-Apps dapat melakukan proses segmentasi wilayah berdasarkan radius geo-posisi dari titik informasi bencana sehingga dapat diimplementasikan untuk untuk framework aplikasi tanggap darurat dan manajemen bencana pada penelitian selanjutnya.
Abstract
This research introduces a prototype Disaster-affected Area Segmentation Application (DAS-Apps) designed to perform segmentation of disaster-affected areas based on latitude and longitude features (geo-positioning). The application functions to filter disaster information from social media, official government data from Badan Nasional Penanggulangan Bencana (BNPB), and disaster information submitted in real-time through DAS-Apps. The affected areas are mapped based on geo-positioning data, and then calculated using the Haversine Formula method to indicate when and how far-reaching the disaster events are perceived. In this study, DAS-Apps simulations were conducted using earthquake datasets (magnitude ≥ 5.0) from the Meteorology, Climatology, and Geophysics Agency (BMKG) during the months of November and December 2022, specifically earthquake data for the Cianjur region, Indonesia. The test results indicate that the DAS-Apps prototype can successfully carry out the area segmentation process based on the geo-positioning radius from the disaster information point, making it suitable for implementation in emergency response and disaster management application frameworks in future research.Penelitian ini memperkenalkan prototipe aplikasi segmentasi wilayah terdampak bencana (DAS-Apps) untuk melakukan segmentasi wilayah terdampak bencana berdasarkan fitur latitude dan longitude (geo-posisi). Aplikasi ini berfungsi untuk menyeleksi informasi bencana dari media sosial, data resmi pemerintah dari Badan Nasional Penanggulangan Bencana (BNPB), dan informasi bencana yang dikirimkan melalui DAS-Apps secara real-time. Daerah terdampak dipetakan berdasarkan data geo-posisi kemudian dihitung menggunakan metode Haversine Formula untuk menunjukkan peristiwa bencana terjadi dan seberapa jauh jangkauan bencana dirasakan. Pada penelitian ini, simulasi DAS-Apps dilakukan menggunakan dataset gempa (M ≥ 5.0) yang berasal dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) pada rentang bulan November dan Desember 2022 khusunya data bencana gempa bumi untuk wilayah Cianjur, Indonesia. Hasil pengujian menunjukkan bahwa prototipe DAS-Apps dapat melakukan proses segmentasi wilayah berdasarkan radius geo-posisi dari titik informasi bencana sehingga dapat diimplementasikan untuk untuk framework aplikasi tanggap darurat dan manajemen bencana pada penelitian selanjutnya.
Abstract
This research introduces a prototype Disaster-affected Area Segmentation Application (DAS-Apps) designed to perform segmentation of disaster-affected areas based on latitude and longitude features (geo-positioning). The application functions to filter disaster information from social media, official government data from Badan Nasional Penanggulangan Bencana (BNPB), and disaster information submitted in real-time through DAS-Apps. The affected areas are mapped based on geo-positioning data, and then calculated using the Haversine Formula method to indicate when and how far-reaching the disaster events are perceived. In this study, DAS-Apps simulations were conducted using earthquake datasets (magnitude ≥ 5.0) from the Meteorology, Climatology, and Geophysics Agency (BMKG) during the months of November and December 2022, specifically earthquake data for the Cianjur region, Indonesia. The test results indicate that the DAS-Apps prototype can successfully carry out the area segmentation process based on the geo-positioning radius from the disaster information point, making it suitable for implementation in emergency response and disaster management application frameworks in future research
Analisis Kinerja Intrusion Detection System Berbasis Algoritma Random Forest Menggunakan Dataset Unbalanced Honeynet BSSN
Get PDFTeknologi dan sistem informasi yang semakin berkembang menjadikan ancaman siber juga semakin meningkat. Pada tahun 2023, Indonesia menduduki peringkat pertama sebagai negara dengan sumber serangan tertinggi. Untuk mengatasi permasalahan tersebut, Intrusion Detection System (IDS) dijadikan solusi di berbagai sistem pemerintahan, bekerja sama dengan Honeynet BSSN. Namun, IDS ini tidak bekerja maksimal untuk mendeteksi jenis serangan baru yang belum pernah terjadi sebelumnya (zero-day). Untuk meningkatkan performa IDS salah satunya dengan menggunakan machine learning. Pada penelitian ini, diusulkan desain IDS berbasis algoritma random forest menggunakan dataset CIC-ToN-IoT sebagai dataset whitelist dan dataset Honeynet BSSN sebagai dataset blacklist. Model mengklasifikasikan 10 (sepuluh) klasifikasi yaitu Benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), dan jenis serangan lainnya (other). Hasil analisis menunjukkan bahwa pemodelan IDS based on machine learning memiliki rata-rata nilai akurasi lebih dari 90%, nilai presisi 91%, nilai recall 90%, dan F1-score 90%. Untuk kelas klasifikasi dengan jumlah data support besar memiliki nilai presisi yang jauh lebih baik dibandingkan kelas klasifikasi dengan jumlah data support lebih sedikit. Dengan demikian, pemodelan machine learning yang dibuat dapat secara efektif dalam menganalisis berbagai serangan yang terjadi pada sistem informasi di Lingkungan Pemerintah terutama pada klasifikasi data dengan jumlah yang besar.
