<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "J-INTECH (Journal of Information and Technology)\r\nTerakreditasi Kemendikbud SK No. 204/E/KPT/2022\r\nE-ISSN: 2580-720X || P-ISSN: 2303-1425\r\nDeteksi Gangguan Tidur Menggunakan Metode Jaringan Saraf Tiruan \r\nBerbasis Internet Of Things (IOT)\r\nMoch Aripin1*\r\n, Soewarto Hardhienata2, Teguh Puja Negara3\r\n1,2,3Universitas Pakuan, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu Komputer, \r\nBogor, Indonesia\r\nInformasi Artikel Abstrak\r\nDiterima: 26-05-2024\r\nDirevisi: 27-05-2024\r\nDiterbitkan: 28-06-2024\r\nGangguan tidur seperti Central Sleep Apnea (CSA) dan \r\nObstructive Sleep Apnea (OSA) dapat berdampak buruk bagi \r\nkesehatan jika tidak ditangani dengan baik. Penelitian ini \r\nbertujuan merancang alat pendeteksi gangguan tidur \r\nmenggunakan metode jaringan saraf tiruan berbasis Internet \r\nof Things (IoT). Sistem ini menggunakan sensor AD8232 untuk \r\nmengakuisisi sinyal elektrokardiogram (EKG) yang kemudian \r\ndiekstraksi fitur High Frequency dan Low Frequency. Ekstraksi \r\nfitur dilakukan dengan metode Fast Fourier Transform.\r\nKlasifikasi kondisi normal, CSA, atau OSA dilakukan dengan \r\nmetode jaringan saraf tiruan Multilayer Perceptron yang \r\nditraining menggunakan data dari Physionet. Mikrokontroler \r\nESP32 digunakan untuk memproses ekstraksi fitur dan \r\nklasifikasi. Hasil klasifikasi kemudian dikirimkan ke database \r\nmelalui modul WiFi ESP32 dan ditampilkan pada antarmuka \r\nwebsite. Dari pengujian kinerja sensor AD8232 diperoleh \r\nakurasi 96,85%, akurasi klasifikasi menggunakan Jaringan \r\nSyaraf Tiruan sebesar 80%, dan waktu komputasi rata-rata 7,6 \r\nms. Sistem ini berpotensi membantu deteksi dini gangguan \r\ntidur sehingga dapat ditangani lebih awal oleh tenaga medis.\r\nKata Kunci\r\nGangguan tidur; Central Sleep Apnea; \r\nobstructive Sleep Apnea; Jaringan Saraf \r\nTiruan; Internet of Things\r\n*Email Korespondensi:\r\nmocharipin214@gmail.com\r\nAbstract\r\nSleep disorders such as Central Sleep Apnea (CSA) and \r\nObstructive Sleep Apnea (OSA) can have adverse health effects \r\nif not treated properly. This research aims to design a sleep \r\ndisorder detection device using the Internet of Things (IoT)-\r\nbased artificial neural network method. This system uses \r\nAD8232 sensor to acquire electrocardiogram (ECG) signal \r\nwhich is then extracted High Frequency and Low Frequency \r\nfeatures. Feature extraction is performed using the Fast \r\nFourier Transform method. Classification of normal, CSA, or \r\nOSA conditions is performed using the Multilayer Perceptron \r\nartificial neural network method which is trained using data \r\nfrom Physionet. The ESP32 microcontroller is used to process \r\nthe feature extraction and classification. The classification \r\nresults are then sent to the database via the ESP32 WiFi \r\nmodule and displayed on the website interface. From testing \r\nthe performance of the AD8232 sensor, an accuracy of 96.85% \r\nwas obtained, the classification accuracy using the Artificial \r\nNeural Network was 80%, and the average computation time \r\nwas 7.6 ms. This system has the potential to help early \r\ndetection of sleep disorders so that they can be treated early by \r\nmedical personnel"^^ . "J-INTECH (Journal of Information and Technology)\r\nTerakreditasi Kemendikbud SK No. 204/E/KPT/2022\r\nE-ISSN: 2580-720X || P-ISSN: 2303-1425\r\nJ-INTECH (Journal of Information and Technology)\r\nTerakreditasi Kemendikbud SK No. 204/E/KPT/2022\r\nE-ISSN: 2580-720X || P-ISSN: 2303-1425\r\nDeteksi Gangguan Tidur Menggunakan Metode Jaringan Saraf Tiruan \r\nBerbasis Internet Of Things (IOT)\r\nMoch Aripin1*\r\n, Soewarto Hardhienata2, Teguh Puja Negara3\r\n1,2,3Universitas Pakuan, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu Komputer, \r\nBogor, Indonesia\r\nInformasi Artikel Abstrak\r\nDiterima: 26-05-2024\r\nDirevisi: 27-05-2024\r\nDiterbitkan: 28-06-2024\r\nGangguan tidur seperti Central Sleep Apnea (CSA) dan \r\nObstructive Sleep Apnea (OSA) dapat berdampak buruk bagi \r\nkesehatan jika tidak ditangani dengan baik. Penelitian ini \r\nbertujuan merancang alat pendeteksi gangguan tidur \r\nmenggunakan metode jaringan saraf tiruan berbasis Internet \r\nof Things (IoT). Sistem ini menggunakan sensor AD8232 untuk \r\nmengakuisisi sinyal elektrokardiogram (EKG) yang kemudian \r\ndiekstraksi fitur High Frequency dan Low Frequency. Ekstraksi \r\nfitur dilakukan dengan metode Fast Fourier Transform.\r\nKlasifikasi kondisi normal, CSA, atau OSA dilakukan dengan \r\nmetode jaringan saraf tiruan Multilayer Perceptron yang \r\nditraining menggunakan data dari Physionet. Mikrokontroler \r\nESP32 digunakan untuk memproses ekstraksi fitur dan \r\nklasifikasi. Hasil klasifikasi kemudian dikirimkan ke database \r\nmelalui modul WiFi ESP32 dan ditampilkan pada antarmuka \r\nwebsite. Dari pengujian kinerja sensor AD8232 diperoleh \r\nakurasi 96,85%, akurasi klasifikasi menggunakan Jaringan \r\nSyaraf Tiruan sebesar 80%, dan waktu komputasi rata-rata 7,6 \r\nms. Sistem ini berpotensi membantu deteksi dini gangguan \r\ntidur sehingga dapat ditangani lebih awal oleh tenaga medis.\r\nKata Kunci\r\nGangguan tidur; Central Sleep Apnea; \r\nobstructive Sleep Apnea; Jaringan Saraf \r\nTiruan; Internet of Things\r\n*Email Korespondensi:\r\nmocharipin214@gmail.com\r\nAbstract\r\nSleep disorders such as Central Sleep Apnea (CSA) and \r\nObstructive Sleep Apnea (OSA) can have adverse health effects \r\nif not treated properly. This research aims to design a sleep \r\ndisorder detection device using the Internet of Things (IoT)-\r\nbased artificial neural network method. This system uses \r\nAD8232 sensor to acquire electrocardiogram (ECG) signal \r\nwhich is then extracted High Frequency and Low Frequency \r\nfeatures. Feature extraction is performed using the Fast \r\nFourier Transform method. Classification of normal, CSA, or \r\nOSA conditions is performed using the Multilayer Perceptron \r\nartificial neural network method which is trained using data \r\nfrom Physionet. The ESP32 microcontroller is used to process \r\nthe feature extraction and classification. The classification \r\nresults are then sent to the database via the ESP32 WiFi \r\nmodule and displayed on the website interface. From testing \r\nthe performance of the AD8232 sensor, an accuracy of 96.85% \r\nwas obtained, the classification accuracy using the Artificial \r\nNeural Network was 80%, and the average computation time \r\nwas 7.6 ms. This system has the potential to help early \r\ndetection of