PROPOSAL
PENELITIAN DOKTOR BARU
DANA ITS TAHUN 2020
PENGUKURAN USER EXPERIENCE WEB E-COMMERCE DENGAN
MENGESTIMASI TINGKAT STRESS MENGGUNAKAN HEARTRATE
VARIABILITY
Tim Peneliti:
Faizal Mahananto, S.Kom., M.Eng., Ph.D (Jurusan Sistem Informasi, FTIF, ITS) Ahmad Muklason, S.Kom., M.Sc., Ph.D. (Jurusan Sistem Informasi, FTIF, ITS)
Prof. Ir. Arif Djunaidy, M.Sc., Ph.D. (Jurusan Sistem Informasi, FTIF, ITS) Retno Aulia Vinarti, S.Kom., M.Kom., Ph.D. (Jurusan Sistem Informasi, FTIF, ITS)
DIREKTORAT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2020
2 DAFTAR ISI
JUDUL ……… 1
DAFTAR ISI ………. 5
BAB I RINGKASAN ……… 3
BAB II LATAR BELAKANG ….………..……….. 7
2.1 Latar Belakang ………. 7
2.2 Perumusan dan Pembatasan masalah ……… 9
2.3 Tujuan ………... 9
2.4 Relevansi ……….. 10
2.5 Target Luaran (sesuai jenis luaran yang dijanjikan pada lampiran surat perjanjian) … 10 BAB III TINJAUAN PUSTAKA ……… 11
2.1 Teori Penunjang ……… 11
2.1.1 Variabilitas denyut jantung ……… 11
2.1.2 Metode multifractal detrended analysis untuk variabilitas denyut jantung... 13
2.2 Studi Hasil Penelitian Sebelumnya (State of the Art) ……….. 14
BAB III METODE ………. 17
3.1 Tahap persiapan ……… 17
3.2 Implementasi metode multifractal detrended fluctuation analysis pada HRV ………. 17
3.3 Eksperimen: Aplikasi metode pada data subyek ………..…. 17
3.4 Pengembangan sistem pengukuran UX design dengan HRV ……..………. 18
BAB IV JADWAL ………. 19
DAFTAR PUSTAKA……… 21
3
BAB I RINGKASAN
Mengukur desain dan memanfaatkan data adalah langkah-langkah penting untuk menciptakan produk web commerce yang berkelanjutan. Pengukuran UX yang menghasilkan metrik UX adalah solusi untuk mengetahui seberapa baikkah UX pada produk tersebut. UX biasanya diukur dari beberapa alat ukur seperti survey pengguna dan atau menggunakan data yang didapatkan dari website seperti pageviews, task time, task success yang diuji saat menggunakan applikasi atau software.
User Experience berkaitan erat dengan tingkat emosional manusia. Hal tersebut menjadi alasan mengapa para peneliti menggunakan interview dan survey untuk mengekstrak user experience. Namun, metode tersebut terkadang menimbulkan kesalahan interpretasi. Ukurannya juga tidak bisa standar antara subjek satu dengan subjek yang lain. Oleh karena itu dalam penelitian ini diusulkan satu metode medis non-invasive yang banyak dipakai untuk mendapatkan sinyal sistem syaraf autonomic yang memiliki respon langsung terhadap emotional tubuh.
Penelitian ini menggunakan metode Multifractal Detrended Fluctuation Analysis untuk mengekstraksi fitur yang ada pada sinyal Heart Rate Variability (HRV) subjek. Hasil ekstraksi fitur tersebut nantinya akan dianalisis untuk mengetahui efek perubahan task yang berupa perbedaan web e-commerce yang dibuat. Subyek akan diminta untuk mengakses beberapa web e-commerce. Disaat yang sama, rekaman electrocardiogram dilakukan pada setiap subyek. Kemudian hasil analisis HRV dibandingkan antar web dan ditariklah kesimpulan bagaimana pengaruh berbedaan web e-commerce pada hasil HRV.
Hasil dari penelitian ini diharapkan mampu digunakan untuk alternatif pengukuran user experience design yang obyektif pada web e-commerce.