Abstract
As technology and information systems continue to develop, cyber threats also increase. In 2023, Indonesia will be ranked first as the country with the highest source of attacks. To overcome this problem, the Intrusion Detection System (IDS) is used as a solution in various government systems, in collaboration with Honeynet BSSN. However, this IDS doesn’t work optimally to detect new types of attacks that have never happened before (zero-day). One way to improve IDS performance is by using machine learning. In this research, we propose an IDS design based on a random forest algorithm with the CIC-ToN-IoT dataset as a whitelist dataset and the Honeynet BSSN dataset as a blacklist dataset. The model classifies 10 (ten) classifications, namely Benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), and other types of attacks. The analysis results show that IDS modeling based on machine learning has an average accuracy value of more than 90%, a precision value of 91%, a recall value of 90%, and an F1 score of 90%. For the classification of large amounts of data, the precision value is much better than for the classification of data with smaller amounts. Thus, the machine learning modeling created can effectively analyze various attacks that occur on information systems in the government environment, especially in the classification of large amounts of data.Teknologi dan sistem informasi yang semakin berkembang menjadikan ancaman siber juga semakin meningkat. Pada tahun 2023, Indonesia menduduki peringkat pertama sebagai negara dengan sumber serangan tertinggi. Untuk mengatasi permasalahan tersebut, Intrusion Detection System (IDS) dijadikan solusi di berbagai sistem pemerintahan, bekerja sama dengan Honeynet BSSN. Namun, IDS ini tidak bekerja maksimal untuk mendeteksi jenis serangan baru yang belum pernah terjadi sebelumnya (zero-day). Untuk meningkatkan performa IDS salah satunya dengan menggunakan machine learning. Pada penelitian ini, diusulkan desain IDS berbasis algoritma random forest menggunakan dataset CIC-ToN-IoT sebagai dataset whitelist dan dataset Honeynet BSSN sebagai dataset blacklist. Model mengklasifikasikan 10 (sepuluh) klasifikasi yaitu Benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), dan jenis serangan lainnya (other). Hasil analisis menunjukkan bahwa pemodelan IDS based on machine learning memiliki rata-rata nilai akurasi lebih dari 90%, nilai presisi 91%, nilai recall 90%, dan F1-score 90%. Untuk kelas klasifikasi dengan jumlah data support besar memiliki nilai presisi yang jauh lebih baik dibandingkan kelas klasifikasi dengan jumlah data support lebih sedikit. Dengan demikian, pemodelan machine learning yang dibuat dapat secara efektif dalam menganalisis berbagai serangan yang terjadi pada sistem informasi di Lingkungan Pemerintah terutama pada klasifikasi data dengan jumlah yang besar.
Abstract
As technology and information systems continue to develop, cyber threats also increase. In 2023, Indonesia will be ranked first as the country with the highest source of attacks. To overcome this problem, the Intrusion Detection System (IDS) is used as a solution in various government systems, in collaboration with Honeynet BSSN. However, this IDS doesn’t work optimally to detect new types of attacks that have never happened before (zero-day). One way to improve IDS performance is by using machine learning. In this research, we propose an IDS design based on a random forest algorithm with the CIC-ToN-IoT dataset as a whitelist dataset and the Honeynet BSSN dataset as a blacklist dataset. The model classifies 10 (ten) classifications, namely Benign, Information Leak, Malware, Trojan Activity, Information Gathering, APT, Exploit, Web Application Attack, Denial of Service (DoS), and other types of attacks. The analysis results show that IDS modeling based on machine learning has an average accuracy value of more than 90%, a precision value of 91%, a recall value of 90%, and an F1 score of 90%. For the classification of large amounts of data, the precision value is much better than for the classification of data with smaller amounts. Thus, the machine learning modeling created can effectively analyze various attacks that occur on information systems in the government environment, especially in the classification of large amounts of data
Penerapan Metode Weighted Product (WP) Dalam Sistem Pendukung Keputusan Penerimaan Karyawan Pada Dewata Store Fakfak
Get PDFPerekrutan karyawan penting bagi perusahaan untuk mendapatkan karyawan baru yang potensial guna mendukung produktivitas perusahaan. Dewata Store Fakfak merupakan perusahaan dagang yang melayani penjualan dan pembelian aneka kebutuhan masyarakat. Namun rekrutmen karyawan Dewata Store Fakfak masih dilakukan secara manual di mana pelamar masih membawa berkas secara langsung dan perusahaan sering kali kesulitan karena banyaknya calon karyawan sehingga proses rekrutmen masih membutuhkan waktu yang lama. Oleh karena itu, diperlukan suatu sistem penunjang pengambilan keputusan dengan menggunakan pendekatan solusi multi-kriteria dan metode Weighted Product (WP), di mana banyak kriteria yang perlu diperhatikan dalam pemilihan karyawan. Dalam mengimplementasikan metode WP untuk penentuan penerimaan karyawan di Dewata Store Fakfak melalui langkah berikut:(1) penentuan alternatif, (2) Penentuan Kriteria, (3) Penentuan tingkat kepentingan setiap kriteria, (4) Penentuan bobot, (5) Penentuan nilai setiap alternatif di setiap kriteria, (6) Penentuan kategori (cost/benefit) di setiap kriteria, (7) Melakukan normalisasi, (8) Menghitung nilai vektor S, (9) Menghitung nilai vektor S, dan (10) Melakukan perankingan. Penelitian ini ditentukan berdasarkan 9 (sembilan) kriteria yaitu wawancara, tes kepribadian, tes matematika, surat lamaran, CV, KTP, ijazah terakhir, SKCK dan surat kesehatan dengan 10 data sampel. Pada pengujian sistem, metode yang digunakan adalah black box testing, di mana keseluruhan pengujian berhasil dilakukan. Tujuan penelitian ini menghasilkan sebuah sistem pendukung keputusan dalam proses penerimaan karyawan baru di Dewata Store Fakfak. Hasil penelitian ini dimaksudkan untuk memudahkan pengambilan keputusan dalam mengidentifikasi karyawan berdasarkan kebutuhan dan kriteria Dewata Store Fakfak.
