Article Per Year (5 Year)
p-Index From 2021 - 2026
9.918
P-Index
This Author published in this journals
All Journal Jurnal Neutrino : jurnal fisika dan aplikasinya TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat)
Barlian Henryranu Prasetio
Fakultas Ilmu Komputer, Universitas Brawijaya
Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Health Professions Physics Public Health Social Sciences

Published : 111 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 111 Documents
Search

 8   9   10   11   12 
Sistem Identifikasi Kesehatan Pencernaan Berdasar Suara Usus Menggunakan Embedded System Fabiana, Ryzaldi Ananda; Prasetio, Barlian Henryranu; Setiawan, Eko; Chilmi, Syahrul; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20236515

Abstract

Ileus adalah salah satu penyakit usus yang disebabkan oleh tersumbatnya lumen usus akibat berhentinya gerak peristaltik di dalam usus. Jika tidak ditangani dengan cepat, Ileus bisa menyebabkan usus berlubang. Namun, penderita Ileus seringkali tidak menyadari terjadinya penyakit ini di dalam tubuhnya, sehingga sebaiknya memeriksakan kesehatan pencernaan setiap hari sebagai pencegahan. Oleh karena itu, diperlukan stetoskop digital untuk memberikan jawaban dari hasil auskultasi. Penelitian ini menggunakan stetoskop yang dimodifikasi dengan soundcard yang terhubung dengan raspberry pi dan ditampilkan melalui aplikasi VNC Viewer. Sedangkan Convolutional Neural Network dengan model tensor flow digunakan sebagai metode klasifikasi dan MFCC teknik ekstraksi fiturnya. Sistem merekam dan mendeteksi kehadiran suara perut dengan auskultasi selama 10 detik, dan jika terdeteksi suara perut lebih dari 1 maka dapat disimpulkan pencernaan itu sehat, begitu juga sebaliknya. Dalam penelitian ini, uji klasifikasi untuk yang lain diberi label ‘NIHIL’ suara perut, dan hasil auskultasi adalah 5,85 detik untuk uji klasifikasi. Akurasi yang diperoleh untuk klasifikasi TERDETEKSI' adalah 90%, dan untuk ‘NIHIL’ adalah 100%. AbstractIleus is one intestinal disease caused by the blockage of the bowel lumen due to the cessation of peristalsis within the intestine. If not handled quickly, Ileus could lead to a perforated bowel. However, the sufferer of Ileus often does not realize the occurrence of this disease within his body, so it would be better to check up on the digestive health every day as a preventive. Therefore, a digital stethoscope is needed to provide answers from auscultation results. This study used a modified stethoscope with a soundcard connected to the raspberry pi and displayed through the VNC Viewer application. Meanwhile, Convolutional Neural Network with tensor follow model is used as the classification method and MFCC Technique as the feature extraction. The system records and detects the bowel noise with auscultation for 10 seconds, and if the bowel noise is detected more than1 time, it means normal condition or health, and vice versa. In this study, the classification test for another was labeled with ‘NIHIL,' and the auscultation result was 5.85 seconds for the classification test. The accuracy obtained for the classification of 'digestion-sound' is 90%, and for the 'no digestion sound' is 100%.
Implementasi Algoritma BFCC dan kNN pada Embedded System untuk Deteksi Dini Bronchitis Perkasa, Septiyo Budi; Prasetio, Barlian Henryranu; Setiawan, Eko; Widasari, Edita Rosana; Syauqy, Dahnial
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 3: Juni 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106571

