Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.2739
Sofia Sa’idah, I. P. Y. N. Suparta, Efri Suhartono
Kulit merupakan organ luar terluas yang menutupi tubuh manusia. Akibat intensitas tinggi paparan lingkungan luar, kulit dapat mengalami berbagai masalah kesehatan, salah satunya adalah kanker kulit. Deteksi dini dibutuhkan agar penanganan lebih lanjut kepada pasien dapat segera dilakukan. Pemanfaatan artificial intelligence (AI)-based solution pada pengolahan citra kanker kulit dapat digunakan untuk mendeteksi adanya potensi kanker kulit. Pada makalah ini, dilakukan klasifikasi jenis kanker kulit jinak dan ganas dengan memanfaatkan metode convolutional neural network (CNN) arsitektur GoogLeNet. Arsitektur GoogLeNet memiliki keunggulan dengan adanya inception module yang memungkinkan proses konvolusi dan pooling berjalan secara paralel, yang dapat memperpendek waktu komputasi, sehingga mempercepat proses klasifikasi tanpa mengurangi akurasi sistem. Penelitian ini terdiri atas beberapa tahapan, dimulai dengan akusisi data sejumlah enam ratus data citra kanker kulit yang diperoleh dari situs Kaggle.com, kemudian dilakukan penyeragaman ukuran masukan serta pemanfaatan dull razor filtering untuk mengurangi derau citra masukan akibat rambut-rambut halus yang tumbuh di sepanjang epidermis kulit. Setelah proses preprocessing selesai dilakukan, arsitektur GoogLeNet memproses masukan citra, lalu mengklasifikasikan masukan ke dalam kategori kanker kulit jinak (benign) atau kanker kulit ganas (malignant). Kinerja sistem kemudian diuji dengan parameter kinerja, seperti presisi, recall, dan f-1 score, serta dibandingkan dengan metode serupa. Sistem berhasil memperoleh hasil yang memuaskan, di antaranya adalah akurasi 97,73% dan loss 1,7063. Sementara itu, untuk parameter presisi, recall, dan f-1 score, masing-masing diperoleh nilai rata-rata 0,98. Kinerja sistem yang diusulkan berhasil mendapatkan akurasi yang lebih baik dibandingkan dengan penelitian terdahulu dengan penggunaan dataset yang jauh lebih sedikit. Hasil pengujian ini menunjukkan bahwa metode CNN mampu melakukan deteksi dan klasifikasi pada kanker kulit secara akurat, sehingga diharapkan metode ini dapat membantu pekerja medis dalam melakukan diagnosis kepada masyarakat luas.
{"title":"Modifikasi Convolutional Neural Network Arsitektur GoogLeNet dengan Dull Razor Filtering untuk Klasifikasi Kanker Kulit","authors":"Sofia Sa’idah, I. P. Y. N. Suparta, Efri Suhartono","doi":"10.22146/jnteti.v11i2.2739","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.2739","url":null,"abstract":"Kulit merupakan organ luar terluas yang menutupi tubuh manusia. Akibat intensitas tinggi paparan lingkungan luar, kulit dapat mengalami berbagai masalah kesehatan, salah satunya adalah kanker kulit. Deteksi dini dibutuhkan agar penanganan lebih lanjut kepada pasien dapat segera dilakukan. Pemanfaatan artificial intelligence (AI)-based solution pada pengolahan citra kanker kulit dapat digunakan untuk mendeteksi adanya potensi kanker kulit. Pada makalah ini, dilakukan klasifikasi jenis kanker kulit jinak dan ganas dengan memanfaatkan metode convolutional neural network (CNN) arsitektur GoogLeNet. Arsitektur GoogLeNet memiliki keunggulan dengan adanya inception module yang memungkinkan proses konvolusi dan pooling berjalan secara paralel, yang dapat memperpendek waktu komputasi, sehingga mempercepat proses klasifikasi tanpa mengurangi akurasi sistem. Penelitian ini terdiri atas beberapa tahapan, dimulai dengan akusisi data sejumlah enam ratus data citra kanker kulit yang diperoleh dari situs Kaggle.com, kemudian dilakukan penyeragaman ukuran masukan serta pemanfaatan dull razor filtering untuk mengurangi derau citra masukan akibat rambut-rambut halus yang tumbuh di sepanjang epidermis kulit. Setelah proses preprocessing selesai dilakukan, arsitektur GoogLeNet memproses masukan citra, lalu mengklasifikasikan masukan ke dalam kategori kanker kulit jinak (benign) atau kanker kulit ganas (malignant). Kinerja sistem kemudian diuji dengan parameter kinerja, seperti presisi, recall, dan f-1 score, serta dibandingkan dengan metode serupa. Sistem berhasil memperoleh hasil yang memuaskan, di antaranya adalah akurasi 97,73% dan loss 1,7063. Sementara itu, untuk parameter presisi, recall, dan f-1 score, masing-masing diperoleh nilai rata-rata 0,98. Kinerja sistem yang diusulkan berhasil mendapatkan akurasi yang lebih baik dibandingkan dengan penelitian terdahulu dengan penggunaan dataset yang jauh lebih sedikit. Hasil pengujian ini menunjukkan bahwa metode CNN mampu melakukan deteksi dan klasifikasi pada kanker kulit secara akurat, sehingga diharapkan metode ini dapat membantu pekerja medis dalam melakukan diagnosis kepada masyarakat luas.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"66 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"75924866","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3849
Dyah Ayu Kartika Sari, Fransisco Danang Wijaya, Husni Rois Ali