Abstract
Employee recruitment is important for companies to get potential new employees to support company productivity. Dewata Store Fakfak is a trading company that serves sales and purchases of various community needs. However, recruitment of Dewata Store Fakfak employees is still done manually where applicants still bring files directly and the company often has difficulties because of the large number of prospective employees so the recruitment process still takes a long time. Therefore, a decision support system is needed using a multi-criteria solution approach and the Weighted Product (WP) method, where many criteria need to be considered in employee selection. In implementing the WP method for determining employee recruitment at the Dewata Store Fakfak through the following steps:(1) determining alternatives, (2) Determining Criteria, (3) Determining the level of importance of each criterion, (4) Determining weights, (5) Determining the value of each alternative in each criterion, (6) Determining the category (cost/benefit) in each criterion, (7) Carrying out normalization, (8) Calculating the S vector value, (9) Calculating the S vector value, and (10) Ranking. This research was determined based on 9 (nine) criteria, namely interview, personality test, mathematics test, application letter, CV, KTP, latest diploma, SKCK and health certificate with 10 sample data. In system testing, the method used is black box testing, where the entire test is carried out successfully. The aim of this research is to produce a decision support system in the process of accepting new employees at Dewata Store Fakfak. The results of this research are intended to facilitate decision making in identifying employees based on the needs and criteria of Dewata Store Fakfak.Perekrutan karyawan penting bagi perusahaan untuk mendapatkan karyawan baru yang potensial guna mendukung produktivitas perusahaan. Dewata Store Fakfak merupakan perusahaan dagang yang melayani penjualan dan pembelian aneka kebutuhan masyarakat. Namun rekrutmen karyawan Dewata Store Fakfak masih dilakukan secara manual di mana pelamar masih membawa berkas secara langsung dan perusahaan sering kali kesulitan karena banyaknya calon karyawan sehingga proses rekrutmen masih membutuhkan waktu yang lama. Oleh karena itu, diperlukan suatu sistem penunjang pengambilan keputusan dengan menggunakan pendekatan solusi multi-kriteria dan metode Weighted Product (WP), di mana banyak kriteria yang perlu diperhatikan dalam pemilihan karyawan. Dalam mengimplementasikan metode WP untuk penentuan penerimaan karyawan di Dewata Store Fakfak melalui langkah berikut:(1) penentuan alternatif, (2) Penentuan Kriteria, (3) Penentuan tingkat kepentingan setiap kriteria, (4) Penentuan bobot, (5) Penentuan nilai setiap alternatif di setiap kriteria, (6) Penentuan kategori (cost/benefit) di setiap kriteria, (7) Melakukan normalisasi, (8) Menghitung nilai vektor S, (9) Menghitung nilai vektor S, dan (10) Melakukan perankingan. Penelitian ini ditentukan berdasarkan 9 (sembilan) kriteria yaitu wawancara, tes kepribadian, tes matematika, surat lamaran, CV, KTP, ijazah terakhir, SKCK dan surat kesehatan dengan 10 data sampel. Pada pengujian sistem, metode yang digunakan adalah black box testing, di mana keseluruhan pengujian berhasil dilakukan. Tujuan penelitian ini menghasilkan sebuah sistem pendukung keputusan dalam proses penerimaan karyawan baru di Dewata Store Fakfak. Hasil penelitian ini dimaksudkan untuk memudahkan pengambilan keputusan dalam mengidentifikasi karyawan berdasarkan kebutuhan dan kriteria Dewata Store Fakfak.
Abstract
Employee recruitment is important for companies to get potential new employees to support company productivity. Dewata Store Fakfak is a trading company that serves sales and purchases of various community needs. However, recruitment of Dewata Store Fakfak employees is still done manually where applicants still bring files directly and the company often has difficulties because of the large number of prospective employees so the recruitment process still takes a long time. Therefore, a decision support system is needed using a multi-criteria solution approach and the Weighted Product (WP) method, where many criteria need to be considered in employee selection. In implementing the WP method for determining employee recruitment at the Dewata Store Fakfak through the following steps:(1) determining alternatives, (2) Determining Criteria, (3) Determining the level of importance of each criterion, (4) Determining weights, (5) Determining the value of each alternative in each criterion, (6) Determining the category (cost/benefit) in each criterion, (7) Carrying out normalization, (8) Calculating the S vector value, (9) Calculating the S vector value, and (10) Ranking. This research was determined based on 9 (nine) criteria, namely interview, personality test, mathematics test, application letter, CV, KTP, latest diploma, SKCK and health certificate with 10 sample data. In system testing, the method used is black box testing, where the entire test is carried out successfully. The aim of this research is to produce a decision support system in the process of accepting new employees at Dewata Store Fakfak. The results of this research are intended to facilitate decision making in identifying employees based on the needs and criteria of Dewata Store Fakfak
Pemodelan Objek Budaya Keris Berbasis Semantic Web
Get PDFKeris merupakan objek budaya Indonesia yang tergolong belati, yaitu senjata ‘bermata dua’ yang bilahnya ada yang lurus dan yang luk. Keris memiliki data deskripsi, meliputi bilah, warangka, jejeran, mendhak, pendhok, ganja, pesi, dhapur, tangguh, pamor, fungsi dan kegunaan, tradisi perlakuan dan penilaian keris. Begitu luasnya deskripsi informasi dari objek keris, menuntut tersedianya suatu infrastruktur yang mendukung representasi pengetahuan objek keris. Salah satu pendekatan yang dapat dilakukan adalah dengan kerangka semantic web dan direpresentasikan dalam bentuk ontologi. Metode yang digunakan pada penelitian ini adalah on-to-knowledge. Tahapan dari metode ini adalah feasibility, kick-off, refinement, evaluasi, serta aplikasi dan evolusi. Tetapi dalam membangun ontologi keris hanya digunakan empat tahapan, sedangkan tahapan ke lima tidak digunakan. Feasibility adalah tahap uji kelayakan penelitian. Kick-off adalah tahapan permulaan penelitian. Refinement adalah tahapan membangun graf yang sempurna dengan aplikasi Protégé. Evaluasi adalah tahapan evaluasi logika ontologi, dengan menggunakan reasoner hermit dan DL query pada Protégé. Penelitian ini melaporkan hasil dari tahapan yang dilakukan dalam implementasi metode on-to-knowledge. Hasil akhir penelitian ini adalah representasi pengetahuan objek budaya keris berbasis OWL. Keris merupakan objek budaya Indonesia yang tergolong belati, yaitu senjata ‘bermata dua’ yang bilahnya ada yang lurus dan yang luk. Keris memiliki data deskripsi, meliputi bilah, warangka, jejeran, mendhak, pendhok, ganja, pesi, dhapur, tangguh, pamor, fungsi dan kegunaan, tradisi perlakuan dan penilaian keris. Begitu luasnya deskripsi informasi dari objek keris, menuntut tersedianya suatu infrastruktur yang mendukung representasi pengetahuan objek keris. Salah satu pendekatan yang dapat dilakukan adalah dengan kerangka semantic web dan direpresentasikan dalam bentuk ontologi. Metode yang digunakan pada penelitian ini adalah on-to-knowledge. Tahapan dari metode ini adalah feasibility, kick-off, refinement, evaluasi, serta aplikasi dan evolusi. Tetapi dalam membangun ontologi keris hanya digunakan empat tahapan, sedangkan tahapan ke lima tidak digunakan. Feasibility adalah tahap uji kelayakan penelitian. Kick-off adalah tahapan permulaan penelitian. Refinement adalah tahapan membangun graf yang sempurna dengan aplikasi Protégé. Evaluasi adalah tahapan evaluasi logika ontologi, dengan menggunakan reasoner hermit dan DL query pada Protégé. Penelitian ini melaporkan hasil dari tahapan yang dilakukan dalam implementasi metode on-to-knowledge. Hasil akhir penelitian ini adalah representasi pengetahuan objek budaya keris berbasis OWL.
