Claim Missing Document
Check
Articles

Found 2 Documents
Search

Smart Healthcare Dengan IoT: Implementasi dan Tantangan pada Sistem Kesehatan Berkelanjutan Raden Roro Dalilati Nabilah Karamina; Ilham Ilham
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 1 (2025): Februari 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i1.8413

Abstract

Abstrak - Internet of Things (IoT) telah membawa berbagai inovasi, termasuk transformasi signifikan dalam bidang kesehatan melalui konsep Smart Healthcare. Teknologi ini memungkinkan pemantauan kesehatan jarak jauh, telemedicine, manajemen obat, dan analisis data kesehatan secara real-time, yang mendukung pengambilan keputusan klinis lebih cepat dan akurat. Dengan IoT, sistem kesehatan menjadi lebih efisien melalui pengumpulan data medis yang lebih akurat dan terintegrasi. Meskipun menawarkan manfaat besar, implementasi IoT dalam kesehatan menghadapi tantangan signifikan, seperti keamanan dan privasi data pasien, desain perangkat wearable yang nyaman, manajemen daya rendah, serta pengelolaan big data. Selain itu, kurangnya standarisasi dan interoperabilitas antar perangkat serta sistem juga menjadi hambatan utama yang perlu diatasi. Tantangan ini menuntut solusi inovatif, seperti pengembangan protokol standar, teknologi enkripsi yang lebih canggih, dan perangkat dengan desain yang lebih ramah pengguna. Dengan mengatasi hambatan ini, IoT dapat semakin mengoptimalkan sistem perawatan kesehatan, memastikan keberlanjutan Smart Healthcare, serta memberikan manfaat jangka panjang bagi pasien dan penyedia layanan kesehatan.Kata kunci: Internet of Things, Pemantauan Kesehatan Jarak Jauh, Perangkat Wearable, Smart Healthcare, Telemedicine  Abstract - The Internet of Things (IoT) has brought about various innovations, including a significant transformation in the healthcare sector through the concept of Smart Healthcare. This technology enables remote health monitoring, telemedicine, medication management, and real-time health data analysis, which supports faster and more accurate clinical decision-making. With IoT, healthcare systems become more efficient through more accurate and integrated medical data collection. Despite its great benefits, the implementation of IoT in healthcare faces significant challenges, such as patient data security and privacy, comfortable wearable device design, low power management, and big data management. In addition, the lack of standardization and interoperability between devices and systems is also a major obstacle that needs to be overcome. These challenges require innovative solutions, such as the development of standard protocols, more advanced encryption technologies, and devices with more user-friendly designs. By overcoming these obstacles, IoT can further optimize healthcare systems, ensure the sustainability of Smart Healthcare, and provide long-term benefits to patients and healthcare providers.Keywords: Internet of Things, Remote Health Monitoring, Wearable Devices, Smart Healthcare, Telemedicine
Analisis Spasial Sebaran CCTV Menggunakan K-Means Clustering untuk Optimalisasi Penempatan CCTV Raden Roro Dalilati Nabilah Karamina; Andhy Permadi; Noor Wahyudi; Yunita Ardilla

Publisher :

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i5.9859

Abstract

Abstrak - Sistem transportasi cerdas menjadi solusi vital untuk manajemen lalu lintas di perkotaan, dengan kamera Closed-Circuit Television (CCTV) sebagai komponen utama. Di Kota X, implementasi sistem transportasi cerdas mengandalkan 580 unit CCTV yang tersebar di berbagai titik. Namun, seiring dengan meningkatnya jumlah perangkat, tantangan muncul dalam mengelola distribusinya yang sering kali tidak merata. Hal ini berpotensi menciptakan blind spot dan menghambat perencanaan penempatan CCTV baru yang berbasis data. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan K-Means Clustering untuk menganalisis sebaran lokasi CCTV. Data 580 titik lokasi CCTV diproses dan dikelompokkan menggunakan algoritma ini, dengan menggunakan Metode Elbow, nilai optimal Cluster ditetapkan pada K=3. Hasil analisis menunjukkan bahwa sebaran CCTV di Kota X tidak merata, dengan adanya area-area yang kurang terpantau. Analisis lebih lanjut berdasarkan kepadatan Cluster  (rasio luas area per jumlah CCTV) mengidentifikasi Cluster 1 sebagai area yang paling jarang terpasang CCTV. Cluster  ini berlokasi di Bagian Barat Kota X dan memiliki skor kepadatan tertinggi, yaitu 1.700.779,70 m²/CCTV. Berdasarkan temuan ini, centroid dari Cluster tersebut direkomendasikan sebagai lokasi prioritas untuk penambahan CCTV baru. Penelitian ini menunjukkan bahwa K-Means Clustering dapat menjadi pendekatan yang efektif untuk menyediakan rekomendasi strategis dalam mengoptimalkan sistem pengawasan lalu lintas. Kata kunci: Analisis Spasial; CCTV; K-Means Clustering; Optimalisasi Penempatan;Abstract - Intelligent transportation systems are becoming a vital solution for urban traffic management, with Closed-Circuit Television (CCTV) cameras serving as a core component. In X City, the city’s intelligent transport system relies on 580 CCTV units strategically placed throughout the area. However, as the number of devices increases, managing their distribution efficiently becomes a challenge. The lack of a systematic data-driven analysis of CCTV locations can lead to imbalanced surveillance and create potential blind spots, hindering the planning of new CCTV placements. This research aims to address this problem by applying K-Means Clustering to analyze the spatial distribution of CCTV locations. Data from 580 CCTV points were pre-processed and then grouped using this algorithm, using the Elbow Method, the optimal number of Clusters was determined to be K=3. The analysis revealed that the distribution of CCTV in X City is uneven, with certain areas being less monitored. Further analysis based on Cluster density (the ratio of area size to the number of CCTVs) identified Cluster 1 as the area with the sparsest CCTV coverage. This Cluster , located on the West side of X City, had the highest density score of 1,700,779.70 m²/CCTV. Based on these findings, the centroid of this Cluster  is recommended as a priority location for adding new CCTV units. This study demonstrates that K-Means Clustering can be used as an effective approach for providing strategic recommendations to optimize traffic surveillance systems. Keywords: Spatial Analysis; CCTV; K-Means Clustering; Steganography;