Abstract

World Health Organization (WHO) menyatakan bahwa sebanyak 600 juta orang di dunia menderita bronchitis. Bronchitis merupakan salah satu penyakit pernafasan yang dapat disebabkan oleh virus Respiratory Syncitial Virus (RSV) dan Rhinovirus. Gejala umum bronchitis adalah seseorang akan mengalami kesulitan bernafas dengan disertai batuk. Namun, tidak sedikit orang mengabaikan gejala umum ini sehingga berindikasi mengalami bronchitis tingkat berat ataupun berpotensi kematian. Oleh karena itu, dalam paper ini mengusulkan sistem deteksi dini bronchitis berdasarkan suara batuk berbasis embedded system. Ini merupakan terobosan baru pada dunia medis dengan desain alat kesehatan yang portabel. Sistem yang diusulkan menerapkan algoritma Bark Frequency Cepstral Coefficients (BFCC) dan ­K- ­Nearest Neighbor (kNN). BFCC merupakan algoritma yang digunakan untuk mengekstraksi fitur suara batuk dan menghasilkan nilai koefisien cepstral. Selanjutnya, nilai koefisien cepstral tersebut dihitung jarak Euclidean-nya untuk dapat diklasifikasikan menggunakan kNN. Algoritma BFCC dan kNN diimplementasikan pada perangkat Mini Komputer Raspberry Pi 3 Model B+ dengan mikrofon sebagai perangkat masukan suara dan perangkat LCD touchscreen 3.5 inchi untuk sebagai antarmuka yang menampilkan keluaran hasil deteksi. Hasil pengujian menunjukkan rata-rata waktu komputasi sebesar 4,452 detik dan penggunaan CPU sebesar 26%, serta akurasi kNN sebesar 73% untuk perhitungan jarak Euclidean dengan nilai neighbour = 5. AbstractThe World Health Organization (WHO) states that as many as 600 million people in the world suffer from bronchitis. Bronchitis is a disease that can be caused by respiratory syncytial virus (RSV) and rhinovirus. Symptoms of common bronchitis a person will experience difficulty breathing accompanied by coughing. Unfortunately, many people underestimate this common symptom. Even though, it is indicating that they have severe bronchitis or possibly death. Therefore, this study proposes an early detection system for bronchitis based on cough e sounds based on an embedded system. This is a new breakthrough in the medical world with a portable medical device design. The proposed system applied the Bark Frequency Cepstral Coefficients (BFCC) and K-Nearest Neighbor (kNN) algorithms. BFCC is an algorithm that is used to extract cough sound features and produce cepstral coefficient values. Furthermore, the value of the cepstral coefficient will be calculated for the Euclidean distance to be classified using kNN. The implementation of the BFCC and kNN algorithms is carried out on a Raspberry Pi 3 Mini Computer Model B+ with a microphone as a voice input device and a 3.5-inch LCD touchscreen device to display the resulting output interface. The results obtained an average computation time of 4.452 seconds and CPU usage of 26%, and kNN accuracy of 73% from the calculation of the Euclidean distance with a neighbor value = 5.
Sistem Monitoring Gelombang Osilometrik Menggunakan Arduino dan Smartphone Isnandar, Muhammad Fawwaz Dynoeputra; Prasetio, Barlian Henryranu; Ichsan, Mochammad Hannats Hanafi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022976728

Abstract

Tekanan darah terjadi ketika arteri pembuluh darah dipompa oleh jantung ke seluruh tubuh. Ada dua elemen penting yang dipertimbangkan untuk mengukur tekanan darah, yaitu sistolik dan diastolik. Sistolik adalah nilai tekanan darah ketika otot-otot di jantung mendorong darah dari jantung itu sendiri ke dinding arteri. Sedangkan diastolik adalah nilai tekanan darah pada saat otot-otot ventrikel jantung dalam keadaan istirahat. Di era modern, pengukuran tekanan darah menggunakan sinyal listrik dari sensor dan dianalisis untuk mengetahui kesehatan organ tubuh. Namun dalam praktiknya, sistem pemantauan tekanan darah hanya dapat didengar oleh dokter, tanpa direkam untuk analisis lebih lanjut. Untuk mengakhiri hal ini, kami mengusulkan sistem pengukuran tekanan darah yang tidak hanya mengukur tekanan darah tetapi juga memantau sinyal osylometric ke dalam smartphone. Sinyal osylometric diproses oleh Arduino UNO R3 dari sensor Tekanan MPX55500DP. Arduino diprogram untuk mengaktifkan pompa udara dan memompanya ke dalam manset. Kemudian, sinyal osilometrik ditransmisikan ke aplikasi smartphone Android. Kami menggunakan Modul Bluetooth HC-05 untuk mengirimkan data dari Arduino ke Smartphone Android. AbstractBlood pressure occures when the arteries of blood vessels is pumped by the heart to the whole body. There are two important elements that is considered to measure the blood pressures, it is called systolic and diastolic. Systolic is a value of blood pressure when muscles on the heart pushes blood from the heart itself to the artery walls. Whereas, diastolic is a value of blood pressure when the heart ventrical muscles in the heart is resting. In the modern era, blood pressure measurement uses electrical signals from the sensor and be analyzed to determine the health of the organs. However, in practice, the blood pressure monitoring system only can be heard by doctor, without recorded it for more advanced analysis. To end this, we propose a blood preasure measurement system that is not only measure the blood pressure but it also monitors the the osylometric signal into smartphone. The osylometric signal is processed by Arduino UNO R3 from MPX55500DP Pressure sensor. The Arduino is programmed for enabling the air pump and pump it into cuff. Then, the osylometric signal is transmitted to a application of Android smartphones. We use a Bluetooth HC-05 Module to transmit data from the Arduino into Android Smartphone.
Sistem Deteksi Dini Penyakit Preeklampsia Melalui Perubahan Warna Urine Berdasarkan Protein dengan Menggunakan Metode Naïve Bayes Classifier Allaam, Fakhrul; Prasetio, Barlian Henryranu; Maulana, Rizal
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106908

