Article Per Year (5 Year)
p-Index From 2021 - 2026
2.042
P-Index
This Author published in this journals
All Journal Journal of Applied Data Sciences Jurnal Pengabdian Inovasi dan Teknologi Kepada Masyarakat Jurnal Sistem Informasi dan Teknik Informasi Jurnal Teknik Informatika INOVTEK Polbeng - Seri Informatika
Noratama Putri, Ramalia
Unknown Affiliation
Arts Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Languange, Linguistic, Communication & Media Medicine & Pharmacology Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Teknik Informatika

 1 
Aplikasi Deteksi Dini Penyakit Tidak Menular Pada Lansia Dengan menggunakan metode Dynamic System Development Method (DSDM) Maryam, Nilam; Setiawan, Debi; Noratama Putri, Ramalia
JEKIN - Jurnal Teknik Informatika Vol. 2 No. 3 (2022)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v3i1.219

Abstract

Penyakit tidak menular (PTM) merupakan penyakit yang tidak dapat ditularkan dari individu ke individu lainya..PTM biasanya muncul tanpa  ada nya gejala,serta tidak menunjukan ada nya tanda-tanda tertentu. indonesia salah satu negara yang menghadapai masalah penyakit tidak menular. Penyakit tidak menular seperti stroke,diabetes,penyakit jantung. jika masyarakat tau akan deteksi dini penyakit tidak menular  maka upaya pencegahan segera dilakukan dengan cara melakukan medeical check up agar saat melakukan pemeriksaan dini  dapat mengetahui kondisi seseoarang. Pemeriksaan dilakukan seperti tekanan darah,pemeriksaan gula darah, kolestrol. PTM terjadi akibat kurangnya aktifitas fisik,merokok, pola makan yang tidak sehat. Akibatnya menyebabkan tekanan,kenaikan gula darah,dan peningkatan lemak.apabila kenaikan tidak cegah maka akan menyebakan penyakit seperti hipertensi,diabetes,kolestrol dan obesitas. PTM sangat berdampak pada usia lanjut karena kebiasaan buruk yang dilakukan pada masa muda sehingga daya tahan tubuh rentan terkena penyakit tidak menular.Dengan ada nya aplikasi deteksi dini penyakit tidak menular lansia  memudahkan  masyarakat mendapatkan informasi mengenai penyakit tidak menular pada lansia,serta upaya pencegahan dan mendapat kan hasil yang cepat dan efisien. Hasil dari rancangan sistem ini adalah use  case diagram. Perancangan user ini menggunakan canva sebagai media. Metode yang di gunakan aplikasi ini menggunakan metode dynamic system develompment method yang mana setiap perancangan dari sistem informasinya menggunakan metode ini.
Pengembangan Arsitektur Edge Computing untuk Early Warning System (EWS) Banjir Berbasis Multi-Sensor Menggunakan Model Hybrid LSTM–Random Forest Setiawan, Debi; Noratama Putri, Ramalia; Salamun; Luluk Elvitaria; Liza Trisnawati
JEKIN - Jurnal Teknik Informatika Vol. 6 No. 1 (2026)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v6i1.2028

Abstract

Banjir merupakan bencana hidrometeorologi yang sering terjadi di wilayah tropis dan berdampak signifikan terhadap aspek sosial, ekonomi, serta infrastruktur. Penelitian ini mengembangkan Early Warning System (EWS) deteksi banjir berbasis multi-sensor dengan arsitektur Internet of Things (IoT) real-time yang mengintegrasikan pemrosesan edge dan cloud. Sistem diimplementasikan di [lokasi penelitian] selama empat bulan dengan total 12.480 dataset yang dikumpulkan setiap interval 5 menit. Parameter yang diamati meliputi tinggi muka air menggunakan sensor ultrasonik JSN-SR04T, curah hujan, suhu udara, dan kecepatan angin. Data diproses melalui pembersihan, normalisasi Min-Max, dan ekstraksi fitur deret waktu. Model Long Short-Term Memory (LSTM) digunakan untuk memprediksi pola temporal kenaikan muka air, sedangkan Random Forest digunakan untuk klasifikasi tingkat risiko banjir. Evaluasi dilakukan menggunakan skema train-test split 80:20 dan 5-fold cross-validation dengan hyperparameter tuning berbasis grid search. Hasil pengujian menunjukkan bahwa model LSTM memperoleh akurasi 91%, presisi 90%, recall 92%, dan F1-score 91%, sedangkan Random Forest mencapai akurasi 89%, presisi 88%, recall 90%, dan F1-score 89%. Model hybrid LSTM–Random Forest memberikan performa terbaik dengan akurasi 93%, presisi 92%, recall 94%, dan F1-score 93%. Sistem mampu memberikan peringatan dini 25–40 menit sebelum ambang batas banjir kritis tercapai dengan waktu respons kurang dari 3 detik. Kebaruan penelitian ini terletak pada integrasi multi-sensor hidrometeorologi dengan skema hybrid LSTM–Random Forest dalam arsitektur edge–cloud real-time yang meningkatkan akurasi prediksi sekaligus menurunkan latensi sistem peringatan dini banjir.
Co-Authors Achmad Nizar Hidayanto Alyauma Hajjah Apriliza, Tari Debi Setiawan Debi Setiawan, Debi Debi, Debi Setiawan Erlin Etika Melsyah Putri, Etika Melsyah Fitri, Imelda Hidayatullah Nuriadi, Siti Hohashi, Naohiro Liem, Jordan Liza Trisnawati Luluk Elvitaria Marwan, Deinike Maryam, Nilam Natasya Natasya Puspita Sari, Ira SALAMUN Yuda Irawan