Claim Missing Document
Check
Articles

Found 37 Documents
Search

Studi Klasifikasi Aritmia Menggunakan Model GRU berbasis Continual Normalization pada Dataset Chapman-Shaoxing Zumaro, Athiya Jannati; Pramukantoro, Eko Sakti; Adinugroho, Sigit
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab kematian tertinggi secara global. Deteksi aritmia otomatis berbasis sinyal elektrokardiogram (EKG) menjadi solusi penting untuk mengatasi keterbatasan interpretasi manual yang rentan terhadap kesalahan manusia. Namun, model deep learning konvensional menghadapi tantangan pelatihan ketika dihadapkan pada sinyal EKG berskala besar yang bersifat non-stasioner dan bervariasi antar pasien. Penelitian ini mengusulkan model Gated Recurrent Unit berbasis Continual Normalization (GRU-CN) untuk klasifikasi empat superclass aritmia: Atrial Fibrillation (AFIB), General Supraventricular Tachycardia (GSVT), Sinus Bradycardia (SB), dan Sinus Rhythm (SR) pada dataset Chapman-Shaoxing yang terdiri dari 45.108 rekaman. Model dikembangkan melalui pendekatan two-stage learning: tahap pertama berupa unsupervised pretraining menggunakan GRU Autoencoder untuk mempelajari representasi laten sinyal EKG, dilanjutkan dengan classifier secara supervised. Continual Normalization diterapkan dengan menggabungkan Batch Normalization dan Group Normalization secara berurutan untuk menstabilkan distribusi selama pelatihan. Hasil evaluasi menunjukkan bahwa GRU-CN mencapai test accuracy sebesar 92,57%, macro F1-score sebesar 0,9181, dan AUC Macro sebesar 99,00%, mengungguli model GRU Baseline (36,58%), GRU-BN (89,60%), dan GRU-GN (88,54%). Kontribusi pretraining autoencoder memberikan peningkatan akurasi sebesar 2,15% dibandingkan model tanpa pretraining. Penelitian ini menunjukkan bahwa integrasi Continual Normalization dan strategi two-stage learning efektif dalam meningkatkan stabilitas dan akurasi klasifikasi aritmia pada data EKG berskala besar.
Studi Komparasi Kinerja Varian One-Dimensional Convolutional Neural Network untuk Klasifikasi Elektrokardiogram 12-Lead pada Jetson Orin Nano Menggunakan Dataset Physikalisch-Technische Bundesanstalt-XL Aziz, Najwa Muthia; Pramukantoro, Eko Sakti; Amron, Kasyful
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular menyebabkan sekitar 32% dari seluruh kematian global, sehingga sistem analisis elektrokardiogram (EKG) otomatis berbasis kecerdasan buatan menjadi kebutuhan mendesak, khususnya untuk diintegrasikan pada perangkat medis portabel. Implementasi model deep learning pada perangkat tersebut menuntut evaluasi trade-off antara performa klasifikasi dan efisiensi komputasi pada perangkat edge. Penelitian ini membandingkan empat arsitektur 1D-CNN yaitu baseline, ResNet, Multi-Scale, dan Attention-Based untuk klasifikasi diagnostik EKG 12-lead menggunakan dataset PTB-XL pada frekuensi sampling 100 Hz. Setiap rekaman EKG 10 detik diproses melalui bandpass filtering dan normalisasi Z-score per kanal, lalu dimasukkan sebagai tensor input (1000, 12) untuk mengklasifikasikan lima diagnostic superclass: NORM, MI, STTC, CD, dan HYP. Pada data uji fold 10, 1D-ResNet mencapai akurasi dan Macro AUC tertinggi, yaitu 79,94% dan 0,9354. Setelah dikonversi ke TensorRT FP16 dan diuji pada NVIDIA Jetson Orin Nano menggunakan seluruh 16.244 rekaman single-label PTB-XL, 1D-ResNet tetap unggul dalam akurasi, sedangkan latensi terendah (0,5291 ms/sampel) diperoleh 1D-CNN. Keempat model tetap berada dalam kapasitas memori 8 GB. Evaluasi multi-kriteria menggunakan Weighted Sum Model (bobot akurasi 0,40; latensi 0,30; CPU 0,15; GPU 0,10; RAM 0,05) menempatkan 1D-ResNet sebagai model paling optimal (skor 0,600), menawarkan keseimbangan terbaik untuk sistem klasifikasi EKG yang mengutamakan akurasi diagnostik pada edge device.