Pulau Enggano merupakan salah satu wilayah terluar yang menggunakan pembangkit listrik tenaga diesel (PLTD) sebagai sumber energi listriknya. PLTD yang mulai beroperasi sejak tahun 2017 ini terdiri atas tiga unit mesin pembangkit yang mampu menghasilkan daya sebesar 730 kW, dengan total pelanggan sebanyak 1.050 pelanggan dan kebutuhan energi listrik sebesar 1.097.883 kWh/tahun. Meskipun pembangkit listrik telah tersedia, pada kenyataannya permasalahan ketenagalistrikan masih menjadi masalah dasar yang belum terselesaikan di pulau ini. Rata-rata pemakaian bahan bakar minyak (BBM) untuk mengoperasikan PLTD adalah 21 ton/bulan atau Rp582.757.000,00 per bulan dengan asumsi harga BBM adalah Rp9.800,00 per liter. Tingginya biaya operasional mengakibatkan listrik hanya dipasok selama enam belas jam per hari. Pemanfaatan PLTD juga menghasilkan emisi karbon dioksida (CO2) yang sangat tinggi. Hal ini tidak sejalan dengan komitmen pemerintah untuk bertransisi menuju net zero emission pada tahun 2060. Pemanfaatan energi baru terbarukan (EBT) yang ditargetkan sebesar 23% pada tahun 2025 nyatanya masih belum maksimal. Makalah ini bertujuan untuk menemukan konfigurasi pembangkit tenaga hybrid yang optimal di Pulau Enggano dari segi teknis dan kelayakan ekonomi. Kelayakan ekonomi ditinjau menggunakan pendekatan net present cost (NPC) dan cost of economic (COE). Selain itu, dilakukan juga analisis keberlanjutan dari aspek lingkungan. Dari penelitian ini, didapatkan konfigurasi yang paling optimal berdasarkan biaya sistem terendah, yaitu konfigurasi 2 skenario 1, yang terdiri atas photovoltaic (PV) 1.005 kW, diesel 250 kW, dan baterai 594 unit. Konfigurasi ini dapat memproduksi listrik sebesar 1.576.115 kWh/tahun dengan nilai NPC mencapai Rp31,7 miliar rupiah dan nilai COE sebesar Rp1.998,75 per kWh. Konfigurasi ini juga memiliki keberlanjutan lingkungan yang baik karena memiliki nilai renewable fraction sebesar 91%.
{"title":"Optimasi Sistem Pembangkit Listrik Tenaga Hybrid di Pulau Enggano","authors":"Dyah Ayu Kartika Sari, Fransisco Danang Wijaya, Husni Rois Ali","doi":"10.22146/jnteti.v11i2.3849","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3849","url":null,"abstract":"Pulau Enggano merupakan salah satu wilayah terluar yang menggunakan pembangkit listrik tenaga diesel (PLTD) sebagai sumber energi listriknya. PLTD yang mulai beroperasi sejak tahun 2017 ini terdiri atas tiga unit mesin pembangkit yang mampu menghasilkan daya sebesar 730 kW, dengan total pelanggan sebanyak 1.050 pelanggan dan kebutuhan energi listrik sebesar 1.097.883 kWh/tahun. Meskipun pembangkit listrik telah tersedia, pada kenyataannya permasalahan ketenagalistrikan masih menjadi masalah dasar yang belum terselesaikan di pulau ini. Rata-rata pemakaian bahan bakar minyak (BBM) untuk mengoperasikan PLTD adalah 21 ton/bulan atau Rp582.757.000,00 per bulan dengan asumsi harga BBM adalah Rp9.800,00 per liter. Tingginya biaya operasional mengakibatkan listrik hanya dipasok selama enam belas jam per hari. Pemanfaatan PLTD juga menghasilkan emisi karbon dioksida (CO2) yang sangat tinggi. Hal ini tidak sejalan dengan komitmen pemerintah untuk bertransisi menuju net zero emission pada tahun 2060. Pemanfaatan energi baru terbarukan (EBT) yang ditargetkan sebesar 23% pada tahun 2025 nyatanya masih belum maksimal. Makalah ini bertujuan untuk menemukan konfigurasi pembangkit tenaga hybrid yang optimal di Pulau Enggano dari segi teknis dan kelayakan ekonomi. Kelayakan ekonomi ditinjau menggunakan pendekatan net present cost (NPC) dan cost of economic (COE). Selain itu, dilakukan juga analisis keberlanjutan dari aspek lingkungan. Dari penelitian ini, didapatkan konfigurasi yang paling optimal berdasarkan biaya sistem terendah, yaitu konfigurasi 2 skenario 1, yang terdiri atas photovoltaic (PV) 1.005 kW, diesel 250 kW, dan baterai 594 unit. Konfigurasi ini dapat memproduksi listrik sebesar 1.576.115 kWh/tahun dengan nilai NPC mencapai Rp31,7 miliar rupiah dan nilai COE sebesar Rp1.998,75 per kWh. Konfigurasi ini juga memiliki keberlanjutan lingkungan yang baik karena memiliki nilai renewable fraction sebesar 91%.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"27 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"84898778","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-25DOI: 10.1109/imws-bio.2014.7032374
Jnteti
-
-
{"title":"Back Pages","authors":"Jnteti","doi":"10.1109/imws-bio.2014.7032374","DOIUrl":"https://doi.org/10.1109/imws-bio.2014.7032374","url":null,"abstract":"<jats:p>-</jats:p>","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"144 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"76740817","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.3183
Muhammad Ridwan Arif Cahyono, Ita Mariza, Wirawan
Sepeda listrik kini telah beredar cukup banyak di Indonesia. Akan tetapi, rata-rata sepeda listrik yang dijual saat ini belum terintegrasi dengan smartphone, sehingga belum mampu dipantau dan dikendalikan dari jarak jauh. Pada makalah ini dikembangkan sistem pemantauan dan pengendalian sepeda listrik berbasis internet of things (IoT). Mikrokontroler berbasis ESP32 digunakan sebagai perangkat IoT: untuk mengukur jarak tempuh menggunakan sensor GPS dengan menerapkan metode Haversine, mengukur kecepatan sepeda, merancang sistem keamanan sepeda, dan merancang sistem pengukuran kalori saat sepeda dikayuh. Modul SIM800L digunakan sebagai perangkat komunikasi. Modul ini mampu melakukan komunikasi internet melalui jaringan 2G. Controller sepeda listrik dimodifikasi agar dapat terintegrasi dengan ESP32, sedangkan