Garuda - Garba Rujukan Digital

Sistem Deteksi Myocardial Infarction Berdasarkan Pathological Q Waves Dan ST Segment Elevation Menggunakan Metode Support Vector Machine Ragil Hadi Prasetyo; Edita Rosana Widasari; Agung Setia Budi
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

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 Central Sleep Apnea Menggunakan Metode Neural Network dengan Fitur RR Interval dan Durasi QRS Dittha Ratanasari; Edita Rosana Widasari; Rizal Maulana
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

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 Identifikasi Kesehatan Pencernaan Berdasar Suara Usus Menggunakan Embedded System Ryzaldi Ananda Fabiana; Barlian Henryranu Prasetio; Eko Setiawan; Syahrul Chilmi; Edita Rosana Widasari
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231026515

Ileus adalah salah satu penyakit usus yang disebabkan oleh tersumbatnya lumen usus akibat berhentinya gerak peristaltik di dalam usus. Jika tidak ditangani dengan cepat, Ileus bisa menyebabkan usus berlubang. Namun, penderita Ileus seringkali tidak menyadari terjadinya penyakit ini di dalam tubuhnya, sehingga sebaiknya memeriksakan kesehatan pencernaan setiap hari sebagai pencegahan. Oleh karena itu, diperlukan stetoskop digital untuk memberikan jawaban dari hasil auskultasi. Penelitian ini menggunakan stetoskop yang dimodifikasi dengan soundcard yang terhubung dengan raspberry pi dan ditampilkan melalui aplikasi VNC Viewer. Sedangkan Convolutional Neural Network dengan model tensor flow digunakan sebagai metode klasifikasi dan MFCC teknik ekstraksi fiturnya. Sistem merekam dan mendeteksi kehadiran suara perut dengan auskultasi selama 10 detik, dan jika terdeteksi suara perut lebih dari 1 maka dapat disimpulkan pencernaan itu sehat, begitu juga sebaliknya. Dalam penelitian ini, uji klasifikasi untuk yang lain diberi label ‘NIHIL’ suara perut, dan hasil auskultasi adalah 5,85 detik untuk uji klasifikasi. Akurasi yang diperoleh untuk klasifikasi TERDETEKSI' adalah 90%, dan untuk ‘NIHIL’ adalah 100%. AbstractIleus is one intestinal disease caused by the blockage of the bowel lumen due to the cessation of peristalsis within the intestine. If not handled quickly, Ileus could lead to a perforated bowel. However, the sufferer of Ileus often does not realize the occurrence of this disease within his body, so it would be better to check up on the digestive health every day as a preventive. Therefore, a digital stethoscope is needed to provide answers from auscultation results. This study used a modified stethoscope with a soundcard connected to the raspberry pi and displayed through the VNC Viewer application. Meanwhile, Convolutional Neural Network with tensor follow model is used as the classification method and MFCC Technique as the feature extraction. The system records and detects the bowel noise with auscultation for 10 seconds, and if the bowel noise is detected more than1 time, it means normal condition or health, and vice versa. In this study, the classification test for another was labeled with ‘NIHIL,' and the auscultation result was 5.85 seconds for the classification test. The accuracy obtained for the classification of 'digestion-sound' is 90%, and for the 'no digestion sound' is 100%.

Implementasi Algoritma BFCC dan kNN pada Embedded System untuk Deteksi Dini Bronchitis Septiyo Budi Perkasa; Barlian Henryranu Prasetio; Eko Setiawan; Edita Rosana Widasari; Dahnial Syauqy
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.20231036571

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 Sleep-Disordered Breathing Berdasarkan High dan Low Frequency Menggunakan Metode Naïve Bayes Achmad Ghifari; Edita Rosana Widasari
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.20241046913

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.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search