Abstract

Umumnya preeklamsia adalah penyakit komplikasi yang sering dialami pada ibu hamil.Penyakit ini terjadi dikarenakan adanya tekanan darah tinggi, tanpa edema atau bengkak dan disertai protein dalam urin (proteinuria).Kondisi ini kebanyakan dapat terjadi pada usia kehamilan timester 2 dan trimester 3 atau lebih dari 20 minggu. Ada beberapa teknik untuk mengetahui penyakit tersebut,salah satunya dengan dengan melihat kondisi urin. Namun, ketika penentuan status urin secara manual, sering mengalami kesalahan, karena proses diagnosis hanya menggunakan kasat mata sebagai indikator utama. Oleh karena itu, sistem diagnosa otomatis diperlukan untuk mengurangi kesalahan manusia dan memastikan bahwa pasien menerima perawatan yang mereka butuhkan. Informasi fitur warna diperoleh menggunakan sensor TCS 34725 untuk eksperimen ini. Ada tiga keadaan urin berbeda yang diidentifikasi dan diberi label sebagai Urine Normal, Urine Preeklampsia 1, dan Urine Preeklampsia 2. Titik referensi ditemukan sebagai Urine Normal. Proses klasifikasi menggunakan metode Naive Bayes yang merupakan salah bidang ilmu pengetahuan pola.Metode ini digunakan karena memberikan kemudahan implementasi dan komputasi yang cepat agar prediksi real-time dapat dilakukan.AbstractGenerally, preeclampsia is a complication disease that is often experienced by pregnant women. This disease occurs due to high blood pressure, without edema or swelling and accompanied by protein in the urine (proteinuria). This condition can usually occur in the 2nd and 3rd trimester of pregnancy or later 20 weeks. There are several ways to find out the disease, one of which is by looking at the condition of the urine. However, in the process of determining the condition of the urine manually, errors often occur because the analysis process only uses the naked eye as the main parameter. Therefore, a tool that can perform automatic analysis is needed to minimize errors in the process and take action on patients. This study uses a TCS 34725 sensor to perform feature extraction in the form of color. Urine conditions are divided into three classes, namely Normal Urine, Preeclampsia 1 Urine and Preeclampsia Urine 2. The classification process uses the Naive Bayes method which is one of the fields of pattern science. This method is used because it provides easy implementation and fast computation so that real-time predictions can be made.
Sistem Kontrol Perangkat Inframerah Menggunakan Speech Recognition dengan Spectrogram dan Convolutional Neural Network Berbasis Mikrokontroler Nurrizqy, Irfan Muzakky; Prasetio, Barlian Henryranu; Mardi Putri, Rekyan Regasari
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106909