sebagai penggerak sepeda listrik, digunakan motor tipe BLDC dengan tegangan 36 V. Raspberry Pi digunakan sebagai server web penyimpan dan pengolah data, sedangkan perhitungan kalori terbakar dilakukan menggunakan metode metabolic equivalent of task (MET). Proses pemantauan dan pengendalian sepeda listrik dilakukan dengan membangun aplikasi berbasis smartphone Android dengan menggunakan aplikasi Kodular, dengan fitur layanan peta yang digunakan berbasis OpenStreetMap. Aplikasi ini mampu menyalakan dan mematikan sepeda listrik dari jarak jauh, mengatur posisi gear kecepatan, mengatur kecepatan, menyalakan alarm, melacak lokasi terakhir, melakukan pelacakan riwayat lokasi, dan melakukan pengukuran kalori. Proses pengendalian tersebut dapat dilakukan dengan menekan tombol dan menggunakan perintah suara dalam bahasa Indonesia. Aplikasi ini telah diuji coba dengan metode black box dengan hasil 100% berhasil dengan delay waktu sebesar 8,82 s. Pengukuran kalori memiliki akurasi 94,24% dibandingkan dengan peralatan pengukur kalori yang berada di pasaran. Pengendalian kecepatan dapat dilakukan secara linear dengan R2 sebesar 0,9984.
{"title":"Sistem Pemantauan dan Pengendalian Sepeda Listrik Berbasis Internet of Things","authors":"Muhammad Ridwan Arif Cahyono, Ita Mariza, Wirawan","doi":"10.22146/jnteti.v11i1.3183","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.3183","url":null,"abstract":"Sepeda listrik kini telah beredar cukup banyak di Indonesia. Akan tetapi, rata-rata sepeda listrik yang dijual saat ini belum terintegrasi dengan smartphone, sehingga belum mampu dipantau dan dikendalikan dari jarak jauh. Pada makalah ini dikembangkan sistem pemantauan dan pengendalian sepeda listrik berbasis internet of things (IoT). Mikrokontroler berbasis ESP32 digunakan sebagai perangkat IoT: untuk mengukur jarak tempuh menggunakan sensor GPS dengan menerapkan metode Haversine, mengukur kecepatan sepeda, merancang sistem keamanan sepeda, dan merancang sistem pengukuran kalori saat sepeda dikayuh. Modul SIM800L digunakan sebagai perangkat komunikasi. Modul ini mampu melakukan komunikasi internet melalui jaringan 2G. Controller sepeda listrik dimodifikasi agar dapat terintegrasi dengan ESP32, sedangkan sebagai penggerak sepeda listrik, digunakan motor tipe BLDC dengan tegangan 36 V. Raspberry Pi digunakan sebagai server web penyimpan dan pengolah data, sedangkan perhitungan kalori terbakar dilakukan menggunakan metode metabolic equivalent of task (MET). Proses pemantauan dan pengendalian sepeda listrik dilakukan dengan membangun aplikasi berbasis smartphone Android dengan menggunakan aplikasi Kodular, dengan fitur layanan peta yang digunakan berbasis OpenStreetMap. Aplikasi ini mampu menyalakan dan mematikan sepeda listrik dari jarak jauh, mengatur posisi gear kecepatan, mengatur kecepatan, menyalakan alarm, melacak lokasi terakhir, melakukan pelacakan riwayat lokasi, dan melakukan pengukuran kalori. Proses pengendalian tersebut dapat dilakukan dengan menekan tombol dan menggunakan perintah suara dalam bahasa Indonesia. Aplikasi ini telah diuji coba dengan metode black box dengan hasil 100% berhasil dengan delay waktu sebesar 8,82 s. Pengukuran kalori memiliki akurasi 94,24% dibandingkan dengan peralatan pengukur kalori yang berada di pasaran. Pengendalian kecepatan dapat dilakukan secara linear dengan R2 sebesar 0,9984.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"101 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"79389187","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.3489
Hans Pratyaksa, Adhistya Erna Permanasari, Silmi Fauziati
Health institutions need to ensure the availability of drug stocks for patients. There are challenges related to the uncertainty of the amount of drug use for the next period. Uncertainty can be reduced by analysing historical drug data to predict future demand. Time series can contain spikes or fluctuation pattern which spikes can disguise the main information. Hence, it can affect the accuracy of the prediction model. One widely used forecasting method in the time series data is the artificial neural network (ANN) method. The ANN method requires the pre-processing stage of the data before the training process. The pre-processing stage is essential to obtain information or knowledge. This study focused on applying smoothing methods at the pre-processing stage of the ANN method. The application of the smoothing method was expected to improve the quality of ANN learning data that would lead to better predictive accuracy. This research focuses on implementing the smoothing method in data pre-processing step for ANN method. Smoothing methods used in this research were exponential smoothing (ES) and Whittaker-Henderson (WH) smoothing applied to two time series datasets. The refining method used in this study was the WH method, which was tested on two time series datasets of medicine. The results show that the mean square error (MSE) obtained by applying the WH method was lower than the non-smoothing ANN for both datasets. Evaluation results revealed that implementing WH smoothing method in data pre-processing step for ANN (WH+ANN) provided MSE significantly lower than ANN results with a confidence level of 94% for dataset 1 and 85% for the dataset 2.
