Article Per Year (5 Year)
p-Index From 2021 - 2026
6.874
P-Index
This Author published in this journals
All Journal International Journal of Reconfigurable and Embedded Systems (IJRES) Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics 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)
Edita Rosana Widasari, Edita Rosana
Unknown Affiliation
Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Public Health Social Sciences

Published : 53 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 53 Documents
Search

 2   3   4   5   6 
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 Pendeteksi Central Sleep Apnea Menggunakan Metode Neural Network dengan Fitur RR Interval dan Durasi QRS Ratanasari, Dittha; Widasari, Edita Rosana; Maulana, Rizal
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.2022976758

Abstract

Penyakit Central Sleep Apnea (CSA) adalah gangguan tidur akibat otak gagal memberi tahu otot-otot untuk bernapas sehingga terjadi periode henti napas ketika tidur. Kondisi ini menganggu jumlah, kualitas atau durasi tidur seseorang dan memicu sumber masalah kelelahan di siang hari, masalah jantung, tekanan darah tinggi dsb. Standar diagnosis pemeriksaan kondisi CSA adalah polisomnografi yang terkenal terbatas. Sebab tingginya prevalensi Sleep Apnea dan kurangnya ketersediaan diagnosis pemeriksaan, juga dibutuhkan biaya yang relatif tinggi. Penelitian ini dilakukan untuk mengembangkan sistem portable dalam membantu mendeteksi penyakit CSA. Sinyal ECG jantung dimanfaatkan karena irama jantung berdetak secara berbeda saat periode henti napas tiba-tiba waktu tidur, yang telah dinilai membantu proses diagnosis. Sistem dirancang dengan mikrokontroller Arduino Uno, sensor AD8232 dan modul Bluetooth HC-05. Sensor sebagai pendeteksi aktifitas listrik jantung, dengan 3 buah elektroda menempel pada dada untuk merekam lalu diekstraksi fitur RR interval dan durasi QRS. Kedua fitur pada 18 set data uji diklasifikasi dengan metode Neural network, keluarannya berupa kelas Normal atau Apnea ditampilkan pada smartphone dengan konektivitas Bluetooth. Pengujian kinerja sistem untuk deteksi sensor memperoleh nilai 96.18%, dan presentase akurasi klasifikasi Neural Network menghasilkan 83.3% dengan waktu komputasi 46.44 ms. AbstractCentral sleep apnea (CSA) is a sleep disease in which the brain fails to send signals to the muscles to breathe, resulting in periods of no breathing during sleep. This disorder interferes with a person's sleep quantity, quality, or duration, which can lead to daytime weariness, heart difficulties, high blood pressure, and other issues. Polysomnography is the primary diagnostic technique for Central Sleep Apnea, yet it is notoriously restricted. The expenditures are relatively expensive due to the high incidence of sleep apnea and the paucity of diagnostic methods. The goal of this study was to create a portable device for detecting CSA illness. It has been evaluated to help in the diagnosing process and uses cardiac ECG data since the heart rhythms alter during periods of abrupt stoppage during sleep. The Arduino Uno microcontroller, AD8232 sensor, and HC-05 Bluetooth module are used in the system. With three electrodes attached to the chest to record and then extract the RR interval and QRS duration properties, the sensor is used to monitor the electrical activity of the heart. The Neural network technique classifies the two properties in the 18 test data sets, and the output in the form of Normal or Apnea classes is shown on a smartphone with Bluetooth connectivity. The sensor detection system performance test yielded a result of 96.18%, and the percentage accuracy of Neural Network classification was 83.3% with a processing time of 46.44ms.
