Ardi, Mohamad (2021) Sistem Pendukung Keputusan Berbasis Internet of Things Untuk Pemeriksaan Kesehatan Dengan Metode Decision Tree Classifier, KNN Classifier, Naïve Bayes Classifier, dan Implementasi Pada Android. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[img]](https://repository.its.ac.id/style/images/fileicons/text.png) |
Text
05211850012012-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (36MB) | Request a copy |
Abstract
Meningkatnya perkembangan teknologi informasi dan komunikasi telah membawa perkembangan ini menuju Internet of Things (IoT). IoT adalah megatren dalam teknologi generasi mendatang yang dapat memengaruhi seluruh spektrum bisnis. IoT memiliki berbagai aplikasi domain, termasuk perawatan kesehatan. Dalam lingkungan perawatan kesehatan modern, teknologi Body Sensor Network (BSN) adalah salah satu teknologi inti pengembangan IoT dalam sistem perawatan kesehatan, di mana pasien dapat dipantau menggunakan kumpulan node sensor yang kecil dan kuat. Perkembangan BSN dalam perawatan kesehatan telah membuat pemantauan pasien lebih layak, karena tidak menggunakan sistem manual di mana pasien harus datang ke rumah sakit untuk melakukan pemeriksaan kesehatan, sehingga dapat menghemat waktu dan biaya. Penelitian ini bertujuan untuk memberikan metode alternatif dalam pengambilan keputusan yang lebih sederhana tapi dengan kompleksitas yang lebih rendah, yakni metode di antara Decision Tree Classifier, KNN Classifier, dan Naïve Bayes Classifier. Selanjutnya dengan menghitung hasil f-measure atau f1-score dari ketiga metode tersebut, metode yang memiliki akurasi yang lebih baik akan diperoleh. Berikutnya merancang sebuah sistem yang dibangun untuk melakukan pemantauan kesehatan pasien berbasis IoT menggunakan mikrokontroler ESP32, Arduino IDE, Firebase, Jupyter Notebook dan Flutter yang disebut “Recheck”. Sensor yang digunakan adalah sensor MAX30102 sebagai sensor denyut nadi dan sensor BMP280 sebagai sensor suhu tubuh. Hasil penelitian ini menunjukkan bahwa metode yang memiliki akurasi yang lebih bagus adalah Decision Tree Classifier dengan nilai akurasi perangkat IoT adalah 94%. Sedangkan, nilai akurasi perangkat IoT untuk metode KNN Classifier adalah 67% dan nilai akurasi perangkat IoT untuk metode Naïve Bayes Classifier adalah 76%. Selain itu, sistem pemantauan kesehatan pasien yang dirancang berhasil diimplementasikan dengan baik. Kontribusi praktis pada penelitian ini adalah sistem pemantauan kesehatan pasien sukses memberikan kemudahan kepada para pasien sehingga tidak perlu rutin datang ke rumah sakit untuk mengecek kesehatan. ============================================================================================================= The increasing in development of information and communication technology has led them to the Internet of Things (IoT). IoT is a megatrend in next-generation technology that can impact the entire business spectrum. IoT has a variety of application domains, including health care. In the modern health care environment, Body Sensor Network (BSN) technology is one of the core technologies of developing IoT in health care systems, where patients can be monitored using a small, robust set of sensor nodes. The development of BSN in health care has made patient monitoring more feasible, as it does not use a manual system where patients must come to the hospital for medical checkup, thus saving time and money. This study aims to provide an alternative method for decision making that is simpler but with lower complexity, namely the method between the Decision Tree Classifier, KNN Classifier, and Naïve Bayes Classifier. Furthermore, by calculating the results of the f-measure or f1-score of the three methods, a method that has better accuracy and performance will be obtained. Next, designing a system that is built to carry out IoT-based patient health monitoring using the ESP32 microcontroller, Arduino IDE, Firebase, Jupyter Notebook and Flutter which is called "Recheck". The sensors used are the MAX30102 sensor as a pulse sensor and the BMP280 sensor as a body temperature sensor. The results of this study indicate that the method that has better accuracy is the Decision Tree Classifier with the accuracy value of the IoT device is 94%. Meanwhile, the accuracy value of the IoT device for the KNN Classifier method is 67% and the accuracy value of the IoT device for the Naïve Bayes Classifier method is 76%. In addition, a well-designed patient health monitoring system was implemented successfully. The practical contribution to this research is that the patient health monitoring system has succeeded in providing convenience to patients so that they do not need to regularly come to the hospital to checkup their health.
Actions (login required)
 |
View Item |