{"title":"Utilization of Whittaker-Henderson Smoothing Method for Improving Neural Network Forecasting Accuracy","authors":"Hans Pratyaksa, Adhistya Erna Permanasari, Silmi Fauziati","doi":"10.22146/jnteti.v11i1.3489","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.3489","url":null,"abstract":"Health institutions need to ensure the availability of drug stocks for patients. There are challenges related to the uncertainty of the amount of drug use for the next period. Uncertainty can be reduced by analysing historical drug data to predict future demand. Time series can contain spikes or fluctuation pattern which spikes can disguise the main information. Hence, it can affect the accuracy of the prediction model. One widely used forecasting method in the time series data is the artificial neural network (ANN) method. The ANN method requires the pre-processing stage of the data before the training process. The pre-processing stage is essential to obtain information or knowledge. This study focused on applying smoothing methods at the pre-processing stage of the ANN method. The application of the smoothing method was expected to improve the quality of ANN learning data that would lead to better predictive accuracy. This research focuses on implementing the smoothing method in data pre-processing step for ANN method. Smoothing methods used in this research were exponential smoothing (ES) and Whittaker-Henderson (WH) smoothing applied to two time series datasets. The refining method used in this study was the WH method, which was tested on two time series datasets of medicine. The results show that the mean square error (MSE) obtained by applying the WH method was lower than the non-smoothing ANN for both datasets. Evaluation results revealed that implementing WH smoothing method in data pre-processing step for ANN (WH+ANN) provided MSE significantly lower than ANN results with a confidence level of 94% for dataset 1 and 85% for the dataset 2.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"40 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"85083922","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.3475
Dwi Susanto, Ridi Ferdiana, Selo Sulistyo
Pandemi COVID-19 yang terjadi sejak Maret 2020 menyebabkan kegiatan pembelajaran harus dilakukan secara daring. Kegiatan pembelajaran secara daring umumnya dapat dilakukan dengan menggunakan learning management system (LMS) dan aplikasi video conference. Namun, dalam beberapa topik pelajaran dibutuhkan kegiatan praktikum, di antaranya praktikum menggunakan laboratorium komputer. Untuk memenuhi kegiatan praktikum komputer pada masa pandemi, dibutuhkan laboratorium komputer yang dapat diakses secara daring. Salah satu solusi praktikum secara daring adalah laboratorium virtual (Vlab), yaitu laboratorium komputer virtual yang menggunakan teknologi virtualisasi. Vlab menyajikan virtual machine (VM) yang diakses secara daring dengan aplikasi remote access (Remote Desktop Protocol/RDP, Virtual Network Computing/VNC, Secure Shell/SSH). Vlab dapat menggunakan infrastruktur on-premise maupun infrastruktur public cloud. Dibandingkan dengan Vlab berbasis infrastruktur on-premise, Vlab berbasis cloud tidak membutuhkan investasi awal yang mahal dan mengeliminasi perawatan rutin perangkat keras yang kompleks. Makalah ini mengusulkan aplikasi Vlab berbasis cloud dengan Azure Lab Services pada kasus kelas Pemrograman Berorientasi Obyek. Vlab dirancang berdasarkan kebutuhan teknis praktikum pemrograman yang meliputi spesifikasi VM (CPU, RAM, dan penyimpanan), sistem operasi, perangkat lunak yang harus terpasang, hingga jumlah VM dalam satu kelas. Berdasarkan analisis total cost of ownership, biaya penyediaan Vlab berbasis cloud berpotensi lebih murah hingga 26% dibanding Vlab berbasis infrastruktur on-premise. Instalasi Vlab berbasis cloud yang dilakukan menggunakan skrip Powershell dapat diselesaikan dalam enam interaksi dan waktu instalasinya adalah 132 menit. Akses Vlab dapat dilakukan dengan komputer/laptop standar yang memiliki konektivitas internet dan aplikasi klien RDP. Bandwidth yang dibutuhkan untuk mengakses Vlab berbasis cloud berkisar antara 0,13 Mbps hingga 3,09 Mbps. Rentang bandwith tersebut masih berada dalam rentang kecepatan rata-rata jaringan 4G yang tersedia di Indonesia.