Abstract

Menurut data dari Biro Pusat Statistik (BPS), terdapat sebanyak 22,5 juta dari penduduk Indonesia merupakan penyandang disabilitas. Angka ini berjumlah sekitar lima persen dari keseluruhan penduduk Indonesia. Di zaman sekarang, kemajuan teknologi di seluruh dunia berkembang dengan pesat, sehingga muncul banyak hal yang dapat membantu menyederhanakan kehidupan semua orang, terutama penyandang disabilitas. Salah satu hal yang membantu penyandang disabilitas adalah munculnya perangkat pintar yang dapat dikendalikan menggunakan indra selain tangan, seperti suara. Penelitian ini bertujuan untuk mengembangkan sistem yang dapat mengendalikan perangkat inframerah dengan menggunakan suara sebagai input. Sistem tersebut akan dikembangkan menggunakan mikrokontroler dan metode speech recognition yang terdiri dari spectrogram dan CNN. Penelitian ini direncanakan untuk tujuan untuk membantu penyandang disabilitas dalam mengendalikan perangkat-perangkat di sekitar rumah. Hasil pengujian menunjukkan bahwa akurasi model CNN sebesar 93% dan akurasi percobaan terhadap pengguna sebesar 74,25%. Sistem ini juga dapat menjalankan proses speech recognition dengan waktu rata-rata 0,105 detik. Jarak optimal yang diperlukan antara pengguna dengan mikrofon adalah 30 cm dan jarak optimal yang diperlukan antara transmitter inframerah dengan perangkat yang dikendalikan adalah 30 cm.   Abstract  According to data from the Central Bureau of Statistics (BPS), around 22.5 million of Indonesia's population are people with disabilities. This number amounts to about five percent of Indonesia's total population. In the present day, where technology advances are rapidly developing all around the world, there have been many things that can help simplify the lives of everyone in the world, especially people with disabilities. One thing that helps people with disabilities is the emergence of smart devices that do not need to be controlled using hands but can use other senses such as sound. This research aims to develop a system that can control infrared devices using sound as input. The system will be developed using microcontrollers and speech recognition methods consisting of spectrogram and CNN. This research is conducted with the goal of helping people with disabilities in controlling devices around the house. Testing results show that the accuracy of the CNN model is 93% and the accuracy of trials on users is 74.25%. The system can also run the speech recognition process with an average time of 0.105 seconds. The optimal distance required between the user and microphone is 30 cm and the optimal distance required between the infrared transmitter and the controlled device is 30 cm.
Sistem Identifikasi Kesehatan Berdasarkan Detak Jantung, Kadar Oksigen, dan Suhu Tubuh Menggunakan Metode Fuzzy Mamdani Naviaddin, Arsal Wildan; Prasetio, Barlian Henryranu; Primananda, Rakhmadhany
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106956

Abstract

Kesehatan merupakan faktor penting dalam kehidupan manusia. Oleh karena itu, dalam paper ini kami menawarkan pendekatan efektif dan efisien dalam mendeteksi dini kesehatan. Deteksi dini dapat menghindari berbagai faktor risiko penyakit dan dapat terhindar dari komplikasi, serta menghemat biaya pengobatan. Sebagian besar alat deteksi kesehatan menggunakan metode invasif, sementara sistem kami menggunakan pendekatan contactless. Sensor pulse Oximater MAX30100 dan sensor suhu MLX90614 digunakan untuk mengukur tingkat saturasi oksigen, detak jantung dan suhu tubuh. Kemudian, kedua data sensor tersebut dikirim ke Google Firebase dengan memanfaatkan fitur layanan realtime database sehingga data dapat ditampilkan secara langsung di aplikasi android. Kedua sensor dihubungkan pada mikrokontroler NodeMCU ESP8266, lalu data hasil pengukuran sensor beserta perhitungan fuzzy dikirim ke database Firebase agar dapat ditampilkan pada smartphone. Hasil dari penelitian ini adalah akurasi pembacaan sensor suhu MLX90614 dan pulse oximater MAX30100 dibandingkan alat yang sudah ada didapatkan pengukuran suhu mendapatkan nilai MAPE sebesar 0.964 %, pengukuran saturasi mendapatkan nilai MAPE 0 %, dan pengukuran detak jantung didapatkan MAPE 1.581 %. Dari ketiga pengukuran didapatkan nilai MAPE dibawah 10% sehingga dapat dikategorikan pengukuran akurat dan kinerja metode fuzzy mamdani dalam mengklasifikasikan kondisi kesehatan sangat baik dan akurat.   Abstract   Health is an important factor in human life. Therefore, in this paper we offer an effective and efficient approach in early detection of health. Early detection can avoid various risk factors for disease and can avoid complications, as well as save on medical costs. Most medical detection systems use invasive methods, while our system uses a contactless approach. The MAX30100 Oximater pulse sensor and MLX90614 temperature sensor are used to measure oxygen saturation level, heart rate and body temperature. Then, the two-sensor data are sent to Google Firebase by utilizing the real-time database service feature so that the data can be displayed directly in the Android application. The two sensors are connected to the NodeMCU ESP8266 microcontroller, then the sensor measurement results data along with the fuzzy calculations are sent to the Firebase database so that they can be displayed on a smartphone. The results of this study are the accuracy of the readings of the MLX90614 temperature sensor and the MAX30100 pulse oximeter compared to existing devices, the temperature measurement gets a MAPE value of 0.964 %, the saturation measurement gets a MAPE value of 0 %, and the heart rate measurement gets a MAPE of 1.581 %. From the three measurements, the MAPE value was below 10% so that it could be categorized as an accurate measurement and the performance of the Mamdani fuzzy method in classifying health conditions was very good and accurate.
Rancang Bangun Alat Pengenal Finger Vein Menggunakan Raspberry Pi dengan Metode Convolutional Neural Network (CNN) Prasetio, Barlian Henryranu; Jevandika; Syauqy, Dahnial
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117950