Implementasi Prototipe Host-Based Intrusion Detection System Berbasis Machine Learning untuk Mendeteksi Serangan Web pada Open Journal Systems Manurung, Gosyen Azarya; Pramukantoro, Eko Sakti; Basuki, Achmad
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Open Journal Systems (OJS) digunakan untuk mengelola proses editorial dan penerbitan jurnal ilmiah yang melibatkan data pengguna, naskah, serta aktivitas administratif. Hal ini memerlukan pemantauan keamanan agar serangan terdeteksi lebih awal, tanpa bergantung pada pemeriksaan log secara manual. Oleh karena itu, penelitian ini mengimplementasikan prototipe Host‐Based Intrusion Detection System (HIDS) berbasis access log Nginx pada OJS. Prototipe bekerja dengan membaca log web server, mengekstraksi fitur klasifikasi, melakukan klasifikasi berdasarkan model yang sudah dilatih, serta menampilkan hasil klasifikasi serangan atau normal. Model klasifikasi dibangun dari tahap pembuatan Dataset yang dibangun dari simulasi aktivitas normal dan serangan terkontrol, meliputi Cross‐Site Request Forgery (CSRF), PHP Object Injection (POI), Remote Code Execution (RCE), dan Cross‐Site Scripting (XSS). Pemilihan model dilakukan dengan membandingkan tujuh algoritma, yaitu Logistic Regression, LinearSVC, Random Forest, Stochastic Gradient Descent (SGD), Decision Tree, Multinomial Naive Bayes, dan K-Nearest Neighbors. Logistic Regression dipilih karena waktu klasifikasinya lebih stabil. Evaluasi model pada data pengujian menghasilkan akurasi 0,9843 dan Macro F1 0,9555. Pada pengujian fungsional, IDS mendeteksi 100% serangan dengan rata‐rata waktu klasifikasi 37,227–44,617 ms. Pada pengujian skalabilitas menggunakan ApacheBench dan sebuah serangan POI, IDS berhasil mendeteksi 100% serangan dengan rentang waktu deteksi 285,604–383,756 ms.
Perbandingan Kinerja Vector Database pada Arsitektur Retrieval-Augmented Generation dalam Implementasi Chatbot Layanan Panduan Skripsi Berbasis N8N (Studi Kasus: Fakultas Ilmu Komputer Universitas Brawijaya) Firdian, Arifal Aghna; Pramukantoro, Eko Sakti; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan Large Language Models (LLM) memungkinkan pembangunan chatbot yang mampu menyediakan layanan informasi secara lebih interaktif. Di lingkungan perguruan tinggi, mahasiswa sering mengalami kesulitan memperoleh informasi akademik dari dokumen resmi, seperti Panduan Skripsi Fakultas Ilmu Komputer Universitas Brawijaya (FILKOM UB). Pendekatan Retrieval-Augmented Generation (RAG) digunakan untuk mengatasi permasalahan tersebut dengan memanfaatkan vector database sebagai media penyimpanan dan pencarian konteks yang relevan. Penelitian ini bertujuan menganalisis dan membandingkan kinerja tiga vector database, yaitu Pinecone, Supabase (pgvector), dan Qdrant, pada implementasi chatbot layanan panduan skripsi berbasis RAG menggunakan platform n8n. Dokumen Panduan Skripsi FILKOM UB digunakan sebagai knowledge base. Evaluasi dilakukan menggunakan 30 pertanyaan uji dengan metrik Retrieval Latency, Context Recall, Context Precision, Faithfulness, dan Answer Relevancy melalui framework RAGAS. Hasil penelitian menunjukkan bahwa Supabase memiliki rata-rata Retrieval Latency tercepat sebesar 804,67 ms, sedangkan Pinecone memperoleh nilai tertinggi pada Context Recall (0,878), Faithfulness (0,518), dan Answer Relevancy (0,760), sementara Supabase memperoleh Context Precision tertinggi sebesar 1,000. Berdasarkan keseluruhan metrik evaluasi, Pinecone menunjukkan performa paling seimbang dalam menghasilkan konteks dan jawaban yang relevan, sedangkan Supabase unggul pada aspek kecepatan retrieval. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pemilihan vector database untuk pengembangan chatbot layanan akademik berbasis RAG di lingkungan perguruan tinggi.