Pengenalan Entitas Bernama Menggunakan Bi-LSTM pada Chatbot Bahasa Indonesia
Get PDFInstitusi publik perlu mengitegrasikan e-government ke dalam struktur pengelolaan mereka. Sistem pelayanan terpadu harus dapat menyelesaikan masalah yang dihadapi oleh pengguna layanan. Apabila sistem pelayanan terpadu hanya mengandalkan manusia, maka sistem pelayanan terpadu dapat terhambat. Chatbot adalah salah satu solusi untuk menggantikan peran manusia dalam sistem pelayanan terpadu. Salah satu komponen pada chatbot adalah pengenalan entitas bernama. Pada penelitian ini, pengenalan entitas bernama dilakukan dalam beberapa tahap. Tahapan-tahapan tersebut antara lain penghilangan noise, pelabelan data, pembuatan kamus kata dan label, encoding urutan dan pemisahan data, inisiasi model, dan pelatihan model. Model yang digunakan yakni bidirectional long-short term memory. Skor F1 terbaik yang didapat dari pengujian adalah 87,44% dengan hyperparameter jumlah layer sebanyak 2, hidden size sebanyak 100, dan learning rate sebesar 0,01. Kemudian, penambahan jumlah layer maupun hidden size kurang berpengaruh terhadap skor F1 yang dihasilkan oleh model. Learning rate memengaruhi seberapa cepat model mencapai solusi optimal.
Abstract
Public institutions must integrate e-government into their management structures. An integrated service system must be able to solve the problems faced by service users. If the integrated service system only relies on humans, then the integrated service system can be hampered. Chatbot is one of the solutions to replace the human role in an integrated service system. One component of the chatbot is named entity recognition. In this study, the named entity recognition was carried out in several stages. These stages include noise removal, data labeling, word and label dictionary creation, sequence encoding and data separation, model initiation, and model training. The model used is bidirectional long-short term memory. The best F1 score obtained from the test is 87.44% with hyperparameters of the number of layers of 2, hidden size of 100, and learning rate of 0.01. The addition of the number of layers and hidden size has little effect on the F1 score produced by the model. The learning rate affects how fast the model reaches the optimal solution.Institusi publik perlu mengitegrasikan e-government ke dalam struktur pengelolaan mereka. Sistem pelayanan terpadu harus dapat menyelesaikan masalah yang dihadapi oleh pengguna layanan. Apabila sistem pelayanan terpadu hanya mengandalkan manusia, maka sistem pelayanan terpadu dapat terhambat. Chatbot adalah salah satu solusi untuk menggantikan peran manusia dalam sistem pelayanan terpadu. Salah satu komponen pada chatbot adalah pengenalan entitas bernama. Pada penelitian ini, pengenalan entitas bernama dilakukan dalam beberapa tahap. Tahapan-tahapan tersebut antara lain penghilangan noise, pelabelan data, pembuatan kamus kata dan label, encoding urutan dan pemisahan data, inisiasi model, dan pelatihan model. Model yang digunakan yakni bidirectional long-short term memory. Skor F1 terbaik yang didapat dari pengujian adalah 87,44% dengan hyperparameter jumlah layer sebanyak 2, hidden size sebanyak 100, dan learning rate sebesar 0,01. Kemudian, penambahan jumlah layer maupun hidden size kurang berpengaruh terhadap skor F1 yang dihasilkan oleh model. Learning rate memengaruhi seberapa cepat model mencapai solusi optimal.