Sistem Deteksi Myocardial Infarction Berdasarkan Pathological Q Waves Dan ST Segment Elevation Menggunakan Metode Support Vector Machine Prasetyo, Ragil Hadi; Widasari, Edita Rosana; Budi, Agung Setia
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.2022976837

Abstract

Jantung merupakan organ yang sangat penting bagi tubuh manusia karena jika mengalami gangguan pada jantung akan memberi dampak yang besar pada tubuh. Menurut World Health Organization (WHO) kematian yang disebabkan oleh penyakit jantung di dunia mencapai 17.9 juta setiap tahunnya. Salah satu gangguan pada jantung adalah Myocardial Infarction yaitu gangguan yang diakibatkan oleh penyumbatan darah menuju jantung. Salah satu cara untuk mengetahui seseorang menderita Myocardial Infarction yaitu dengan melakukan tes Electrocardiogram (ECG), tetapi untuk melakukan test ECG tersebut cukup mahal dan sulit dijangkau untuk beberapa orang. Penelitian ini melakukan deteksi Myocardial Infarction berdasarkan 2 kondisi sinyal abnormal yaitu Pathological Q Waves dan ST Segment Elevation. Kedua kondisi sinyal abnormal tersebut dapat digunakan untuk mendeteksi Myocardial Infarction. Penelitian ini menggunakan modul sensor AD8232 sebagai input untuk membaca aliran listrik pada jantung. Kemudian sinyal yang dibaca oleh sensor diproses di Arduino Uno dan dilakukan klasifikasi dan menampilkan hasilnya pada LCD 16x2 sebagai output. Penelitian ini melakukan pengujian modul sensor AD8232 dalam menghitung Beat per Minute (BPM) dan mendapatkan akurasi 99%. Klasifikasi yang digunakan yaitu Support Vector Machine yang mendapatkan akurasi 83.,30% dengan rata-rata waktu komputasi 31,20ms.AbstractHeart is a very important organ for the human body because if you experience a disorder of the heart it will have a big impact on the body. According to the World Health Organization (WHO), deaths caused by heart disease in the world reach 17.9 million each year. One of the disorders in the heart is Myocardial Infarction which is a disorder caused by blood blockage to the heart. One way to find out someone has Myocardial Infarction is to do an Electrocardiogram (ECG) test, but to do an ECG test is quite expensive and difficult to reach for some people. This study detected Myocardial Infarction based on 2 abnormal signal conditions, namely Pathological Q Waves and ST Segment Elevation. Both abnormal signal conditions can be used to detect Myocardial Infarction. This study used the AD8232 sensor module as an input to read the electricity flow in the heart. Then the signal read by the sensor is processed in the Arduino Uno and is classified and displays the result on a 16x2 LCD as an output. The study tested the AD8232 sensor module in calculating (Beat Per Minute)BPM and obtained 99% Accuracy. The classification used is the Support Vector Machine which gets an accuracy of 83.30% with an average computing time of 31.20ms.
Sistem Pendeteksi Sleep-Disordered Breathing Berdasarkan High dan Low Frequency Menggunakan Metode Naïve Bayes Ghifari, Achmad; Widasari, Edita Rosana
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.2024106913

Abstract

Tidur merupakan aktivitas dimana otak memberikan tubuh waktu istirahat secara total. Kualitas tidur penting untuk menjaga kondisi fisik maupun mental seseorang. Buruknya kualitas tidur disebabkan oleh gangguan tidur. Gangguan tidur yang paling umum terjadi adalah Sleep-disordered Breathing (SDB) atau Sleep Apnea, dimana penderitanya akan mengalami henti napas secara berulang saat tertidur. Sleep Apnea dikategorikan menjadi 2, yaitu Obstructive Sleep Apnea (OSA) dan Central Sleep Apnea (CSA). Diagnosis gangguan tidur dilakukan dengan Polysomnography yang cenderung mahal dan kurang nyaman. Hasil Polysomnography juga tidak dapat langsung digunakan oleh dokter untuk evaluasi lebih lanjut. Oleh karena itu, pada penelitian ini dibuat sistem pendeteksi gangguan tidur ke dalam kelas Normal, OSA, atau CSA menggunakan sinyal Electrocardiography (ECG) yang diakuisisi dengan teknik 3-lead placement. Sistem ini menggunakan sensor AD8232 dalam mengakuisisi sinyal jantung yang akan diproses oleh Arduino Mega 2560 untuk mendapatkan fitur High dan Low Frequency dari sinyal yang kemudian digunakan untuk klasifikasi. Sistem ini memiliki akurasi sebesar 85% dalam melakukan klasifikasi SDB menggunakan metode Naïve Bayes dengan rata-rata waktu komputasi sebesar 12ms. Sistem ini dapat digunakan di rumah karena bersifat portable dan datanya dapat langsung diunduh melalui websiteuntuk evaluasi dokter, sehingga membuat pasien merasa lebih nyaman dan efisien dalam melakukan diagnosis dini. Abstract Sleep is an activity in which the brain