Kata kunci : heart rate variability, UX design measurement, e-commerce, multifractal detrended fluctuation analysis, software evaluation.
4
BAB I PENDAHULUAN
1.1 Latar Belakang
Sejak awal 1960, perawatan secara intensif di U.S mulai berkembang. Perawatan intensif dianggap mampu menangani masalah penyakit yang kritis dan memberikan harapan hidup yang lebih besar jika dibandingkan dengan jenis perawatan biasa. Sehingga permintaan terhadap perawatan intensif pun semakin meningkat. Namun hal itu tidak sejalan dengan kemampuan rumah sakit dalam memenuhi kebutuhan permintaan tersebut. Hal tersebut dikarenakan biaya yang dibutuhkan tidaklah murah, dan anggaran rumah sakit sangatlah terbatas. Sejak saat itulah mulai dikembangkan berbagai sistem penilaian untuk melakukan prognosis pada pasien. Hasil dari prognosis akan digunakan untuk menyeleksi pasien yang akan memasuki unit perawatan intensive atau intensive care unit (ICU). Beberapa model penilaian yang berkembang adalah Acute Physiology Chronic Health Evaluation (APACHE) I-IV, The Simplifi ed Acute Physiology Score (SAPS), Mortality Probability Model (MPM). Dengan menggunakan beberapa sistem penilaian tersebut akan didapatkan tingkat keparahan penyakit dan tingkat mortalitas pasien [1].
Seiring dengan semakin berkembangnya penelitian tentang penentuan prognosis pasien, sistem penilaian yang saat ini banyak digunakan dianggap masih memiliki kekurangan. Hal tersebut dikarenakan penentuan skala penilaian yang digunakan masih disimpulkan dan ditafsirkan dari tanda fisiologis melalui proses manual, intermitten, dan subyektif. Penilaian tersebut tidak memanfaatkan data fisiologis pasien berupa sinyal elektrokardiogram yang direkam secara terus menerus setiap detiknya secara real time [2]. Sehingga data yang digunakan dalam penilaian tersebut bukan merupakan data real time pasien, yang menunjukkan kondisi tepat saat dilakukan prognosis, tapi menunjukkan kondisi pasien sebelum dilakukan prognosis. Sinyal elektrokardiogram (EKG) merupakan rekam gelombang aktivitas kelistrikan otot jantung yang direkam melalui alat elektrokardiograf [3]. EKG terdiri dari 5 bentuk gelombang, yaitu yang memiliki label P, Q, R, S, dan T. Setiap kondisi gelombang penyusun sinyal EKG tersebut memiliki arti tersendiri dan dapat menunjukkan kondisi jantung pasien saat itu [4]. Dengan melakukan analisis short-term dan long-term pada sinyal EKG, hasil tersebut dapat digunakan untuk menentukan variasi dari detak jantung yang biasa disebut dengan Heart Rate Variability (HRV). Sinyal HRV didapatkan dari hasil perhitungan R-R interval sinyal EKG. Dengan mengetahui sinyal HRV seseorang, kita dapat mengetahui keseimbangan saraf otonom
5
dalam mengatur keseimbangan saraf simpatis dan parasimpatis orang tersebut. Sehingga HRV dapat digunakan sebagai indikator gangguan pada sistem saraf otonom [5]. Oleh karena itu, saat ini mulai banyak penelitian yang memanfaatkan sinyal HRV dalam menentukan hasil prognosis pasien [2].
