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 
Evaluasi Dan Optimalisasi Model CNN-Transformer Encoder dalam Deteksi Stres Melalui Sinyal Suara Prasetio, Barlian Henryranu; Widasari, Edita Rosana; Shabiyya, Syifa’ Hukma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Deteksi stres melalui sinyal suara masih menghadapi tantangan akurasi karena keterbatasan model konvensional dalam menangkap distribusi frekuensi spasial-temporal. Oleh karena itu, diperlukan pendekatan baru yang mampu mengekstraksi pola kompleks secara efektif. Artikel ini mengeksplorasi peningkatan performa deteksi stres melalui sinyal suara dengan mengintegrasikan model Convolutional Neural Network (CNN) dan Transformer Encoder. Kami mengevaluasi berbagai konfigurasi jumlah head pada self-attention dan nilai learning rate untuk model CNN-Transformer Encoder guna mengidentifikasi parameter optimal. Hasil eksperimen menunjukkan bahwa konfigurasi dengan 6 head pada Transformer Encoder dan learning rate 0,01 memberikan performa terbaik dengan nilai loss terendah sebesar 0,5034, akurasi tertinggi 78,37%, serta peningkatan pada precision, recall, dan F1-score. Selain itu, penggabungan model CNN dengan Transformer Encoder secara paralel secara signifikan meningkatkan akurasi deteksi stres dibandingkan dengan model baseline CNN dan DSCNN. Pengujian lebih lanjut menggunakan confusion matrix menunjukkan keunggulan model DSCNN-Transformer Encoder dalam mendeteksi kelas stres dengan akurasi tertinggi. Pengujian pada dataset yang berbeda juga menunjukkan bahwa model yang diusulkan memiliki kestabilan yang baik. Temuan ini menegaskan efektivitas integrasi Transformer Encoder dalam meningkatkan performa deteksi stres pada sinyal suara.   Abstract Stress detection through speech signals still faces accuracy challenges due to the limitations of conventional models in capturing spatial-temporal frequency distributions. Therefore, new approaches are needed that can effectively extract complex patterns. This study explores enhancing stress detection performance through speech signals by integrating Convolutional Neural Network (CNN) and Transformer Encoder models. We evaluated various configurations of self-attention head counts and learning rates for the CNN-Transformer Encoder model to identify optimal parameters. Experimental results indicate that a configuration with 6 heads in the Transformer Encoder and a learning rate of 0.01 yields the best performance with the lowest loss of 0.5034, highest accuracy of 78.37%, and improvements in precision, recall, and F1-score. Furthermore, the parallel integration of CNN with Transformer Encoder significantly improves stress detection accuracy compared to baseline CNN and DSCNN models. Further analysis using confusion matrices highlights the superior performance of the DSCNN-Transformer Encoder model in detecting stress classes with the highest accuracy. These findings affirm the effectiveness of integrating Transformer Encoder in enhancing stress detection performance from voice signals.
Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram Fuad, Alifa Azwadina; Widasari, Edita Rosana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 1: Februari 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi.   Abstract Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.
Implementasi Sinkronisasi Waktu Pada Automatic Gloves Berbasis ESP-NOW Menggunakan Lightweight Time Synchronization Aryawidyawan, Mochammad Farrel; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pasien koma membutuhkan stimulasi sensorik untuk mendukung peningkatan kesadaran, salah satunya melalui gerakan pasif pada jari tangan. Namun, di ruang ICU RSSA Malang, stimulasi ini masih bergantung pada intervensi langsung tenaga medis, sementara jumlah perawat terbatas. Penelitian ini bertujuan mengembangkan automatic gloves bagi pasien koma untuk memberikan stimulasi sensorik secara lebih maksimal. Dengan penerapan sinkronisasi waktu, kedua automatic gloves dapat memulai dan mengakhiri gerakan secara bersamaan serta berhenti pada posisi tangan terbuka demi keamanan dan kenyamanan pasien maupun tenaga medis. Sistem dikembangkan berbasis ESP-NOW dengan metode Lightweight Time Synchronization untuk mendukung komunikasi nirkabel antara sarung tangan kanan dan kiri. Automatic gloves menggunakan servo MG996R Continuous sebagai aktuator penarik tali pada jari dan mikrokontroler ESP32 DEVKIT V1 sebagai pengatur sistem sekaligus media komunikasi antar perangkat. Hasil pengujian menunjukkan sistem berhasil menjalankan seluruh fungsionalitas, mulai dari komunikasi nirkabel hingga pergerakan servo. Pengujian pada enam subjek menunjukkan sistem bekerja stabil dan mampu menjalankan siklus gerakan secara konsisten. Penerapan Lightweight Time Synchronization meningkatkan sinkronisasi penjadwalan gerakan servo dengan penurunan delay hingga 98,92%. Pada skenario tanpa sinkronisasi waktu, selisih eksekusi mencapai 13.274 µs, sedangkan setelah penerapan metode ini delta terkecil menjadi 13,67 µs dengan rata-rata sekitar 16 µs.
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