gives the body total rest. The quality of sleep is important to maintain someone's physical and mental condition. Poor sleep quality is caused by sleep disorders. The most common sleep disorder is Sleep-Disordered Breathing (SDB) or Sleep Apnea, in which the sufferer will experience repeated pauses in breathing while asleep. Sleep Apnea is categorized into two, namely Obstructive Sleep Apnea (OSA) and Central Sleep Apnea (CSA). Sleep disorder diagnosis is done with Polysomnography which is expensive and uncomfortable. The result of Polysomnography can also not be directly used by doctors for further evaluation. Therefore, in this research, a system was created to detect sleep disorders into Normal, OSA, or CSA classes using Electrocardiography (ECG) signals acquired by the 3-lead placement technique. This system uses AD8232 sensors to acquire heart signals that are processed by Arduino Mega 2560 to obtain High and Low-frequency features of the signal, which are then used for classification. This system has an accuracy of 85% in classifying SDB using the Naive Bayes method with an average computation time of 12ms. This system can be used at home because it is portable and the data can be directly downloaded from the website for doctor evaluation, making the patient feel more comfortable and efficient in early diagnosis.
Analisis Kelelahan Otot pada Pengemudi Menggunakan Root Mean Square Slope Berbasis Sinyal Electromyogram Rava Athalla, Muhammad; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Kelelahan otot pada pengemudi, terutama pada otot biceps brachii yang berperan penting dalam pengendalian setir kendaraan yang berpotensi menurunkan kestabilan dan konsentrasi gerak mikro saat berkendara jarak jauh atau dalam kondisi lalu lintas yang memaksa posisi statis. Sebagian besar sistem deteksi kelelahan berfokus pada citra wajah, mata, atau pola berkendara, sedangkan kajian terhadap kelelahan otot lokal masih jarang dilakukan. Penelitian ini memosisikan deteksi kelelahan otot sebagai lapisan komplementer, bukan pengganti untuk mendukung sistem deteksi kantuk dan kelelahan mental yang telah lebih banyak dikembangkan. Penelitian ini mengusulkan pendekatan berbasis sinyal electromyogram (EMG) dengan parameter Root Mean Square (RMS) Slope untuk mendeteksi kelelahan otot biceps brachii. Data EMG diperoleh dari lima subjek pria berusia 21–22 tahun menggunakan sensor Shimmer EMG selama simulasi mengemudi mobil penumpang dengan simulator PXN V900. Sinyal EMG direkam pada frekuensi sampling 1000 Hz, kemudian diproses melalui tahapan pra-pemrosesan dan penyaringan untuk meminimalkan noise. Hasil penelitian menunjukkan bahwa sinyal EMG yang terekam konsisten berada dalam rentang milivolt sesuai dengan spesifikasi sensor. Sistem deteksi kelelahan otot mencapai akurasi 75% melalui ekstraksi fitur RMS dan klasifikasi berbasis RMS Slope. Selain itu, sistem memiliki rata-rata waktu komputasi 0,080 second per jendela 1 detik, yang cukup cepat untuk pemantauan real-time. Dengan kemampuan ini, sistem menunjukkan potensi penerapan sebagai komponen tambahan dalam meningkatkan keselamatan berkendara.   Abstract Muscle fatigue in drivers, particularly in the biceps brachii which plays a key role in steering control, may compromise driving stability and fine-motor concentration during long trips or under traffic conditions requiring a static posture. Most existing fatigue detection systems focus on facial cues, eye movements, or driving patterns, while localized muscle fatigue has rarely been explored. This study positions muscle fatigue detection as a complementary layer, rather than a replacement, to support mental and drowsiness detection systems that have been more widely developed. An approach using electromyogram (EMG) signals and the Root Mean Square (RMS) Slope parameter is proposed to detect biceps brachii fatigue. EMG data were collected from five male subjects aged 21–22 years using Shimmer EMG sensors during passenger car driving simulations with a PXN V900 steering simulator. The signals were recorded at a 1000 Hz sampling rate and processed with pre-processing and filtering stages to minimize noise. Results show that the recorded EMG signals consistently remained within the millivolt range, in accordance with sensor specifications. The system achieved 75% detection accuracy through RMS feature extraction and RMS Slope classification. In addition, the average computation time was 0.080 per 1-second window, fast enough for real-time monitoring. These findings highlight the potential of integrating localized muscle fatigue detection as a complementary component to enhance driving safety.