sleep disorders so that they can be treated early by \r\nmedical personnel\r\nMoch Aripin1*\r\n, Soewarto Hardhienata2, Teguh Puja Negara3\r\n1,2,3Universitas Pakuan, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu Komputer, \r\nBogor, Indonesia\r\nInformasi Artikel Abstrak\r\nDiterima: 26-05-2024\r\nDirevisi: 27-05-2024\r\nDiterbitkan: 28-06-2024\r\nGangguan tidur seperti Central Sleep Apnea (CSA) dan \r\nObstructive Sleep Apnea (OSA) dapat berdampak buruk bagi \r\nkesehatan jika tidak ditangani dengan baik. Penelitian ini \r\nbertujuan merancang alat pendeteksi gangguan tidur \r\nmenggunakan metode jaringan saraf tiruan berbasis Internet \r\nof Things (IoT). Sistem ini menggunakan sensor AD8232 untuk \r\nmengakuisisi sinyal elektrokardiogram (EKG) yang kemudian \r\ndiekstraksi fitur High Frequency dan Low Frequency. Ekstraksi \r\nfitur dilakukan dengan metode Fast Fourier Transform.\r\nKlasifikasi kondisi normal, CSA, atau OSA dilakukan dengan \r\nmetode jaringan saraf tiruan Multilayer Perceptron yang \r\nditraining menggunakan data dari Physionet. Mikrokontroler \r\nESP32 digunakan untuk memproses ekstraksi fitur dan \r\nklasifikasi. Hasil klasifikasi kemudian dikirimkan ke database \r\nmelalui modul WiFi ESP32 dan ditampilkan pada antarmuka \r\nwebsite. Dari pengujian kinerja sensor AD8232 diperoleh \r\nakurasi 96,85%, akurasi klasifikasi menggunakan Jaringan \r\nSyaraf Tiruan sebesar 80%, dan waktu komputasi rata-rata 7,6 \r\nms. Sistem ini berpotensi membantu deteksi dini gangguan \r\ntidur sehingga dapat ditangani lebih awal oleh tenaga medis.\r\nKata Kunci\r\nGangguan tidur; Central Sleep Apnea; \r\nobstructive Sleep Apnea; Jaringan Saraf \r\nTiruan; Internet of Things\r\n*Email Korespondensi:\r\nmocharipin214@gmail.com\r\nAbstract\r\nSleep disorders such as Central Sleep Apnea (CSA) and \r\nObstructive Sleep Apnea (OSA) can have adverse health effects \r\nif not treated properly. This research aims to design a sleep \r\ndisorder detection device using the Internet of Things (IoT)-\r\nbased artificial neural network method. This system uses \r\nAD8232 sensor to acquire electrocardiogram (ECG) signal \r\nwhich is then extracted High Frequency and Low Frequency \r\nfeatures. Feature extraction is performed using the Fast \r\nFourier Transform method. Classification of normal, CSA, or \r\nOSA conditions is performed using the Multilayer Perceptron \r\nartificial neural network method which is trained using data \r\nfrom Physionet. The ESP32 microcontroller is used to process \r\nthe feature extraction and classification. The classification \r\nresults are then sent to the database via the ESP32 WiFi \r\nmodule and displayed on the website interface. From testing \r\nthe performance of the AD8232 sensor, an accuracy of 96.85% \r\nwas obtained, the classification accuracy using the Artificial \r\nNeural Network was 80%, and the average computation time \r\nwas 7.6 ms. This system has the potential to help early \r\ndetection of sleep disorders so that they can be treated early by \r\nmedical personnel"^^ . "2023-07-31" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Moch."