{"title":"Implementasi Laboratorium Komputer Virtual Berbasis Cloud – Kelas Pemrograman Berorientasi Obyek","authors":"Dwi Susanto, Ridi Ferdiana, Selo Sulistyo","doi":"10.22146/jnteti.v11i1.3475","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.3475","url":null,"abstract":"Pandemi COVID-19 yang terjadi sejak Maret 2020 menyebabkan kegiatan pembelajaran harus dilakukan secara daring. Kegiatan pembelajaran secara daring umumnya dapat dilakukan dengan menggunakan learning management system (LMS) dan aplikasi video conference. Namun, dalam beberapa topik pelajaran dibutuhkan kegiatan praktikum, di antaranya praktikum menggunakan laboratorium komputer. Untuk memenuhi kegiatan praktikum komputer pada masa pandemi, dibutuhkan laboratorium komputer yang dapat diakses secara daring. Salah satu solusi praktikum secara daring adalah laboratorium virtual (Vlab), yaitu laboratorium komputer virtual yang menggunakan teknologi virtualisasi. Vlab menyajikan virtual machine (VM) yang diakses secara daring dengan aplikasi remote access (Remote Desktop Protocol/RDP, Virtual Network Computing/VNC, Secure Shell/SSH). Vlab dapat menggunakan infrastruktur on-premise maupun infrastruktur public cloud. Dibandingkan dengan Vlab berbasis infrastruktur on-premise, Vlab berbasis cloud tidak membutuhkan investasi awal yang mahal dan mengeliminasi perawatan rutin perangkat keras yang kompleks. Makalah ini mengusulkan aplikasi Vlab berbasis cloud dengan Azure Lab Services pada kasus kelas Pemrograman Berorientasi Obyek. Vlab dirancang berdasarkan kebutuhan teknis praktikum pemrograman yang meliputi spesifikasi VM (CPU, RAM, dan penyimpanan), sistem operasi, perangkat lunak yang harus terpasang, hingga jumlah VM dalam satu kelas. Berdasarkan analisis total cost of ownership, biaya penyediaan Vlab berbasis cloud berpotensi lebih murah hingga 26% dibanding Vlab berbasis infrastruktur on-premise. Instalasi Vlab berbasis cloud yang dilakukan menggunakan skrip Powershell dapat diselesaikan dalam enam interaksi dan waktu instalasinya adalah 132 menit. Akses Vlab dapat dilakukan dengan komputer/laptop standar yang memiliki konektivitas internet dan aplikasi klien RDP. Bandwidth yang dibutuhkan untuk mengakses Vlab berbasis cloud berkisar antara 0,13 Mbps hingga 3,09 Mbps. Rentang bandwith tersebut masih berada dalam rentang kecepatan rata-rata jaringan 4G yang tersedia di Indonesia.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"75 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"86150882","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.3379
Helmy, Fenny Rahmasari, Arif Nursyahid, Thomas Agung Setyawan, A. Nugroho
Era digital yang terus berkembang melahirkan revolusi industri budidaya pertanian dan peternakan cerdas berbasis internet of things (IoT). Salah satunya adalah penggunaan aplikasi berbasis Android dalam pemantauan dan pengendalian parameter pada proses budidaya di era digital ini. Koneksi internet yang tidak stabil dapat mengganggu proses pemantauan. Oleh karena itu, diperlukan pengintegrasian sistem dalam satu aplikasi yang dapat berjalan walaupun dalam keadaan internet terputus (offline), sehingga pengelola dapat melakukan pemantauan dan pengendalian smart agriculture berbasis Android dengan dua mode operasi, yaitu online dan offline. Analisis kinerja juga diperlukan untuk mengetahui keandalan aplikasi dalam pengiriman dan penerimaan data. Integrasi sistem ini menggunakan dua mode, yaitu mode operasi online dan offline. Mode online mengindikasikan aplikasi Android berinteraksi dengan sistem melalui server ketika terkoneksi dengan internet menggunakan metode representational state transfer application programming interface (REST API), sedangkan mode offline artinya aplikasi Android berinteraksi langsung dengan sistem melalui koneksi local device (access point/AP lokal). Smart agriculture berinteraksi dengan sistem melalui protokol message queuing telemetry transport (MQTT), dengan Android bertindak sebagai client MQTT. Analisis kinerja aplikasi meliputi pengujian black box, load activity, dan kinerja aplikasi melalui fitur profiler Android. Hasil yang diperoleh berdasarkan pengujian fungsionalitas aplikasi (black box) menunjukkan bahwa aplikasi dapat memantau dan mengendalikan smart agriculture dengan baik secara online maupun offline oleh pengelola. Nilai load time rata-rata di seluruh aktivitas sebesar 3,507 detik saat bandwidth sebesar 4,54 Mbps. Sementara itu, rata-rata load time yang dihasilkan saat bandwidth 35,35 Mbps adalah sebesar 1,4 detik. Berdasarkan pengujian kinerja, sistem ini cukup ringan dengan penggunaan central processing unit (CPU) terbesar 31% dan penggunaan memori terbesar 453,8 MB.