Estimasi Tarikan Gerakan Pada Automatic Gloves Menggunakan Proportional Integral Derivative Faiqoh, Rifdah; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pasien koma memerlukan perawatan intensif dan berkelanjutan berupa pemberian stimulasi sensorik untuk menstimulasi sistem saraf. Kendala utama berupa ketidaksesuaian perangkat pemberian stimulasi yang ada serta keterbatasan jumlah tenaga medis. Dengan mengembangkan sepasang automatic gloves dengan dengan mekanisme gerak berupa tarikan tali menggunakan algoritme Proportional-Integral-Derivative (PID) agar tetap aman dan presisi diharap dapat mengatasi kendala tersebut. Sistem utama automatic gloves adalah integrasi dari beberapa komponen diantaranya adalah mikrokontroler ESP32 DEVKIT V1, servo MG996R continuous, dan potensiometer 3006P multiturn sebagai sensor umpan balik. Dengan melakukan serangkaian pengujian sehingga mendapatkan hasil bahwa metode tuning chien servo memberikan respons sistem yang paling halus dan stabil dengan rata-rata overshoot hanya 6.5% dibandingkan dengan metode Ziegler-Nichols 10.1% dan chien regulator 9.9%. Untuk mengestimasi tarikan tali diketahui juga bahwa 1 cm jarak tarikan pada setara dengan 80.3 nilai potensiometer hal ini juga menunjukkan hubungan linear yang konsisten antara jarak tarikan dengan nilai yang dibaca oleh potensiometer. Secara keseluruhan dengan menerapkan algoritme Proportional-Integral-Derivative (PID) sistem dapat menjaga akurasinya hingga 84.2% yang mana jauh lebih unggul dengan yang tidak menggunakan Proportional-Integral-Derivative (PID) yang mengalami ketidakkonsistenan posisi mencapai 100%. Dapat disimpulkan bahwa penggunaan algoritme Proportional-Integral-Derivative (PID) pada sepasang automatic gloves dengan parameter yang dihasilkan melalui metode tuning chien Servo mampu memberikan stimulasi sensorik yang sesuai dengan kebutuhan klinis pasien koma berupa gerakan fleksi dan ekstensi yang aman dan terkontrol.
Implementasi Pan-Tompkins++ Berbasis Shimmer Electrocardiography Sensor untuk Deteksi R-Peak dan Ekstraksi Fitur ECG sebagai Dasar Estimasi Tekanan Darah Alhamid, Faticha Kamila; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pemantauan tanda vital secara kontinu merupakan kebutuhan penting dalam perawatan klinis modern. Namun, penggunaan banyak sensor pada patient vital signs monitor, khususnya perangkat pengukur tekanan darah berbasis manset, dapat menyebabkan ketidaknyamanan serta meningkatkan kompleksitas peralatan. Penelitian ini berfokus pada pengembangan tahapan awal sistem estimasi tekanan darah berbasis sinyal electrocardiogram (ECG), yaitu proses deteksi puncak R dan ekstraksi fitur yang relevan sebagai masukan model prediksi. Sinyal ECG direkam secara real-time menggunakan Shimmer Electrocardiography Sensor melalui streaming Bluetooth, kemudian dilakukan pre-processing untuk mereduksi baseline wander dan noise. Selanjutnya, deteksi R-peak dilakukan menggunakan algoritma Pan-Tompkins++ yang lebih robust terhadap noise melalui adaptive thresholding, T-wave discrimination, serta mekanisme search-back untuk mengurangi missed beat. Berdasarkan posisi R-peak yang tervalidasi, diekstraksi fitur morfologis (HR, HRV, QT, QTc, TQ, SDI, SDIn) dan fitur statistik (RMS, Hjorth Mobility, Hjorth Complexity) sehingga terbentuk vektor fitur per siklus atau segmen yang siap digunakan pada tahap pemodelan regresi estimasi tekanan darah pada penelitian lanjutan.