Abstract

Terobosan teknologi sistem pengenalan biometrik saat ini berkembang dengan pesat dan sangat mempermudah urusan seperti pengenalan identitas atau validasi identitas, serta tidak jarang perusahaan dan institusi lain yang umum menerapkan sistem pengenalan berbasis biometrik manusia seperti sidik jari, pola telapak tangan, wajah, ataupun iris mata. Sebuah sistem pengenalan biometrik memiliki kelebihan dan tentunya beberapa keterbatasan dalam hal performa dan kenyamanan. Pengenalan sidik jari dan telapak tangan mengharuskan pengguna untuk menyentuh permukaan sensor. Dengan cara ini, pengguna dapat merasa tidak nyaman dan risiko penyebaran virus atau bakteri sangat tinggi, juga akurasi pendeteksian dapat dipengaruhi oleh faktor-faktor seperti kulit berkeringat dan kering serta distorsi kulit. Oleh karena itu pada penelitian ini akan mengusung judul Rancang Bangun Alat Pengenal Finger Vein Menggunakan Raspberry Pi Dengan Metode Convolutional Neural Network (CNN). Penelitian ini menggunakan sistem berbasis Raspberry Pi 4 dengan bantuan IR LED dan webcam untuk proses akusisi data citra pembuluh darah jari, yang diharapkan mampu melakukan proses pengenalan Finger Vein lebih cepat, dan penggunaan metode Convolutional Neural Network yang sudah teruji untuk menghasilkan akurasi yang lebih baik dengan proses Deep Learning. Dari 30 data yang digunakan sebagai penguji sistem bersama perangkat lunak dan perangkat keras tertanam, akurasinya mencapai 96,66%.   Abstract   Breakthrough in biometric recognition system technology is currently growing rapidly and greatly facilitates matters such as identity recognition or identity validation, and it is not uncommon for companies and other institutions to implement human biometric-based recognition systems such as fingerprints, palm patterns, faces, or irises. A biometric recognition system has advantages and certainly some limitations in terms of performance and convenience. Fingerprint and palm recognition requires the user to touch the surface of the sensor. In this way, users can feel uncomfortable and the risk of spreading viruses or bacteria is very high, also the detection accuracy can be affected by factors such as sweaty and dry skin and skin distortion. Therefore, this study will carry the title Design a Finger Vein Recognition Tool Using Raspberry Pi with the Convolutional Neural Network (CNN) Method. This research uses a Raspberry Pi 4-based system with the help of IR LEDs and webcams for the acquisition process of finger blood vessel image data, which is expected to be able to carry out the Finger Vein recognition process faster, and the use of the proven Convolutional Neural Network method to produce better accuracy with the Deep Learning process. Of the 30 data used as system testers alongside embedded software and hardware, the accuracy reached 96.66%.
Sistem Monitoring Tekanan Darah Berbasis Maximum Amplitude Algorithm Menggunakan Android Secara Realtime Prasetio, Barlian Henryranu; Putra, Brylliano Maza; Syauqy, Dahnial
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117951