Abstract
Public institutions must integrate e-government into their management structures. An integrated service system must be able to solve the problems faced by service users. If the integrated service system only relies on humans, then the integrated service system can be hampered. Chatbot is one of the solutions to replace the human role in an integrated service system. One component of the chatbot is named entity recognition. In this study, the named entity recognition was carried out in several stages. These stages include noise removal, data labeling, word and label dictionary creation, sequence encoding and data separation, model initiation, and model training. The model used is bidirectional long-short term memory. The best F1 score obtained from the test is 87.44% with hyperparameters of the number of layers of 2, hidden size of 100, and learning rate of 0.01. The addition of the number of layers and hidden size has little effect on the F1 score produced by the model. The learning rate affects how fast the model reaches the optimal solution
Penerapan Blok SE-NET Pada Deep Learning Inceptionv3 untuk Meningkatkan Deteksi Penyakit Mpox pada Manusia
Get PDFMpox atau cacar monyet adalah penyakit yang disebabkan oleh virus monkeypox. Penelitian terdahulu membuktikan sudah tersedia beberapa pre-trained model yang terbukti mampu mendeteksi penyakit mpox dengan menggunakan dataset MSLD (Monkeypox Skin Lesion Dataset) seperti VGG16, ResNet50, InceptionV3, dan penggabungan ketiga model tersebut. Dari penelitian tersebut didapatkan hasil model InceptionV3 memiliki tingkat akurasi paling rendah dengan nilai 74.07% berbanding jauh dengan ResNet50 yang mampu hingga 82.96% dan menjadikannya akurasi tertinggi. Namun, terdapat peluang akurasi model InceptionV3 mampu ditingkatkan. Oleh sebab itu, pada penelitian diimplementasikan arsitektur baru dan penambahan blok SE-Net (Squeeze and Excitation Networks) pada pre-trained model InceptionV3. Untuk training dan evaluasi model akan menggunakan dataset MSLD. Penelitian ini dilaksanakan dengan harapan mampu meningkatkan akurasi pre-trained model InceptionV3 dalam mendeteksi penyakit mpox. Dari hasil penelitian berdasarkan nilai confusion matrix penerapan arsitektur baru berhasil dilakukan terbukti dengan peningkatan akurasi dari 74.07% menjadi 82.22%. Selain itu, penambahan blok SE-Net terhadap arsitektur baru terbukti mampu meningkatkan akurasi menjadi 91.11% dan menjadikan performa InceptionV3 menjadi lebih baik dari akurasi ResNet50. Dari hasil penelitian tersebut memberikan rekomendasi untuk melakukan percobaan dengan mengganti pre-trained model, blok SE-Net, dan jumlah perbandingan dataset antara train, validation, dan test.
Abstract
Mpox or monkeypox is a disease caused by the monkeypox virus. Previous research has proven that there are several pre-trained models that are proven to be able to detect mpox disease using MSLD (Monkeypox Skin Lesion Dataset) datasets such as VGG16, ResNet50, InceptionV3, and a combination of these three models. From this research, it was found that the InceptionV3 model has the lowest level of accuracy with a value of 74.07% compared to ResNet50 which is capable of up to 82.96% and makes it the highest accuracy. However, there is a chance that accuracy can be improved. Therefore, this research will apply a new architecture and SE-Net blocks to the InceptionV3 pre-trained model using the MSLD dataset. From the results of research based on the value of the confusion matrix the application of the new architecture was successfully carried out as evidenced by an increase in accuracy from 74.07% to 82.22%. In addition, the addition of the SE-Net block to the new architecture is proven to be able to increase accuracy to 91.11% and make InceptionV3\u27s performance better than ResNet50\u27s accuracy. The results of this study provide recommendations for conducting experiments by changing the pre-trained model, the SE-Net block, and the number of dataset comparisons between train, validation, and test.Mpox atau cacar monyet adalah penyakit yang disebabkan oleh virus monkeypox. Penelitian terdahulu membuktikan sudah tersedia beberapa pre-trained model yang terbukti mampu mendeteksi penyakit mpox dengan menggunakan dataset MSLD (Monkeypox Skin Lesion Dataset) seperti VGG16, ResNet50, InceptionV3, dan penggabungan ketiga model tersebut. Dari penelitian tersebut didapatkan hasil model InceptionV3 memiliki tingkat akurasi paling rendah dengan nilai 74.07% berbanding jauh dengan ResNet50 yang mampu hingga 82.96% dan menjadikannya akurasi tertinggi. Namun, terdapat peluang akurasi model InceptionV3 mampu ditingkatkan. Oleh sebab itu, pada penelitian diimplementasikan arsitektur baru dan penambahan blok SE-Net (Squeeze and Excitation Networks) pada pre-trained model InceptionV3. Untuk training dan evaluasi model akan menggunakan dataset MSLD. Penelitian ini dilaksanakan dengan harapan mampu meningkatkan akurasi pre-trained model InceptionV3 dalam mendeteksi penyakit mpox. Dari hasil penelitian berdasarkan nilai confusion matrix penerapan arsitektur baru berhasil dilakukan terbukti dengan peningkatan akurasi dari 74.07% menjadi 82.22%. Selain itu, penambahan blok SE-Net terhadap arsitektur baru terbukti mampu meningkatkan akurasi menjadi 91.11% dan menjadikan performa InceptionV3 menjadi lebih baik dari akurasi ResNet50. Dari hasil penelitian tersebut memberikan rekomendasi untuk melakukan percobaan dengan mengganti pre-trained model, blok SE-Net, dan jumlah perbandingan dataset antara train, validation, dan test.