^^ . "Aripin"^^ . "Moch. Aripin"^^ . . "Teguh"^^ . "Puja Negara"^^ . "Teguh Puja Negara"^^ . . "Soewarto"^^ . "Hardhienata"^^ . "Soewarto Hardhienata"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam"^^ . . . "Program Studi Ilmu Komputer"^^ . . . . . . . "J-INTECH (Journal of Information and Technology)\r\nTerakreditasi Kemendikbud SK No. 204/E/KPT/2022\r\nE-ISSN: 2580-720X || P-ISSN: 2303-1425\r\nDeteksi Gangguan Tidur Menggunakan Metode Jaringan Saraf Tiruan \r\nBerbasis Internet Of Things (IOT)\r\nMoch Aripin1*\r\n, Soewarto Hardhienata2, Teguh Puja Negara3\r\n1,2,3Universitas Pakuan, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu Komputer, \r\nBogor, Indonesia\r\nInformasi Artikel Abstrak\r\nDiterima: 26-05-2024\r\nDirevisi: 27-05-2024\r\nDiterbitkan: 28-06-2024\r\nGangguan tidur seperti Central Sleep Apnea (CSA) dan \r\nObstructive Sleep Apnea (OSA) dapat berdampak buruk bagi \r\nkesehatan jika tidak ditangani dengan baik. Penelitian ini \r\nbertujuan merancang alat pendeteksi gangguan tidur \r\nmenggunakan metode jaringan saraf tiruan berbasis Internet \r\nof Things (IoT). Sistem ini menggunakan sensor AD8232 untuk \r\nmengakuisisi sinyal elektrokardiogram (EKG) yang kemudian \r\ndiekstraksi fitur High Frequency dan Low Frequency. Ekstraksi \r\nfitur dilakukan dengan metode Fast Fourier Transform.\r\nKlasifikasi kondisi normal, CSA, atau OSA dilakukan dengan \r\nmetode jaringan saraf tiruan Multilayer Perceptron yang \r\nditraining menggunakan data dari Physionet. Mikrokontroler \r\nESP32 digunakan untuk memproses ekstraksi fitur dan \r\nklasifikasi. Hasil klasifikasi kemudian dikirimkan ke database \r\nmelalui modul WiFi ESP32 dan ditampilkan pada antarmuka \r\nwebsite. Dari pengujian kinerja sensor AD8232 diperoleh \r\nakurasi 96,85%, akurasi klasifikasi menggunakan Jaringan \r\nSyaraf Tiruan sebesar 80%, dan waktu komputasi rata-rata 7,6 \r\nms. Sistem ini berpotensi membantu deteksi dini gangguan \r\ntidur sehingga dapat ditangani lebih awal oleh tenaga medis.\r\nKata Kunci\r\nGangguan tidur; Central Sleep Apnea; \r\nobstructive Sleep Apnea; Jaringan Saraf \r\nTiruan; Internet of Things\r\n*Email Korespondensi:\r\nmocharipin214@gmail.com\r\nAbstract\r\nSleep disorders such as Central Sleep Apnea (CSA) and \r\nObstructive Sleep Apnea (OSA) can have adverse health effects \r\nif not treated properly. This research aims to design a sleep \r\ndisorder detection device using the Internet of Things (IoT)-\r\nbased artificial neural network method. This system uses \r\nAD8232 sensor to acquire electrocardiogram (ECG) signal \r\nwhich is then extracted High Frequency and Low Frequency \r\nfeatures. Feature extraction is performed using the Fast \r\nFourier Transform method. Classification of normal, CSA, or \r\nOSA conditions is performed using the Multilayer Perceptron \r\nartificial neural network method which is trained using data \r\nfrom Physionet. The ESP32 microcontroller is used to process \r\nthe feature extraction and classification. The classification \r\nresults are then sent to the database via the ESP32 WiFi \r\nmodule and displayed on the website interface. From testing \r\nthe performance of the AD8232 sensor, an accuracy of 96.85% \r\nwas obtained, the classification accuracy using the Artificial \r\nNeural Network was 80%, and the average computation time \r\nwas 7.6 ms. This system has the potential to help early \r\ndetection of sleep disorders so that they can be treated