Abstract

Tekanan darah merupakan tekanan yang ditimbulkan pada pembuluh nadi atau arteri ketika darah dipompa dari jantung ke seluruh tubuh. Nilai dari tekanan darah dapat digunakan untuk dijadikan sebagai acuan dalam menetukan kondisi kesehatan tubuh. Untuk melakukan pengecekan terhadap nilai tekanan darah dapat dilakukan dengan menggunakan metode invasive dan non-invasive. Pengecekan tekanan darah perlu dilakukan secara langsung oleh tenaga medis dan pasien. Dengan perkembangan teknologi yang semakin pesat pengecekan ini dapat dilakukan oleh tenaga medis tanpa perlu bertemu langsung dengan pasien.Untuk melakukan monitoring ini dapat memanfaatkan smartphone untuk menampilkan informasi monitoring terhadap tekanan darah dari orang lain tanpa perlu melakukan pengecekan langsung menggunakan alat terhadap orang lain. Pada penelitian ini digunakan metode non-invasive dengan memanfaatkan pembacaan sinyal osilometrik dari perubahan tekanan pada cuff yang terbaca oleh sensor tekanan MPX5500DP untuk melakukan pembacaan tekanan darah yang kemudian ditampilkan pada perangkat android. Dengan menggunakan pendekatan menggunakan sinyal osilometrik ini akan diproses pada mikrokontroler Arduino UNO R3 untuk mencari nilai Mean Arterial Pressure, systole dan diastole menggunakan metode Maximum Amplitude Algorithm (MAA).  Pada alat yang dikembangkan nilai hasil pemprosesan menggunakan metode MAA akan dikirimkan menggunakan modul bluetooth HC-05 untuk ditampilkan pada perangkat android.  Pada pengujian sistem, didapatkan tingkat akurasi pembacaan nilai systole sebesar 78.23% dan tingkat akurasi pembacaan diastole sebesar 88.39% yang dibandingkan dengan pembacaan menggunakan tensimeter manual.   Abstract   Blood pressure is the pressure that exerted on the veins or arteries when blood is pumped from the heart to the rest of the body. The value of blood pressure can be used as a reference in determining the health condition of the body. To check the blood pressure values can be done using invasive and non-invasive methods. Checking blood pressure needs to be done directly by medical personnel and patients. With the rapid development of technology, this medical check can be done by medical personnel without the need to meet directly with patients. To do this medical monitoring, a smartphone can be used to display monitoring information on blood pressure from others without the need to check directly using the tool against others. In this study writer used a non-invasive method by utilizing oscillometric value readings of pressure changes in the cuff are read by the MPX5500DP pressure sensor to perform blood pressure readings are then displayed on the android device. By using this oscillometric value approach will be processed on the Arduino UNO R3 microcontroller to find the value of Mean Arterial Pressure, systole and diastole using the Maximum Amplitude Algorithm(MAA). In the developed tool, the result value of the processing using the MAA method will be sent using the bluetooth module HC-05 to be displayed on the android device. In testing the system, obtained the reading accuracy rate of systole value of 78.23% and diastole reading accuracy rate of 88.39% compared with readings using a manual tensimeter.
Penerapan Dynamic Time Warping Pada Ektrasi Fitur MFCC dengan K-NN Untuk Implementasi Speech - to - Text Atmojo Pamungkas, Handoko Bagus; Barlian Henryranu Prasetio