Abstract
Mpox or monkeypox is a disease caused by the monkeypox virus. Previous research has proven that there are several pre-trained models that are proven to be able to detect mpox disease using MSLD (Monkeypox Skin Lesion Dataset) datasets such as VGG16, ResNet50, InceptionV3, and a combination of these three models. From this research, it was found that the InceptionV3 model has the lowest level of accuracy with a value of 74.07% compared to ResNet50 which is capable of up to 82.96% and makes it the highest accuracy. However, there is a chance that accuracy can be improved. Therefore, this research will apply a new architecture and SE-Net blocks to the InceptionV3 pre-trained model using the MSLD dataset. From the results of research based on the value of the confusion matrix the application of the new architecture was successfully carried out as evidenced by an increase in accuracy from 74.07% to 82.22%. In addition, the addition of the SE-Net block to the new architecture is proven to be able to increase accuracy to 91.11% and make InceptionV3\u27s performance better than ResNet50\u27s accuracy. The results of this study provide recommendations for conducting experiments by changing the pre-trained model, the SE-Net block, and the number of dataset comparisons between train, validation, and test
Penerapan Decision Tree dan Random Forest dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur
Get PDFMasalah kesehatan mental menjadi isu global yang sangat umum terjadi, termasuk perubahan suasana hati, perbedaan kepribadian, ketidakmampuan mengatasi masalah, serta mengisolasi diri dari keramaian. Berdasarkan data dari World Health Organization (WHO), gangguan kecemasan dan stres menjadi gangguan mental yang paling sering terjadi dari 970 juta kasus yang dilaporkan sepanjang tahun 2019. Stres telah banyak dikaitkan dengan tidur. Penelitian ini akan mengungkap hubungan kondisi tidur pada manusia dengan tingkat stres yang sedang diderita dengan 5 tingkatan: normal, stres ringan, stres sedang, stres tinggi, stres sangat tinggi. Data yang digunakan merupakan data kontinyu dengan 8 fitur: ‘sr’ (snoring rate), ‘rr’ (respiration rate), ‘t’ (body temperature), ‘lm’ (limb movement), ‘bo’ (blood oxygen), ‘rem’ (rapid eye movement), ‘sh’ (sleeping hours), dan ‘hr’ (heart rate). Setiap fitur memiliki rentang nilai yang tidak sama, sehingga dilakukan normalisasi untuk menyeragamkan rentang tersebut. Hyperparameter tuning dilakukan dengan teknik k-fold cross validation dan model dirancang dengan algoritma klasifikasi Decision Tree serta Random Forest. Hasilnya, 5 fitur: tingkat mendengkur, laju respirasi, pergerakan anggota tubuh termasuk bola mata, serta detak jantung saat tidur berbanding lurus dengan tingkat stres. Semakin tinggi nilai kelima fitur tersebut mengindikasikan tingkat stres yang lebih tinggi. Sedangkan dengan 3 fitur lainnya: suhu tubuh, kadar oksigen, dan waktu tidur memberikan hasil sebaliknya. Dengan kata lain, ketiga nilai tersebut berbanding terbalik dengan tingkat stres yang diderita. Model Decision Tree memiliki akurasi 0,99 dan Random Forest memiliki akurasi 1,0. Hasil penelitian ini diharapkan dapat memberikan insight bagi peneliti lain pada bidang yang sama dan dapat menjadi acuan dalam mendeteksi stres yang sedang diderita.
Abstract
Stress is often associated with sleep. This research aims to uncover the relationship between human sleep conditions and the level of stress experienced, categorized into five levels: not stressed, very mildly stressed, mildly stressed, highly stressed, and very highly stressed. The data used consists of continuous data with eight features: \u27snoring rate\u27 (snoring rate), \u27respiration rate\u27 (respiration rate), \u27body temperature\u27 (body temperature), \u27limb movement\u27 (limb movement), \u27blood oxygen\u27 (blood oxygen), \u27rapid eye movement\u27 (rapid eye movement), \u27sleep hours\u27 (sleep hours), and \u27heart rate\u27 (heart rate). Each feature has a different value range, so normalization is performed to standardize these ranges. Hyperparameter tuning is done using k-fold cross-validation, and the model is designed using the Decision Tree and Random Forest classification algorithms. The results show that five features: snoring rate, respiration rate, limb movement including eye movement, and heart rate during sleep are directly proportional to the level of stress. Higher values for these five features indicate higher levels of stress. On the other hand, the other three features: body temperature, blood oxygen level, and sleep hours yield the opposite results. In other words, the values of these three features are inversely proportional to the level of stress experienced. The Decision Tree model has an accuracy of 0.99, and the Random Forest model has an accuracy of 1.0. The results of this research are expected to provide insights for other researchers in the same field and can serve as a reference for detecting ongoing stress.Masalah kesehatan mental menjadi isu global yang sangat umum terjadi, termasuk perubahan suasana hati, perbedaan kepribadian, ketidakmampuan mengatasi masalah, serta mengisolasi diri dari keramaian. Berdasarkan data dari World Health Organization (WHO), gangguan kecemasan dan stres menjadi gangguan mental yang paling sering terjadi dari 970 juta kasus yang dilaporkan sepanjang tahun 2019. Stres telah banyak dikaitkan dengan tidur. Penelitian ini akan mengungkap hubungan kondisi tidur pada manusia dengan tingkat stres yang sedang diderita dengan 5 tingkatan: normal, stres ringan, stres sedang, stres tinggi, stres sangat tinggi. Data yang digunakan merupakan data kontinyu dengan 8 fitur: ‘sr’ (snoring rate), ‘rr’ (respiration rate), ‘t’ (body temperature), ‘lm’ (limb movement), ‘bo’ (blood oxygen), ‘rem’ (rapid eye movement), ‘sh’ (sleeping hours), dan ‘hr’ (heart rate). Setiap fitur memiliki rentang nilai yang tidak sama, sehingga dilakukan normalisasi untuk menyeragamkan rentang tersebut. Hyperparameter tuning dilakukan dengan teknik k-fold cross validation dan model dirancang dengan algoritma klasifikasi Decision Tree serta Random Forest. Hasilnya, 5 fitur: tingkat mendengkur, laju respirasi, pergerakan anggota tubuh termasuk bola mata, serta detak jantung saat tidur berbanding lurus dengan tingkat stres. Semakin tinggi nilai kelima fitur tersebut mengindikasikan tingkat stres yang lebih tinggi. Sedangkan dengan 3 fitur lainnya: suhu tubuh, kadar oksigen, dan waktu tidur memberikan hasil sebaliknya. Dengan kata lain, ketiga nilai tersebut berbanding terbalik dengan tingkat stres yang diderita. Model Decision Tree memiliki akurasi 0,99 dan Random Forest memiliki akurasi 1,0. Hasil penelitian ini diharapkan dapat memberikan insight bagi peneliti lain pada bidang yang sama dan dapat menjadi acuan dalam mendeteksi stres yang sedang diderita.