Analisis Komparatif Kinerja Inferensi Model Transformer dan LSTM untuk Klasifikasi Sinyal ECG Pada Aplikasi Mobile Luthfirrahman, Muhammad Nadhil; Pramukantoro, Eko Sakti; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular merupakan salah satu penyebab utama kematian di dunia, dengan aritmia sebagai salah satu gangguan yang dapat dikenali melalui sinyal elektrokardiogram (ECG). Interpretasi ECG secara konvensional membutuhkan waktu dan berpotensi menghasilkan inkonsistensi, sehingga mendorong pengembangan klasifikasi ECG otomatis berbasis machine learning pada perangkat wearable dan mobile. Namun, keterbatasan sumber daya perangkat mobile memerlukan penyesuaian dan evaluasi model berdasarkan kemampuan klasifikasi dan kinerja inferensi. Penelitian ini mengembangkan aplikasi Flutter untuk membandingkan Transformer dan Long Short-Term Memory (LSTM) yang dikonversi ke TensorFlow Lite dan dijalankan secara on-device. Batch Processing menggunakan data ECG beranotasi MIT-BIH untuk mengevaluasi klasifikasi, sedangkan Stream Processing menggunakan sinyal Polar H10 untuk mengevaluasi kinerja inferensi. Pengujian fungsional dan nonfungsional menunjukkan seluruh kebutuhan sistem berstatus PASS. Pada Batch Processing, 2.220 proses inferensi klasifikasi dari 1.984 detak unik menghasilkan accuracy LSTM 98,74%, lebih tinggi 1,76 poin daripada Transformer sebesar 96,98%, serta macro F1-score 98,97% dibandingkan 96,07%. Pada Stream Processing, setiap model diuji dalam tiga sesi selama lima menit setelah stabilisasi 40 detik. Transformer menghasilkan waktu inferensi 7,247 ms, 42,72% lebih rendah daripada LSTM sebesar 12,653 ms. CPU, RAM, dan throughput keduanya relatif sebanding, sedangkan artefak LSTM 32,82% lebih kecil. Kedua model memenuhi kebutuhan kinerja dengan trade-off antara kecepatan inferensi dan ukuran artefak.
Implementasi Sistem Inferensi Klasifikasi Detak Jantung Berbasis Convolutional Neural Network pada Perangkat Mobile Tanjung, Hanif Fakhruddin; Pramukantoro, Eko Sakti
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pemantauan detak jantung secara akurat dan real-time merupakan kebutuhan krusial dalam deteksi dini penyakit kardiovaskular, namun analisis mengenai performa komputasi model klasifikasi detak jantung otomatis pada perangkat mobile masih terbatas. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa inferensi on-device dari sebuah model convolutional neural network (CNN) hibrida yang mengintegrasikan sinyal mentah dengan 37 fitur morfologi time-domain. Implementasi dilakukan secara native pada platform Android menggunakan bahasa pemrograman Kotlin dan arsitektur MVVM, dengan menggunakan sensor Polar H10 sebagai sumber data melalui protokol Bluetooth low energy (BLE). Berdasarkan hasil eksperimen pada perangkat dengan prosesor Snapdragon 665, sistem mampu melakukan inferensi dengan rata-rata latensi sebesar 6,43 ms per detak jantung, penggunaan memori rata-rata sebesar 8,8 MB, dan beban CPU sebesar 7,92%. Pengujian selama 10 menit membuktikan stabilitas dan reliabilitas sistem dengan total 1.573 detak yang berhasil diklasifikasikan tanpa adanya degradasi performa ataupun kegagalan sistem. Penelitian ini menyimpulkan bahwa implementasi sistem inferensi secara native pada perangkat mobile sangat layak untuk mendukung aplikasi pemantauan kesehatan jantung yang responsif, privat, dan efisien sumber daya melalui pemanfaatan sumber daya komputasi lokal perangkat secara optimal.
Implementasi Sistem Pemeriksaan Keamanan Berbasis Static Application Security Testing (SAST) dengan Arsitektur Software as a Service (SaaS) pada Open Journal Systems (OJS) Mataram, Putu Divakara; Pramukantoro, Eko Sakti; Amron, Kasyful
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Open Journal Systems (OJS) banyak digunakan untuk mengelola jurnal ilmiah di Indonesia. Instalasi OJS menghadapi risiko keamanan pada kode sumber, berkas konfigurasi, dan upload directory. Pemeriksaan kode sumber saja belum mencakup kondisi aktual instalasi. Aturan statis generik belum tentu mengenali pola khas OJS. Penelitian ini membangun sistem pemeriksaan keamanan statis khas OJS dengan arsitektur Software as a Service yang memisahkan agen SAST pada VPS OJS dan service SAST pada VPS SAST. Kinerja sistem dievaluasi melalui dua dimensi, yaitu kesesuaian hasil tiga modul terhadap data acuan dan kinerja layanan dalam memproses tugas pemindaian. Agen SAST mengumpulkan artefak secara read-only. Service SAST memeriksa kode sumber dengan ruleset berbasis CVE dan pembatasan versi, config.inc.php, serta manifes unggahan. Pada evaluasi internal di laboratorium terkontrol dengan OJS 2.4.8-4, 3.3.0-13, dan 3.4.0-7, modul kode sumber mendeteksi seluruh 14 unit evaluasi CVE yang berlaku. Modul konfigurasi mengklasifikasikan seluruh kasus berlabel sesuai acuan tanpa false positive. Modul upload directory mencapai kinerja serupa. Ruleset generik pembanding tidak menghasilkan temuan yang dapat dipetakan ke CVE acuan. Service SAST menyelesaikan 250 tugas pemindaian tanpa kegagalan. Penelitian memakai data acuan yang sama pada pembentukan aturan dan evaluasi. Oleh karena itu, capaian tersebut terbatas pada CVE terkurasi, data uji, dan lingkungan laboratorium.