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Pada era digital ini, teknologi pengenalan ucapan atau speech recognition menjadi semakin penting karena digunakan dalam berbagai aplikasi seperti asisten virtual, sistem navigasi suara, layanan transkripsi otomatis, hingga perangkat pintar berbasis Internet of Things (IoT). Penelitian ini bertujuan untuk meningkatkan kinerja sistem speech-to-text dengan menggabungkan metode Mel-Frequency Cepstral Coefficients (MFCC) dan Dynamic Time Warping (DTW). MFCC digunakan untuk mengekstraksi ciri khas dari sinyal suara, sedangkan DTW membantu menyesuaikan perbedaan kecepatan atau skala waktu pada urutan data suara yang bervariasi. Selanjutnya, metode K-Nearest Neighbors (K-NN) diterapkan untuk melakukan klasifikasi teks berdasarkan fitur-fitur yang telah diekstraksi. Hasil pengujian menunjukkan kombinasi MFCC, DTW, dan K-NN mampu meningkatkan akurasi, precision, recall, dan F1-score hingga 84%. Pendekatan ini efektif digunakan pada platform embedded seperti Raspberry Pi yang memiliki keterbatasan sumber daya komputasi, sehingga tetap mampu memberikan performa yang andal untuk pengenalan ucapan. Kata kunci: Dynamic Time Warping, Mel-Frequency Cepstral Coefficients, K Nearest Neighbors, Speech-to-Text, Pengenalan Ucapan. Abstract In today’s digital era, speech recognition technology has become increasingly important, powering various applications such as virtual assistants, voice navigation systems, automated transcription services, and smart devices based on the Internet of Things (IoT). This study aims to enhance the performance of a speech-to-text system by combining the Mel-Frequency Cepstral Coefficients (MFCC) and Dynamic Time Warping (DTW) methods. MFCC is used to extract distinctive features from speech signals, while DTW helps align differences in speed or time scale among varying speech data sequences. Furthermore, the K-Nearest Neighbors (K-NN) algorithm is applied to classify text based on the extracted features. Experimental results demonstrate that the combination of MFCC, DTW, and K-NN can achieve an accuracy, precision, recall, and F1-score of up to 84%. This approach is proven to be effective on embedded platforms such as Raspberry Pi, which have limited computational resources, while still maintaining reliable performance for accurate speech recognition tasks. Keywords: Dynamic Time Warping, Mel-Frequency Cepstral Coefficients, K-Nearest Neighbors, Speech-to-Text, Speech Recognition.
Implementasi Speech Recognition pada Smart-Home yang menggunakan algoritma Dynamic Time Warping dan Deep Neural Network Muflih, Aufada; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan suara merupakan salah satu fitur yang potensial untuk diterapkan dalam sistem smart-home karena dapat memberikan kemudahan akses bagi pengguna. Penelitian ini mengembangkan sistem pengenalan suara berbasis Raspberry Pi 5 dengan memanfaatkan kombinasi metode Dynamic Time Warping (DTW) dan Deep Neural Network (DNN). Proses dimulai dari ekstraksi fitur suara menggunakan Mel-Frequency Cepstral Coefficients (MFCC), dilanjutkan dengan pencocokan sinyal menggunakan DTW serta pelatihan model klasifikasi menggunakan DNN berdasarkan hasil ekstraksi tersebut. Hasil pengujian menunjukkan bahwa penggunaan DTW saja mampu mengenali pola sinyal suara dengan akurasi sebesar 59,26%. Namun, setelah digabungkan dengan DNN, akurasi pengenalan meningkat menjadi 96,92% pada data uji. Sistem diuji dengan delapan jenis perintah suara dan mampu memberikan output kendali perangkat yang sesuai, seperti mengaktifkan atau menonaktifkan lampu dan kipas.Temuan ini menunjukkan bahwa kombinasi metode DTW dan DNN dapat meningkatkan performa sistem dalam mengenali perintah suara berbasis MFCC. Meskipun hasilnya cukup menjanjikan, penelitian ini masih memiliki keterbatasan dalam hal variasi data dan kondisi lingkungan. Oleh karena itu, pengembangan lebih lanjut disarankan agar sistem dapat bekerja secara lebih adaptif dalam berbagai skenario penggunaan di dunia nyata.