Abstract
Stress is often associated with sleep. This research aims to uncover the relationship between human sleep conditions and the level of stress experienced, categorized into five levels: not stressed, very mildly stressed, mildly stressed, highly stressed, and very highly stressed. The data used consists of continuous data with eight features: \u27snoring rate\u27 (snoring rate), \u27respiration rate\u27 (respiration rate), \u27body temperature\u27 (body temperature), \u27limb movement\u27 (limb movement), \u27blood oxygen\u27 (blood oxygen), \u27rapid eye movement\u27 (rapid eye movement), \u27sleep hours\u27 (sleep hours), and \u27heart rate\u27 (heart rate). Each feature has a different value range, so normalization is performed to standardize these ranges. Hyperparameter tuning is done using k-fold cross-validation, and the model is designed using the Decision Tree and Random Forest classification algorithms. The results show that five features: snoring rate, respiration rate, limb movement including eye movement, and heart rate during sleep are directly proportional to the level of stress. Higher values for these five features indicate higher levels of stress. On the other hand, the other three features: body temperature, blood oxygen level, and sleep hours yield the opposite results. In other words, the values of these three features are inversely proportional to the level of stress experienced. The Decision Tree model has an accuracy of 0.99, and the Random Forest model has an accuracy of 1.0. The results of this research are expected to provide insights for other researchers in the same field and can serve as a reference for detecting ongoing stress
Redesain Aplikasi Mobile Supervisi Observasi Kelas untuk Meningkatkan Tingkat Usability
Get PDFAplikasi LESON, yang kini berganti nama menjadi EDVISOR merupakan aplikasi berbasis mobile yang dikhususkan untuk merekam suasana pembelajaran dan mendukung kegiatan supervisi observasi kelas. Meskipun telah mengalami pembaharuan, pada penelitian sebelumnya mengungkapkan masih terdapat 24 permasalahan pada aplikasi yang perlu perbaikan dan pengembangan lebih lanjut. Metode Usability Testing dipilih untuk dapat mengidentifikasi permasalahan secara lebih mendalam dan memahami pengalaman pengguna dalam menggunakan aplikasi. Penelitian ini melibatkan 10 Mahasiswa dan 3 Dosen yang diberikan tugas khusus untuk menguji aplikasi. Pengujian dilakukan sebanyak 2 kali, yaitu sebelum dan setelah dilakukan perbaikan desain. Hasil observasi dan wawancara pada pengujian awal mengungkapkan adanya 42 permasalahan baru, yang kemudian menjadi dasar rekomendasi perbaikan desain. Perbaikan desain menghasilkan prototype yang mendekati hasil akhir dari aplikasi. Setelah perbaikan desain, prototype diuji kembali kepada pengguna yang sama dengan pengujian awal. Hasil pengujian menunjukkan peningkatan usability aplikasi, dengan peningkatan completion rate sebesar 13,19%, peningkatan efficiency sebesar 0,016 goals/sec, dan peningkatan satisfaction sebesar 1,21.
Abstract
The LESON application, now renamed EDVISOR, is a mobile-based application devoted to recording the learning atmosphere and supporting classroom observation supervision activities. Although it has undergone updates, previous research revealed that there are still 24 problems in the application that need further improvement and development. Usability Testing method was chosen to be able to identify problems more deeply and understand the user experience in using the application. This research involved 10 students and 3 lecturers who were given a special task to test the application. Testing was carried out twice, namely before and after design improvements were made. The results of observations and interviews in the initial test revealed 42 new problems, which then became the basis for recommendations for design improvements. Design improvements resulted in a prototype that was close to the final result of the application. After the design improvements, the prototype was tested again with the same users as the initial test. The test results showed an increase in application usability, with an increase in completion rate of 13.19%, an increase in efficiency of 0.016 goals/sec, and an increase in satisfaction of 1.21.Aplikasi LESON, yang kini berganti nama menjadi EDVISOR merupakan aplikasi berbasis mobile yang dikhususkan untuk merekam suasana pembelajaran dan mendukung kegiatan supervisi observasi kelas. Meskipun telah mengalami pembaharuan, pada penelitian sebelumnya mengungkapkan masih terdapat 24 permasalahan pada aplikasi yang perlu perbaikan dan pengembangan lebih lanjut. Metode Usability Testing dipilih untuk dapat mengidentifikasi permasalahan secara lebih mendalam dan memahami pengalaman pengguna dalam menggunakan aplikasi. Penelitian ini melibatkan 10 Mahasiswa dan 3 Dosen yang diberikan tugas khusus untuk menguji aplikasi. Pengujian dilakukan sebanyak 2 kali, yaitu sebelum dan setelah dilakukan perbaikan desain. Hasil observasi dan wawancara pada pengujian awal mengungkapkan adanya 42 permasalahan baru, yang kemudian menjadi dasar rekomendasi perbaikan desain. Perbaikan desain menghasilkan prototype yang mendekati hasil akhir dari aplikasi. Setelah perbaikan desain, prototype diuji kembali kepada pengguna yang sama dengan pengujian awal. Hasil pengujian menunjukkan peningkatan usability aplikasi, dengan peningkatan completion rate sebesar 13,19%, peningkatan efficiency sebesar 0,016 goals/sec, dan peningkatan satisfaction sebesar 1,21.