Perancangan Sistem Identifikasi Awal Kanker Payudara Menggunakan Metode Support Vector Machine Berdasarkan Sinyal Elektrokardiogram J'Verron, Shadam; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan, sehingga diperlukan upaya deteksi dini yang efektif dan mudah diimplementasikan. Namun, metode deteksi dini yang tersedia masih memiliki keterbatasan dari sisi invasivitas serta keterbatasan fasilitas, yang berpotensi menurunkan partisipasi pasien dalam pemeriksaan. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning menggunakan model Support Vector Machine (SVM) dalam membangun sistem skrining awal kanker payudara berbasis sinyal electrocardiogram (ECG) dengan memanfaatkan parameter heart rate variability (HRV) domain frekuensi. Fitur HRV yang digunakan meliputi low frequency (LF), high frequency (HF), dan rasio LF/HF, yang diekstraksi dari sinyal ECG dan digunakan sebagai masukan pada model klasifikasi SVM. Evaluasi kinerja sistem dilakukan berdasarkan kemampuan deteksi R-peak, kinerja klasifikasi, dan waktu komputasi. Hasil menunjukkan bahwa sistem mampu melakukan deteksi R-peak dengan akurasi rata-rata sebesar 98%, sehingga fitur HRV dapat dihitung secara andal. Model SVM menghasilkan akurasi klasifikasi sebesar 60% pada data uji, dengan performa yang lebih baik dalam mengidentifikasi subjek sehat dibandingkan subjek dengan indikasi kanker payudara. Hasil ini menunjukkan bahwa HRV domain frekuensi memiliki potensi sebagai indikator fisiologis pendukung dalam sistem skrining awal kanker payudara, meskipun masih memiliki keterbatasan apabila digunakan sebagai satu-satunya dasar deteksi.
Sistem Deteksi Supraventricular Extrasystole Menggunakan Metode Convolutional Neural Network Berbasis Shimmer Electrocardiography Sensor Butarbutar, Erlinda; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Supraventricular Extrasystole (SVE) merupakan gangguan irama jantung yang sering terjadi dan dapat menjadi indikator awal penyakit kardiovaskular. Deteksi dini SVE penting untuk mendukung pengambilan keputusan klinis yang cepat dan akurat. Namun, identifikasi SVE masih banyak bergantung pada anotasi manual rekaman ECG jangka panjang, yang memerlukan waktu lama dan berpotensi menimbulkan kesalahan. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem deteksi SVE yang otomatis dan efisien berbasis sensor wearable dan deep learning. Sistem yang dikembangkan memanfaatkan Shimmer Electrocardiography Sensor untuk akuisisi sinyal ECG, yang kemudian diproses melalui tahap pra-pemrosesan berupa penyaringan noise dan normalisasi. Proses klasifikasi dilakukan menggunakan Convolutional Neural Network (CNN) dengan arsitektur U-Net 1D, serta diintegrasikan ke dalam aplikasi berbasis Python dengan antarmuka grafis untuk visualisasi real-time. Hasil penelitian ini menunjukkan bahwa 86.67% data uji berada pada rentang amplitudo fisiologis 0.5 – 5 mV, dengan nilai MAPE sebesar 0.071% yang menunjukkan akurasi pengiriman data 99.93%. Sistem mampu mengklasifikasikan sinyal ECG ke dalam kelas Normal dan SVE dengan akurasi 96.67% serta waktu komputasi rata-rata 1.8 detik. Dengan demikian, sistem ini berpotensi menjadi alat bantu yang andal bagi tenaga medis dalam mendeteksi SVE secara cepat dan objektif.