{"title":"Analisis Kinerja Aplikasi Pemantauan dan Pengendalian Smart Agriculture Berbasis Android","authors":"Helmy, Fenny Rahmasari, Arif Nursyahid, Thomas Agung Setyawan, A. Nugroho","doi":"10.22146/jnteti.v11i1.3379","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.3379","url":null,"abstract":"Era digital yang terus berkembang melahirkan revolusi industri budidaya pertanian dan peternakan cerdas berbasis internet of things (IoT). Salah satunya adalah penggunaan aplikasi berbasis Android dalam pemantauan dan pengendalian parameter pada proses budidaya di era digital ini. Koneksi internet yang tidak stabil dapat mengganggu proses pemantauan. Oleh karena itu, diperlukan pengintegrasian sistem dalam satu aplikasi yang dapat berjalan walaupun dalam keadaan internet terputus (offline), sehingga pengelola dapat melakukan pemantauan dan pengendalian smart agriculture berbasis Android dengan dua mode operasi, yaitu online dan offline. Analisis kinerja juga diperlukan untuk mengetahui keandalan aplikasi dalam pengiriman dan penerimaan data. Integrasi sistem ini menggunakan dua mode, yaitu mode operasi online dan offline. Mode online mengindikasikan aplikasi Android berinteraksi dengan sistem melalui server ketika terkoneksi dengan internet menggunakan metode representational state transfer application programming interface (REST API), sedangkan mode offline artinya aplikasi Android berinteraksi langsung dengan sistem melalui koneksi local device (access point/AP lokal). Smart agriculture berinteraksi dengan sistem melalui protokol message queuing telemetry transport (MQTT), dengan Android bertindak sebagai client MQTT. Analisis kinerja aplikasi meliputi pengujian black box, load activity, dan kinerja aplikasi melalui fitur profiler Android. Hasil yang diperoleh berdasarkan pengujian fungsionalitas aplikasi (black box) menunjukkan bahwa aplikasi dapat memantau dan mengendalikan smart agriculture dengan baik secara online maupun offline oleh pengelola. Nilai load time rata-rata di seluruh aktivitas sebesar 3,507 detik saat bandwidth sebesar 4,54 Mbps. Sementara itu, rata-rata load time yang dihasilkan saat bandwidth 35,35 Mbps adalah sebesar 1,4 detik. Berdasarkan pengujian kinerja, sistem ini cukup ringan dengan penggunaan central processing unit (CPU) terbesar 31% dan penggunaan memori terbesar 453,8 MB.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"22 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"87181679","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.2386
Annisa Anggun Puspitasari, Mareta Dwi Nor Habibah, Ziyadatus Shofiyah, Ida Anisah, Yoedy Moegiharto
Pada makalah ini dilakukan evaluasi kinerja teknik pengodean konvolusi pada sistem komunikasi kooperatif dengan protokol amplify-and-forward (AF) dan menerapkan strategi seleksi relai dengan simulasi. Di sisi pemancar (sumber) diterapkan gabungan teknik reduksi peak to average power ratio (PAPR) skema selective mapping (SLM) dan predistorsi model Hammerstein. Di relai diterapkan juga teknik predistorsi model inverse Rapp. Di sisi kanal digunakan relai sebagai antena virtual. Penggunaan relai dalam sistem komunikasi kooperatif dapat diimplementasikan untuk jaringan 4G atau 5G pada penelitian selanjutnya, tetapi tentu membutuhkan bandwidth yang besar. Penerapan strategi seleksi relai mampu meningkatkan efisiensi bandwidth karena hanya relai terbaik saja yang akan meneruskan informasi dari pengirim ke penerima. Strategi seleksi relai jenis konvensional digunakan untuk mengevaluasi kinerja teknik pengodean konvolusi pada skema multirelai dengan memilih sebuah relai terbaik yang mempertimbangkan nilai signal to noise ratio (SNR) pada kanal sumber ke relai dan relai ke tujuan. Relai terbaik tersebut akan meneruskan sinyal dari sumber ke tujuan dengan menggunakan protokol AF. Kinerja sistem dinyatakan dalam nilai probabilitas bit error rate (BER). Dari hasil simulasi, dapat ditunjukkan bahwa teknik pengodean konvolusi mampu memperbaiki kinerja sistem hingga mencapai 16,59%, baik dengan menggunakan teknik predistorsi maupun tanpa teknik predistorsi. Kemudian, penerapan teknik predistorsi di sisi sumber dan relai mampu menghasilkan kinerja paling baik, yaitu kinerja sistem dapat meningkat hingga mencapai 34%. Selain itu, penerapan strategi seleksi relai jenis konvensional menunjukkan bahwa skema dengan relai terbanyak, yaitu enam relai, mampu menghasilkan kinerja yang paling baik disebabkan semakin banyaknya pilihan jalur yang tersedia.
{"title":"Kinerja Konvolusi pada Sistem Amplify and Forward dengan Predistorsi dan Seleksi Relai","authors":"Annisa Anggun Puspitasari, Mareta Dwi Nor Habibah, Ziyadatus Shofiyah, Ida Anisah, Yoedy Moegiharto","doi":"10.22146/jnteti.v11i1.2386","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.2386","url":null,"abstract":"Pada makalah ini dilakukan evaluasi kinerja teknik pengodean konvolusi pada sistem komunikasi kooperatif dengan protokol amplify-and-forward (AF) dan menerapkan strategi seleksi relai dengan simulasi. Di sisi pemancar (sumber) diterapkan gabungan teknik reduksi peak to average power ratio (PAPR) skema selective mapping (SLM) dan predistorsi model Hammerstein. Di relai diterapkan juga teknik predistorsi model inverse Rapp. Di sisi kanal digunakan relai sebagai antena virtual. Penggunaan relai dalam sistem komunikasi kooperatif dapat diimplementasikan untuk jaringan 4G atau 5G pada penelitian selanjutnya, tetapi tentu membutuhkan bandwidth yang besar. Penerapan strategi seleksi relai mampu meningkatkan efisiensi bandwidth karena hanya relai terbaik saja yang akan meneruskan informasi dari pengirim ke penerima. Strategi seleksi relai jenis konvensional digunakan untuk mengevaluasi kinerja teknik pengodean konvolusi pada skema multirelai dengan memilih sebuah relai terbaik yang mempertimbangkan nilai signal to noise ratio (SNR) pada kanal sumber ke relai dan relai ke tujuan. Relai terbaik tersebut akan meneruskan sinyal dari sumber ke tujuan dengan menggunakan protokol AF. Kinerja sistem dinyatakan dalam nilai probabilitas bit error rate (BER). Dari hasil simulasi, dapat ditunjukkan bahwa teknik pengodean konvolusi mampu memperbaiki kinerja sistem hingga mencapai 16,59%, baik dengan menggunakan teknik predistorsi maupun tanpa teknik predistorsi. Kemudian, penerapan teknik predistorsi di sisi sumber dan relai mampu menghasilkan kinerja paling baik, yaitu kinerja sistem dapat meningkat hingga mencapai 34%. Selain itu, penerapan strategi seleksi relai jenis konvensional menunjukkan bahwa skema dengan relai terbanyak, yaitu enam relai, mampu menghasilkan kinerja yang paling baik disebabkan semakin banyaknya pilihan jalur yang tersedia.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"9 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"86976649","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.2493
