Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika Progres Jurnal Ilmiah Sistem Informasi
Dedy Kiswanto
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Medan
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Miniature Medical Car Didukung dengan Pulse Arm Band Berbasis Algoritma XGBoost dalam Deteksi Pola Abnormal Detak Jantung Adamsyach Prana Walidin; Dedy Kiswanto; Tri Sapta Warman Zai; Fafmi Sagala
Jurnal Ilmiah Sistem Informasi Vol 5 No 2 (2026): May: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/p4ey0516

Abstract

Peningkatan kasus gangguan kardiovaskular menuntut adanya sistem pemantauan detak jantung yang tidak hanya akurat, tetapi juga mampu memberikan respons cepat terhadap kondisi abnormal. Penelitian ini bertujuan mengembangkan sistem pemantauan detak jantung berbasis Internet of Things (IoT) yang terintegrasi dengan algoritma Extreme Gradient Boosting (XGBoost) untuk mendeteksi pola detak jantung abnormal secara real-time serta memicu respons otomatis melalui Miniature Medical Car. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan metode simulasi, di mana data denyut jantung dikumpulkan menggunakan Pulse Armband berbasis ESP32-C3 Mini dan sensor MAX30102, kemudian dikirim ke server untuk diproses melalui pipeline data mining. Dataset penelitian terdiri dari 800 sampel yang dibagi menjadi kelas normal dan abnormal, kemudian diolah menjadi 14 fitur statistik dan variabilitas detak jantung untuk proses pelatihan model. Hasil penelitian menunjukkan bahwa model XGBoost mencapai akurasi 94%, precision 93,3%, recall 93,3%, F1-score 0,933, serta ROC-AUC 0,96, yang mengindikasikan kinerja tinggi dalam membedakan pola detak jantung normal dan abnormal. Integrasi model dengan miniature car memungkinkan sistem memberikan respons fisik secara otomatis saat mendeteksi kondisi berisiko. Kontribusi penelitian ini mencakup pengembangan sistem IoT–ML real-time yang efisien, penggunaan fitur statistik ringkas untuk data fisiologis, serta implementasi respons berbasis robotik. Implikasi penelitian membuka peluang penerapan pada sistem monitoring medis jarak jauh, lingkungan publik, maupun perangkat asistif berbiaya rendah.
PENINGKATAN AKURASI DETEKSI DINI KEBAKARAN BERBASIS IOT MENGGUNAKAN ALGORITMA RANDOM FOREST Ruth Amelia Vega S. Meliala; Dedy Kiswanto; Freyro Dobry Sianipar; Fauzan Azima Lubis
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

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

Abstract

Fire is one of the most frequent disasters and poses a significant risk to human safety, environmental sustainability, and property due to delayed early detection. This study aims to design and implement an early fire warning system based on the Internet of Things (IoT) enhanced with Machine Learning to improve detection accuracy and reliability. The system utilizes an ESP32 microcontroller as an edge node integrated with a DHT11 sensor for temperature and humidity, an MQ-2 sensor for gas and smoke concentration, and a flame sensor for fire detection. Multisensor data are transmitted in real time to a Flask-based server via the HTTP protocol and processed using a Random Forest classification model to determine environmental conditions as either safe or fire-hazardous. The classification results are displayed on a web-based dashboard and accompanied by automatic notifications delivered through a Telegram bot. Experimental results show that the proposed system achieves a detection accuracy of 94%, a low false positive rate, and a notification latency of less than 3 seconds, based on experiments conducted using a dataset of 3000 samples with an 80:20 split between training and testing data.The integration of IoT and Machine Learning demonstrates superior performance compared to conventional threshold-based methods, making the system a promising preventive solution for fire risk mitigation in residential and industrial environments.
Co-Authors Adamsyach Prana Walidin Fafmi Sagala Fauzan Azima Lubis Freyro Dobry Sianipar Ruth Amelia Vega S. Meliala Tri Sapta Warman Zai