Claim Missing Document
Check
Articles

Found 2 Documents
Search

Model Integrasi Aplikasi X dan Y dengan pendekatan Enterprise Application Integration Purwita Sari; Lucky Indra Kesuma; M. Ali Buchari; Bayu Wijaya Putra
Jurnal Sistem Informasi Vol 15, No 1 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36706/jsi.v15i1.20447

Abstract

Abstrak   Sistem bisnis berkembang dengan kecepatan yang berbeda dari sistem informasi di masa revolusi industri 4. 0. Perbandingan ini menghasilkan permasalahan keselarasan antara sistem data serta sistem bisnis. Sebab ketidaksejajaran ini, beberapa aplikasi sudah dibesarkan yang tidak bisa seluruhnya menunjang penyelesaian tugas-tugas bisnis tersebut. Dalam persaingan bisnis di masa mendatang, suatu industri ataupun lembaga dapat saja kekurangan fleksibilitas bila tidak membagikan sokongan terhadap kebutuhan bisnis dalam penerapan proses bisnisnya. Saat ini di instansi pemerintah sudah tersedia aplikasi namun masih bersifat stand alone menggunakan Foxfro dengan database mysql. Seiring berkembangnya teknologi saat ini satuan kerja sudah mengembangkan sistem ini berbasis website untuk mempermudah dalam kegiatan operasionalnya. Salah satunya Instasnsi ABC sudah mengembangkan Aplikasi B berbasis website dengan database mysql. Hal ini menimbulkan masalah dan harus ada dua orang operator yang mengelola kedua sistem tersebut sehingga pada saat dilakukan rekonsiliasi data masih banyak menimbulkan ketidakselarasan data yang disajikan. Dalam penelitian ini akan melakukan integrasi kedua sistem tersebut dengan menggunakan metode Enterprise Application Integration.
Forecasting Of Intensive Care Unit Patient Heart Rate Using Long Short-Term Memory Firdaus Firdaus; Muhammad Fachrurrozi; Siti Nurmaini; Bambang Tutuko; Muhammad Naufal Rachmatullah; Annisa Darmawahyuni; Ade Iriani Sapitri; Anggun Islami; Masayu Nadila Maharani; Bayu Wijaya Putra
Computer Engineering and Applications Journal Vol 12 No 3 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/comengapp.v12i3.457

Abstract

Cardiac arrest remains a critical concern in Intensive Care Units (ICUs), with alarmingly low survival rates. Early prediction of cardiac arrest is challenging due to the complexity of patient data and the temporal nature of ICU care. To address this challenge, we explore the use of Deep Learning (DL) models, specifically Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), and Gated Recurrent Unit (GRU), for forecasting ICU patient heart rates. We utilize a dataset extracted from the MIMIC III database, which poses the typical challenges of irregular time series data and missing values. Our research encompasses a comprehensive methodology, including data preprocessing, model development, and performance evaluation. Data preprocessing involves regularizing and imputing missing values, as well as data normalization. The dataset is partitioned into training, testing, and validation sets to facilitate model training and evaluation. Fine-tuning of hyperparameters is conducted to optimize each DL architecture's performance. Our results reveal that the GRU architecture consistently outperforms LSTM and BiLSTM in predicting heart rates, achieving the lowest RMSE and MAE values. The findings underscore the potential of DL models, particularly GRU, in enhancing the early detection of cardiac events in ICU patients.