Khakim Assidiqi Nur Hudaya, Budi Sunarko, Anan Nugroho
Segmentasi citra merupakan salah satu tahap paling penting dalam computer-aided diagnosis yang berpotensi mempercepat proses diagnosis leukemia. Leukemia merupakan salah satu penyakit mematikan yang masuk ke dalam kategori kanker darah. Umumnya, pendeteksian leukemia limfoblastik akut (LLA) dilakukan secara manual di rumah sakit dengan cara menghitung secara manual sel leukosit yang terdapat pada citra apusan darah tepi hasil pewarnaan dengan metode immunohistochemical (IHC). Sayangnya, proses diagnosis manual memakan waktu 3−24 jam hingga hasil dapat diketahui dan cenderung tidak akurat karena tingkat kelelahan operator. Hasil yang tidak akurat dapat mengakibatkan kesalahan diagnosis yang berakibat fatal pada pasien. Sebuah metode segmentasi citra yang diusulkan oleh Vogado mampu mencapai akurasi 98,5% untuk menyegmentasi dataset ALL-IDB2. Namun, metode ini menggunakan algoritme pengelompokan k-means yang tidak optimal dalam menangani masukan citra yang memiliki intensitas derau yang tinggi. Dalam makalah ini, fuzzy c-means diterapkan guna mengetahui perubahan kinerja pada metode segmentasi tersebut. Dataset yang digunakan adalah ALL-IDB2 yang berjumlah 260 citra dengan ukuran masing-masing citra adalah 257×257 piksel dalam format tagged image file (TIF). Tahap awal metode ini adalah membagi citra dataset leukemia akut ALL-IDB2 menjadi skema warna cyan, magenta, yellow, key (CMYK) dan L*a*b yang kemudian mensubstraksi komponen M, yaitu dikurangkan dengan komponen *b. Hasil pengurangan tersebut kemudian dipisahkan dengan algoritme fuzzy c-means (FCM), yang kemudian menghasilkan keluaran citra yang hanya mengandung bagian nukleus dan latar belakang. Keluaran metode ini kemudian dievaluasi dan diukur menggunakan metrik accuracy, specificity, sensitivity, kappa index, dice-coefficient, dan time complexity. Hasil analisis menunjukkan bahwa pengubahan algoritme pengelompokan pada metode segmentasi citra tersebut tidak memberikan perubahan hasil yang signifikan, dengan rincian peningkatan terjadi pada metrik specificity dan precision rata-rata 0,1-0,4%, waktu eksekusi bertambah lama rata-rata 23,10%, dan penurunan terjadi pada metrik accuracy, yaitu turun menjadi 95,4238% dan nilai dice-coefficient 79,3682%. Maka, dapat disimpulkan bahwa penerapan algoritme FCM pada metode segmentasi yang diusulkan tidak memberikan peningkatan kinerja yang optimal.
分割图像是计算诊断过程中最重要的阶段之一，这些诊断可能会加速白血病诊断过程。白血病是血癌最致命的疾病之一。一般来说，急性淋巴细胞白血病检测(LLA)是在医院手动进行的，通过用免疫关节化学方法(IHC)分析血小板边缘对白血病的分析。不幸的是,手动诊断过程需要24小时至3−可知的结果和疲劳程度往往是不准确的,因为操作员。不准确的结果可能会导致病人误诊。Vogado提出的一种分割图像方法能够达到98.5%的准确率来编译全局idb2。然而，这种方法使用了一种算法，在处理高强度的图像输入时，n - g -均衡器是不最佳的。在本文中，模糊c-手段被用来查明分割方法的性能变化。使用的数据集是ALL-IDB2共有260图像的大小分别是224×224像素图像标签图像文件格式(热)。这种方法的早期阶段是急性白血病数据集的图像ALL-IDB2分成青色、洋红色黄色的配色方案,key (CMYK)和L * a * b然后mensubstraksi M,即扣除组件的组件* b。减少结果然后用模糊算法c-means (FCM)分开,然后产生输出的图像只含有细胞核和背景的一部分。然后这些评估的方法和测量输出使用评比指标,specificity敏感性,kappa指数、dice-coefficient complexity定时炸弹。分析结果表明,改变算法的图像分割方法分类不提供显著的变化结果,精确细节发生在specificity指标增加和平均0,1-0,4% 23,10%平均执行时间变长,并降低发生在评比指标,即降到dice-coefficient 95,4238%和价值观79,3682%。因此，可以得出结论，将FCM算法应用于建议的分割方法并不能提供最佳的性能改进。
{"title":"Kinerja Algoritme Pengelompokan Fuzzy C-Means pada Segmentasi Citra Leukosit","authors":"Khakim Assidiqi Nur Hudaya, Budi Sunarko, Anan Nugroho","doi":"10.22146/jnteti.v11i1.2493","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.2493","url":null,"abstract":"Segmentasi citra merupakan salah satu tahap paling penting dalam computer-aided diagnosis yang berpotensi mempercepat proses diagnosis leukemia. Leukemia merupakan salah satu penyakit mematikan yang masuk ke dalam kategori kanker darah. Umumnya, pendeteksian leukemia limfoblastik akut (LLA) dilakukan secara manual di rumah sakit dengan cara menghitung secara manual sel leukosit yang terdapat pada citra apusan darah tepi hasil pewarnaan dengan metode immunohistochemical (IHC). Sayangnya, proses diagnosis manual memakan waktu 3−24 jam hingga hasil dapat diketahui dan cenderung tidak akurat karena tingkat kelelahan operator. Hasil yang tidak akurat dapat mengakibatkan kesalahan diagnosis yang berakibat fatal pada pasien. Sebuah metode segmentasi citra yang diusulkan oleh Vogado mampu mencapai akurasi 98,5% untuk menyegmentasi dataset ALL-IDB2. Namun, metode ini menggunakan algoritme pengelompokan k-means yang tidak optimal dalam menangani masukan citra yang memiliki intensitas derau yang tinggi. Dalam makalah ini, fuzzy c-means diterapkan guna mengetahui perubahan kinerja pada metode segmentasi tersebut. Dataset yang digunakan adalah ALL-IDB2 yang berjumlah 260 citra dengan ukuran masing-masing citra adalah 257×257 piksel dalam format tagged image file (TIF). Tahap awal metode ini adalah membagi citra dataset leukemia akut ALL-IDB2 menjadi skema warna cyan, magenta, yellow, key (CMYK) dan L*a*b yang kemudian mensubstraksi komponen M, yaitu dikurangkan dengan komponen *b. Hasil pengurangan tersebut kemudian dipisahkan