Abstract
The LESON application, now renamed EDVISOR, is a mobile-based application devoted to recording the learning atmosphere and supporting classroom observation supervision activities. Although it has undergone updates, previous research revealed that there are still 24 problems in the application that need further improvement and development. Usability Testing method was chosen to be able to identify problems more deeply and understand the user experience in using the application. This research involved 10 students and 3 lecturers who were given a special task to test the application. Testing was carried out twice, namely before and after design improvements were made. The results of observations and interviews in the initial test revealed 42 new problems, which then became the basis for recommendations for design improvements. Design improvements resulted in a prototype that was close to the final result of the application. After the design improvements, the prototype was tested again with the same users as the initial test. The test results showed an increase in application usability, with an increase in completion rate of 13.19%, an increase in efficiency of 0.016 goals/sec, and an increase in satisfaction of 1.21
Prediksi Detak Jantung Berbasis LSTM pada Raspberry Pi untuk Pemantauan Kesehatan Portabel
Get PDFPenyakit kardiovaskular atau cardiovascular disease (CVD) menduduki peringkat teratas penyebab kematian di dunia. Diperkirakan sekitar 17,9 juta jiwa meninggal akibat CVD pada tahun 2019, yang menyumbang sebanyak 32% dari seluruh kematian global. Penting untuk mendeteksi kelainan pada jantung sedini mungkin untuk mencegah kematian karena CVD. Peningkatan kesadaran tentang pentingnya pemantauan kesehatan diri sendiri telah mendorong perkembangan teknologi pemantauan kesehatan portabel. Dalam penelitian ini, kami mengusulkan model prediksi detak jantung berbasis Long Short-Term Memory (LSTM) dengan menggunakan fitur RR-Interval dan mengimplementasikan pada perangkat Raspberry Pi. Model berbasis LSTM merupakan salah satu jenis arsitektur jaringan saraf tiruan yang mampu menangani data berurutan dengan baik, sehingga sangat cocok untuk pemantauan dan prediksi detak jantung yang bersifat sekuensial. Raspberry Pi dikenal karena ukurannya yang kecil, harga yang terjangkau, kinerja yang andal, dan efisiensi komputasi yang baik. Raspberry Pi juga memungkinkan integrasi yang mudah dengan berbagai sensor, menjadikannya solusi yang cocok untuk pemantauan kesehatan yang portabel. Hasil penelitian ini menunjukkan bahwa model klasifikasi yang diusulkan memiliki kinerja yang baik dengan tingkat akurasi mencapai 96,66%. Implementasi inferensi pada Raspberry Pi juga menunjukkan performa yang baik, dengan waktu 4,82 detik untuk melakukan inferensi data sepanjang 100 detik, serta penggunaan memori sebesar 134,8MB.
Abstract
Cardiovascular diseases (CVDs) rank as the top cause of global death. An estimated 17.9 million people succumbed to CVDs in 2019, constituting 32% of all global deaths. Detecting heart abnormalities as early as possible is crucial to prevent CVD-related fatalities. The growing awareness of the importance of self-health monitoring has driven the development of portable health monitoring technologies. In this study, we propose a Long Short-Term Memory (LSTM)-based heart beat prediction model using RR-Interval as features and implement it on the Raspberry Pi device. LSTM models are a type of artificial neural network architecture known for their ability to handle sequential data effectively, making them highly suitable for sequential heart rate monitoring and prediction. The Raspberry Pi is renowned for its compact size, affordability, reliable performance, and efficient computational capabilities. It also enables seamless integration with various sensors, making it an ideal solution for portable health monitoring. This research show that the proposed classification model performs well, achieving an accuracy rate of 96.66%. The implementation of inference on the Raspberry Pi also demonstrates good performance, with an average inference time of 4.82 seconds for processing 100 data points and a memory usage of 134.8MB.Penyakit kardiovaskular atau cardiovascular disease (CVD) menduduki peringkat teratas penyebab kematian di dunia. Diperkirakan sekitar 17,9 juta jiwa meninggal akibat CVD pada tahun 2019, yang menyumbang sebanyak 32% dari seluruh kematian global. Penting untuk mendeteksi kelainan pada jantung sedini mungkin untuk mencegah kematian karena CVD. Peningkatan kesadaran tentang pentingnya pemantauan kesehatan diri sendiri telah mendorong perkembangan teknologi pemantauan kesehatan portabel. Dalam penelitian ini, kami mengusulkan model prediksi detak jantung berbasis Long Short-Term Memory (LSTM) dengan menggunakan fitur RR-Interval dan mengimplementasikan pada perangkat Raspberry Pi. Model berbasis LSTM merupakan salah satu jenis arsitektur jaringan saraf tiruan yang mampu menangani data berurutan dengan baik, sehingga sangat cocok untuk pemantauan dan prediksi detak jantung yang bersifat sekuensial. Raspberry Pi dikenal karena ukurannya yang kecil, harga yang terjangkau, kinerja yang andal, dan efisiensi komputasi yang baik. Raspberry Pi juga memungkinkan integrasi yang mudah dengan berbagai sensor, menjadikannya solusi yang cocok untuk pemantauan kesehatan yang portabel. Hasil penelitian ini menunjukkan bahwa model klasifikasi yang diusulkan memiliki kinerja yang baik dengan tingkat akurasi mencapai 96,66%. Implementasi inferensi pada Raspberry Pi juga menunjukkan performa yang baik, dengan waktu 4,82 detik untuk melakukan inferensi data sepanjang 100 detik, serta penggunaan memori sebesar 134,8MB.
Abstract
Cardiovascular diseases (CVDs) rank as the top cause of global death. An estimated 17.9 million people succumbed to CVDs in 2019, constituting 32% of all global deaths. Detecting heart abnormalities as early as possible is crucial to prevent CVD-related fatalities. The growing awareness of the importance of self-health monitoring has driven the development of portable health monitoring technologies. In this study, we propose a Long Short-Term Memory (LSTM)-based heart beat prediction model using RR-Interval as features and implement it on the Raspberry Pi device. LSTM models are a type of artificial neural network architecture known for their ability to handle sequential data effectively, making them highly suitable for sequential heart rate monitoring and prediction. The Raspberry Pi is renowned for its compact size, affordability, reliable performance, and efficient computational capabilities. It also enables seamless integration with various sensors, making it an ideal solution for portable health monitoring. This research show that the proposed classification model performs well, achieving an accuracy rate of 96.66%. The implementation of inference on the Raspberry Pi also demonstrates good performance, with an average inference time of 4.82 seconds for processing 100 data points and a memory usage of 134.8MB