early by \r\nmedical personnel (Text)"^^ . . . "Laporan-Moch Aripin-065118215.pdf"^^ . . "HTML Summary of #7849 \n\nJ-INTECH (Journal of Information and Technology) \nTerakreditasi Kemendikbud SK No. 204/E/KPT/2022 \nE-ISSN: 2580-720X || P-ISSN: 2303-1425 \nDeteksi Gangguan Tidur Menggunakan Metode Jaringan Saraf Tiruan \nBerbasis Internet Of Things (IOT) \nMoch Aripin1* \n, Soewarto Hardhienata2, Teguh Puja Negara3 \n1,2,3Universitas Pakuan, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu Komputer, \nBogor, Indonesia \nInformasi Artikel Abstrak \nDiterima: 26-05-2024 \nDirevisi: 27-05-2024 \nDiterbitkan: 28-06-2024 \nGangguan tidur seperti Central Sleep Apnea (CSA) dan \nObstructive Sleep Apnea (OSA) dapat berdampak buruk bagi \nkesehatan jika tidak ditangani dengan baik. Penelitian ini \nbertujuan merancang alat pendeteksi gangguan tidur \nmenggunakan metode jaringan saraf tiruan berbasis Internet \nof Things (IoT). Sistem ini menggunakan sensor AD8232 untuk \nmengakuisisi sinyal elektrokardiogram (EKG) yang kemudian \ndiekstraksi fitur High Frequency dan Low Frequency. Ekstraksi \nfitur dilakukan dengan metode Fast Fourier Transform. \nKlasifikasi kondisi normal, CSA, atau OSA dilakukan dengan \nmetode jaringan saraf tiruan Multilayer Perceptron yang \nditraining menggunakan data dari Physionet. Mikrokontroler \nESP32 digunakan untuk memproses ekstraksi fitur dan \nklasifikasi. Hasil klasifikasi kemudian dikirimkan ke database \nmelalui modul WiFi ESP32 dan ditampilkan pada antarmuka \nwebsite. Dari pengujian kinerja sensor AD8232 diperoleh \nakurasi 96,85%, akurasi klasifikasi menggunakan Jaringan \nSyaraf Tiruan sebesar 80%, dan waktu komputasi rata-rata 7,6 \nms. Sistem ini berpotensi membantu deteksi dini gangguan \ntidur sehingga dapat ditangani lebih awal oleh tenaga medis. \nKata Kunci \nGangguan tidur; Central Sleep Apnea; \nobstructive Sleep Apnea; Jaringan Saraf \nTiruan; Internet of Things \n*Email Korespondensi: \nmocharipin214@gmail.com \nAbstract \nSleep disorders such as Central Sleep Apnea (CSA) and \nObstructive Sleep Apnea (OSA) can have adverse health effects \nif not treated properly. This research aims to design a sleep \ndisorder detection device using the Internet of Things (IoT)- \nbased artificial neural network method. This system uses \nAD8232 sensor to acquire electrocardiogram (ECG) signal \nwhich is then extracted High Frequency and Low Frequency \nfeatures. Feature extraction is performed using the Fast \nFourier Transform method. Classification of normal, CSA, or \nOSA conditions is performed using the Multilayer Perceptron \nartificial neural network method which is trained using data \nfrom Physionet. The ESP32 microcontroller is used to process \nthe feature extraction and classification. The classification \nresults are then sent to the database via the ESP32 WiFi \nmodule and displayed on the website interface. From testing \nthe performance of the AD8232 sensor, an accuracy of 96.85% \nwas obtained, the classification accuracy using the Artificial \nNeural Network was 80%, and the average computation time \nwas 7.6 ms. This system has the potential to help early \ndetection of sleep disorders so that they can be treated early by \nmedical personnel\n\n" . "text/html" . . . "Ilmu Komputer"@en . .