Perancangan Sistem Identifikasi Awal Kanker Payudara Berbasis Random Forest Menggunakan Fitur SDNN, RMSSD, dan pNN50 Dari Sinyal Photoplethysmogram Rohman, Zahra Auliaul; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker payudara merupakan penyakit dengan prevalensi tinggi pada perempuan dan seringkali terdeteksi pada stadium lanjut, sehingga diperlukan metode deteksi dini yang bersifat non-invasif, praktis, dan mudah digunakan sebagai skrining awal. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini kanker payudara berbasis sinyal Photoplethysmogram (PPG) dengan memanfaatkan analisis Heart Rate Variability (HRV) dan algoritma Random Forest. Sinyal PPG diperoleh menggunakan sensor MAX30102 yang ditempatkan pada ujung jari subjek. Dari sinyal tersebut dilakukan deteksi Normal-to-Normal interval (NN interval) untuk mengekstraksi fitur HRV domain waktu, yaitu SDNN, RMSSD, dan pNN50. Model Random Forest dilatih menggunakan dataset HRV sekunder dan kemudian diimplementasikan ke dalam sistem berbasis ESP32. Pengujian sistem dilakukan untuk mengevaluasi akurasi deteksi NN interval, kesesuaian pembacaan nilai denyut jantung, akurasi prediksi klasifikasi sistem pada subjek uji, serta waktu komputasi sistem. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi NN interval dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,32% dan pembacaan nilai heart rate dengan MAPE sebesar 1,68%, yang menunjukkan tingkat akurasi pengukuran yang baik. Pada pengujian klasifikasi subjek, sistem mampu mengklasifikasikan 3 dari 5 subjek secara sesuai dengan hasil Pemeriksaan Payudara Klinis (SADANIS), dengan kesalahan klasifikasi berupa false negative pada subjek dengan indikasi kanker payudara. Waktu komputasi rata-rata sistem sebesar 1,7378 ms menunjukkan bahwa sistem memiliki kinerja yang cepat dan stabil. Berdasarkan hasil tersebut, sistem yang dikembangkan memiliki potensi sebagai alat bantu skrining awal kanker payudara berbasis HRV, meskipun masih memerlukan pengembangan lebih lanjut untuk meningkatkan performa klasifikasi dan sensitivitas terhadap subjek dengan indikasi kanker payudara.
Co-Authors adani, M. Syakhisk N. Adipratama, Ivan Rafli Agung Setia Budi, Agung Setia Aji, Eko Prastowo Akbar, Rizky Alhamid, Faticha Kamila Aryawidyawan, Mochammad Farrel Audrian, Nathaniel Azizy, Faqih Barlian Henryranu Prasetio Bhanu Shidqianto, Naufal Butarbutar, Erlinda Chatarina Umbul Wahyuni Daffa, Ali Zhafran Dahnial Syauqy Dananjaya, Andreas Wirawan Daniswara, Muhammad Ananta Dewa, Muklas Isa Eko Setiawan Fabiana, Ryzaldi Ananda Faiqoh, Rifdah Fauzi, Muhammad Aqil Fuad, Alifa Azwadina Gabriel Hizkia Marhata Simbolon Gembong Edhi Setyawan Ghifari, Achmad Giffary, Muhammad Zufar Hakim, Muhammad Ilham Hanafi, Muhammad Imam Hanifa Maulani Ramadhan Hurriyatul Fitriyah, Hurriyatul IKA NURFARIDA J'Verron, Shadam Ksatria, Fatih Raka Kurnia, Yudisthira Dwi Muhammad Fahrizal, Muhammad Musharrif, Mohammad Faiz Nashrullah, Ikbar Razan Nugraha, Aldia Agri Palwa Luktagara, Abim Renara Perkasa, Septiyo Budi Prakoso, Raihan Pramana, Danish Gyan Prasetyo, Ragil Hadi Ratanasari, Dittha Rava Athalla, Muhammad Rizal Maulana, Rizal Rohman, Zahra Auliaul Rohmandzoni, Achmad Santoso, Teguh Surya Darma Saputra, Naufal Rijaldi Shabiyya, Syifa’ Hukma Simbolon, Gabriel Hizkia Marhata Surya Darma Santoso, Teguh Syahrul Chilmi, Syahrul syauqi Toar, Mikhael Ryan Trido, Pradytia Vebrianto, Yudaneru Yasa Palaguna Umar, Yasa Palaguna Yunus, Ahmad Haykal