dengan algoritme fuzzy c-means (FCM), yang kemudian menghasilkan keluaran citra yang hanya mengandung bagian nukleus dan latar belakang. Keluaran metode ini kemudian dievaluasi dan diukur menggunakan metrik accuracy, specificity, sensitivity, kappa index, dice-coefficient, dan time complexity. Hasil analisis menunjukkan bahwa pengubahan algoritme pengelompokan pada metode segmentasi citra tersebut tidak memberikan perubahan hasil yang signifikan, dengan rincian peningkatan terjadi pada metrik specificity dan precision rata-rata 0,1-0,4%, waktu eksekusi bertambah lama rata-rata 23,10%, dan penurunan terjadi pada metrik accuracy, yaitu turun menjadi 95,4238% dan nilai dice-coefficient 79,3682%. Maka, dapat disimpulkan bahwa penerapan algoritme FCM pada metode segmentasi yang diusulkan tidak memberikan peningkatan kinerja yang optimal.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"23 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"89705455","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-02-23DOI: 10.22146/jnteti.v11i1.3381
Ratna Lestari Budiani Buana, Imroatul Hudati
Aritmia merupakan salah satu gangguan jantung, yang mungkin tidak berbahaya dalam waktu dekat, tetapi dapat mengakibatkan abnormalitas jangka panjang. Meskipun tidak berbahaya, harus ada penanganan medis yang segera dilakukan dan perubahan lifestyle menjadi lebih baik. Deteksi aritmia umumnya dilakukan dengan elektrokardiograf (EKG) long recording menggunakan monitor Holter dan kemudian dianalisis ritmenya. Perekaman dengan Holter yang memerlukan waktu beberapa hari dapat mengganggu fisiologis pasien. Banyak penelitian telah dilakukan untuk membangun algoritme pendeteksian aritmia, dengan beragam sumber data, fitur, dan juga metode pendeteksian. Namun, permasalahan yang umum dihadapi oleh banyak peneliti adalah masalah waktu komputasi dan kompleksnya fitur yang dideteksi. Studi ini dilakukan untuk melakukan review terhadap penelitian yang sudah dilakukan terkait dengan penggunaan data, fitur, dan juga metode deep learning yang dapat menyelesaikan masalah waktu komputasi dan memungkinkan implementasi pada wearable devices. Studi diawali dengan pencarian literatur terkait, kemudian melihat basis data yang digunakan untuk membangun model deteksi. Selanjutnya, review dilanjutkan dengan menelaah fitur EKG yang digunakan dan juga metode deep learning yang diimplementasikan. Dari hasil review yang dilakukan, data yang umum digunakan adalah data yang bersumber dari dataset MIT-BIH, meskipun penggunaan data dinilai masih perlu pre-processing yang cukup rumit. Convolutional neural network (CNN) merupakan metode yang banyak digunakan, walaupun waktu komputasi menjadi salah satu pertimbangan. Analisis yang paling tepat untuk pendeteksian gangguan ritme dan memiliki waktu komputasi yang rendah adalah fitur interval sinyal EKG dengan analisis di domain waktu. Fitur tersebut nantinya akan digunakan sebagai masukan deep learning. Dengan begitu, waktu komputasi akan dapat banyak dikurangi, terutama ketika diterapkan pada wearable devices.
{"title":"Review: Analisis Fitur Deteksi Aritmia dan Metode Deep Learning untuk Wearable Devices","authors":"Ratna Lestari Budiani Buana, Imroatul Hudati","doi":"10.22146/jnteti.v11i1.3381","DOIUrl":"https://doi.org/10.22146/jnteti.v11i1.3381","url":null,"abstract":"Aritmia merupakan salah satu gangguan jantung, yang mungkin tidak berbahaya dalam waktu dekat, tetapi dapat mengakibatkan abnormalitas jangka panjang. Meskipun tidak berbahaya, harus ada penanganan medis yang segera dilakukan dan perubahan lifestyle menjadi lebih baik. Deteksi aritmia umumnya dilakukan dengan elektrokardiograf (EKG) long recording menggunakan monitor Holter dan kemudian dianalisis ritmenya. Perekaman dengan Holter yang memerlukan waktu beberapa hari dapat mengganggu fisiologis pasien. Banyak penelitian telah dilakukan untuk membangun algoritme pendeteksian aritmia, dengan beragam sumber data, fitur, dan juga metode pendeteksian. Namun, permasalahan yang umum dihadapi oleh banyak peneliti adalah masalah waktu komputasi dan kompleksnya fitur yang dideteksi. Studi ini dilakukan untuk melakukan review terhadap penelitian yang sudah dilakukan terkait dengan penggunaan data, fitur, dan juga metode deep learning yang dapat menyelesaikan masalah waktu komputasi dan memungkinkan implementasi pada wearable devices. Studi diawali dengan pencarian literatur terkait, kemudian melihat basis data yang digunakan untuk membangun model deteksi. Selanjutnya, review dilanjutkan dengan menelaah fitur EKG yang digunakan dan juga metode deep learning yang diimplementasikan. Dari hasil review yang dilakukan, data yang umum digunakan adalah data yang bersumber dari dataset MIT-BIH, meskipun penggunaan data dinilai masih perlu pre-processing yang cukup rumit. Convolutional neural network (CNN) merupakan metode yang banyak digunakan, walaupun waktu komputasi menjadi salah satu pertimbangan. Analisis yang paling tepat untuk pendeteksian gangguan ritme dan memiliki waktu komputasi yang rendah adalah fitur interval sinyal EKG dengan analisis di domain waktu. Fitur tersebut nantinya akan digunakan sebagai masukan deep learning. Dengan begitu, waktu komputasi akan dapat banyak dikurangi, terutama ketika diterapkan pada wearable devices.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"89 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-02-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"79465200","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：