Article Per Year (5 Year)
p-Index From 2021 - 2026
1.508
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Annual Research Seminar Proceeding of the Electrical Engineering Computer Science and Informatics Altius: Jurnal Ilmu Olahraga dan Kesehatan Indonesian Journal of Electrical Engineering and Computer Science Jurnal Generic
Firdaus Firdaus
Universitas Sriwijaya
Computer Science & IT Education Electrical & Electronics Engineering Engineering Medicine & Pharmacology Public Health Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : comengapp computer engineering and applications journal

 1 
Forecasting Of Intensive Care Unit Patient Heart Rate Using Long Short-Term Memory Firdaus Firdaus; Muhammad Fachrurrozi; Siti Nurmaini; Bambang Tutuko; Muhammad Naufal Rachmatullah; Annisa Darmawahyuni; Ade Iriani Sapitri; Anggun Islami; Masayu Nadila Maharani; Bayu Wijaya Putra
Computer Engineering and Applications Journal Vol 12 No 3 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/comengapp.v12i3.457

Abstract

Cardiac arrest remains a critical concern in Intensive Care Units (ICUs), with alarmingly low survival rates. Early prediction of cardiac arrest is challenging due to the complexity of patient data and the temporal nature of ICU care. To address this challenge, we explore the use of Deep Learning (DL) models, specifically Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), and Gated Recurrent Unit (GRU), for forecasting ICU patient heart rates. We utilize a dataset extracted from the MIMIC III database, which poses the typical challenges of irregular time series data and missing values. Our research encompasses a comprehensive methodology, including data preprocessing, model development, and performance evaluation. Data preprocessing involves regularizing and imputing missing values, as well as data normalization. The dataset is partitioned into training, testing, and validation sets to facilitate model training and evaluation. Fine-tuning of hyperparameters is conducted to optimize each DL architecture's performance. Our results reveal that the GRU architecture consistently outperforms LSTM and BiLSTM in predicting heart rates, achieving the lowest RMSE and MAE values. The findings underscore the potential of DL models, particularly GRU, in enhancing the early detection of cardiac events in ICU patients.
LoTQA: Local Benchmarking of Large Language Models for Table Question Answering Muhammad Arya All Fajri; Muhammad Ikhsan Rizki Pratama; Firdaus Firdaus; Abdiansah Abdiansah
Computer Engineering and Applications Journal Vol. 15 No. 2 (2026)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/comengapp.v15i2.1350

Abstract

TableQA memainkan peran penting dalam mendukung pengambilan keputusan berbasis data dan meningkatkan efisiensi pencarian informasi. Penggunaan Large Language Models (LLM) melalui layanan cloud atau API eksternal memungkinkan sistem untuk secara otomatis memahami struktur tabel dan konteks pertanyaan, melakukan generalisasi, penalaran kontekstual, dan memahami hubungan semantik antar entitas dalam tabel untuk menghasilkan jawaban yang lebih relevan dan akurat. Pendekatan ini mengakibatkan peningkatan signifikan dalam biaya komputasi, potensi risiko keamanan data, dan keterbatasan dalam pengembangan, kustomisasi, dan pengujian model. Penelitian ini mengusulkan LoTQA untuk tugas TableQA. LoTQA adalah pendekatan yang memanfaatkan eksekusi lokal untuk mengevaluasi dan membandingkan metode LLM dalam menghasilkan jawaban dari data tabel terstruktur. Evaluasi kinerja pada LoTQA (Qwen3:4b, LoRA Fine-tuned) memperoleh nilai SacreBLUE sebesar 8,613, BLEU-1 sebesar 35,623, BLEU-2 sebesar 26,592, BLEU-3 sebesar 22,723, ROUGE-1 sebesar 0,364, ROUGE-2 sebesar 0,177, ROUGE-L sebesar 0,311, dan METEOR sebesar 0,317. Hasil ini menunjukkan bahwa metode LoTQA cukup baik dalam menyediakan kalimat yang bermakna secara semantik untuk prediksi, bahkan dengan sumber daya yang rendah. Hasil evaluasi kinerja untuk setiap model LLM yang digunakan menunjukkan bahwa model Qwen3:4b mencapai skor tertinggi untuk SacreBLEU, ROUGE-1, ROUGE-2, ROUGE-L, dan METEOR. Studi ini menunjukkan bahwa LoTQA berkinerja cukup baik pada tugas TableQA, meskipun dengan sumber daya yang rendah.
Co-Authors A. Darmawahyuni A. I. Sapitri Abdiansah, Abdiansah Ade Iriani Sapitri Ahmad Zarkasi Andre Herviant Juliano Anggun Islami Annisa Darmawahyuni B. Tutuko Bambang Tutuko Bambang Tutuko Bayu Wijaya Putra Burman Bagaskara Caesar Rizky Kurniawan Darmawahyuni, Annisa Deris Stiawan Desty Rodiah Dinda Lestarini Eni Triningsih Hanif Habibie Supriansyah Huda Ubaya Julian Supardi M. N. Rachmatullah Masayu Nadila Maharani Muhammad Arya All Fajri Muhammad Fachrurrozi Muhammad Ikhsan Rizki Pratama Muhammad Irham Rizki Fauzi Muhammad Naufal Rachmatullah Nurracmah Hakim Puar Reza Firsandaya Malik Rina Yuniarti Rudy Noor Muktamar Saparudin Saparudin Sarifah Putri Raflesia Siti Nurmaini Sulastri Tio Artha Nugraha Varindo Ockta Keneddi Putra Yuliani .