Co-Authors Achmad Ridok Adharul Muttaqin Adi Setiawan Adven Edo Prasetya Adven Edo Prasetya, Adven Edo Agra Firmansyah Ahmad Afif Supianto Aldi Jayadi Ali, Zidane Allaam, Fakhrul Arief Kurniawan Aryo Pinandito Ash-Shadiq, Aqsath Muhammad Aswin Suharsono, Aswin Atmojo Pamungkas, Handoko Bagus Ayu Astina Sari, Ni Made Baariu, Rahagi Abdu Bagus Priyo Pangestu Brylliano Maza Putra Budi Darma Setiawan Budy Prakoso, Khrisna Shane Chatarina Umbul Wahyuni Dahnial Syauqy Dayat, Fauzi Syarifulloh Defri Alif Raihan Denny Sagita Rusdianto Dhimas Arfian Lazzuardhy Dini Eka Ristanti Dini Ismawati Dwiki Ilham Bagaskara Dwinanda Romolo Edita Rosana Widasari Edita Rosana Widasari, Edita Rosana Eko Setiawan Eko Setiawan Eko Setiawan Fabiana, Ryzaldi Ananda Fachry Ananta Fadhilah, Khairian Fadhillah, Muhammad Galih Faisal Natanael Lubis Faviansyah Arianda Pallas Faza Gustaf Marrera Fitra Abdurrachman Bachtiar Fitriyah, Hurriyatul Gembong Edhi Setiawan Gembong Edhi Setyawan Ghifari, Ahmad Hafidz Abdillah Masruri Hanifa Maulani Ramadhan Haqyah, Saprina Hani Heru Nurwarsito Hilal Imtiyaz I Wayan Boby Astagina Naghi Imam Cholissodin Iqbal Maulana Susanto Irfan Muzakky Nurrizqy Irwanda Adhi Firmantara Isnandar, Muhammad Fawwaz Dynoeputra Iwasawa, Takeru Jevandika Joan Chandra Kustijono Julisya Thana Khriswanti Kamal, Attar Syifa Kusuma, Lindhu Parang La Ode Adriyan Hazmar Lavanna Indanus Ramadhan M. Hannats Hanafi Ichsan M. Ihsan An-Nashir Mahardika, Aryanta Seta Mochammad Hannats Hanafi Mochammad Hannats Hanafi Ichsan Muchlas Mughniy Muflih, Aufada Muhammad Fatikh Hidayat Muhammad Ghifari, Muhammad Muhammad Habib Jufah Alhamdani Muhammad Nabil Aljufri Muhammad Rizki Chairurrafi Nadi Rahmat Endrawan Nashrullah, Ega Rasendriya Naviaddin, Arsal Wildan Ngulandoro, Mochammad Giri Wiwaha Nobel Edgar Novaria Elsari Ryzkiansyah Novea, Leisha Nur, Farhan Marwandi Nurrizqy, Irfan Muzakky Nurul Hidayat Ovriawan Aldo Pribadi Putra Paleva, Haidar Rheza Panggabean, Riki Boy Parja, Mujianto Anda Perkasa, Septiyo Budi Permana, Galih Pierl Kritzenger Sinaga Prawironegoro, Abdul Harris Putera, Thariq Andhita Putra Pamungkas, Dimas Resha Putra, Brylliano Maza Putra, Ravelino Adhianto Surya Raden Galih Paramananda Rahmawan, Muhammad Fuad Rajasa, Mohammad Fariq Rakhmadhany Primananda, Rakhmadhany Ramadhan, Dimas Ramadhan, Muhammad Fitrah Randy Cahya Wihandika Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Reza Hastuti Riyad Febrian Rizal Maulana Rizal Maulana, Rizal Rosyana Lencie Mampioper Ryan Anggito Priono Sabriansyah Rizkiqa Akbar Sabriansyah Rizqika Akbar Sabriansyah Rizqika Akbar Septiyo Budi Perkasa Sifaunnufus Ms, Fi Imanur Sigit Priyo Jatmiko Subianto, Aflah Fadhlurrahman Syahrul Chilmi, Syahrul Tampubolon, Jeremya Tiara Mahardika Tibyani Tibyani Utaminingrum, Fitri Valensiyah Rozika Widasari, Edita Rosana Wijaya Kurniawan Wijaya Kurniawan Yosia Nindra Kristiantya Yudhistira, Gevan Putra Yunan Alamsyah Nasution Yusril Dewantara Yusuf, Delfi Olivia