Sinyal HRV merupakan sinyal yang memiliki memiliki tipe data time series, struktur data nonlinear dan pola data nonstasioner [5]. Sinyal HRV juga memiliki sifat invariant serta memiliki karakteristik volatility [6]. Berdasarkan dari karakteristik tersebut, maka metode yang tepat dalam mengolah sinyal HRV adalah Detrended Fluctuation Analysis (DFA) karena DFA cocok digunakan untuk data yang memiliki struktur nonlinear dan pola data stasioner [7]. Dalam penelitian ini, metode yang digunakan dalam mengolah sinyal HRV adalah multifractal Moments Detrended Fluctuation Analysis. Metode tersebut merupakan perkembangan dari metode DFA. Metode multifractal Moments Detrended Fluctuation Analysis akan memeriksa skala volatilitas yang ada pada sinya HRV. Penggunaan metode multifractal Moments dirasa lebih cocok jika dibandingkan dengan penggunaan metode DFA dikarenakan pada metode multifractal Moments akan melakukan perhitungan nilai skewness dan kurtosis pada sinyal HRV. Dimana perhitungan tersebut tidak dilakukan di metode DFA biasa. Skewness menunjukan nilai asimetri distribusi probabilitas dari variabel acak bernilai riil tentang meannya. Sedangkan kurtosis menunjukan nilai perubahan dari tailedness. Nilai skewness dan kurtosis, akan menunjukan sifat volatilitas yang ada pada data time series dalam aspek yang berbeda sehingga dapat menghasilkan informasi yang lebih menarik [8].
Setelah dilakukan pengolahan data HRV menggunakan multifractal Moments Detrended Fluctuation Analysis, akan dihasilkan beberapa fitur dari sinyal HRV. Hasil dari ekstraksi fitur tersebut akan dijadikan input untuk melakukan klasifikasi dengan menggunakan metode Artificial Neural Network (ANN). ANN akan melakukan klasifikasi sehingga dapat dihasilkan estimasi hasil prognosis pasien. Hasil prognosis pasien dibedakan menjadi dua kelas, yaitu prognosis baik dan buruk [9]. ANN merupakan metode yang sudah sering digunakan dalam melakukan klasifikasi data medis [10]. Oleh karena itu, ANN dianggap cocok untuk digunakan dalam melakukan klasifikasi hasil prognosis pasien.
Dalam tugas akhir ini akan membahas mengenai estimasi prognosis pasien dengan menggunakan metode Artificial Neural Network berdasarkan hasil ekstraksi data menggunakan multifractal Detrended Fluctuation Analysis pada sinyal HRV. Hasil akhir dari tugas akhir ini berupa hasil estimasi prognosis pasien ICU. Sehingga diharapkan dengan
6
adanya penelitian ini dapat membantu ahli medis dalam menentukan tingkat prognosis pasien, sehingga dapat lebih cepat serta dan tepat karena menggunakan data real-time dari sinyal EKG.
1.2 Perumusan dan Pembatasan masalah
Penelitian ini menitikberatkan permasalahan pada hal-hal berikut:
1. Bagaimana mengimplementasikan metode multifractal detrended fluctuation analysis pada data pasien ICU.
2. Bagaimana mengembangkan sistem, aplikasi serta perangkat lunak yang mampu membantu pengambilan keputusan dokter dan staf medis untuk mengidentifikasi prognosis pasien ICU.
Sebagai batasan, data pasien yang akan dipakai dalam penelitian ini adalah data yang bisa didapatkan dari physionet database yaitu data pasien lengkap dengan data klinis.
1.3 Tujuan
Tujuan dari penelitian ini adalah mengembangkan sebuah sistem untuk membantu mengetahui prognosis pasien ICU dengan menggunakan metode multifractal detrended fluctuation analysis dengan beberapa keutamaannya.
Sejauh ini sistem yang akan diusulkan dalam penelitian ini masih belum ada atau belum tersedia secara komersial sehingga hasil yang akan didapatkan sangat signifikan.
1.4 Relevansi
Semakin tingginya tingkat populasi dunia dan semakin kompleks penyakit yang ada di dunia memunculkan tantangan dunia akan bidang kesehatan. Disatu sisi, ketersediaan tenaga kesehatan dan sumber dayanya sangat terbatas. Dokter dan tenaga medis lainnya membutuhkan system yang mampu membantu operasional mereka setiap saat. Dengan adanya sistem yang akan dibangun, dokter dapat terbantu dengan adanya sistem ini. Selain itu ketersediaan sistem dengan paduan berbagai metode seperti yang diusulkan dalam proposal ini masih belum ada secara komersial sehingga dibutuhkan peran aktif peneliti untuk menghasilkan sistem yang dapat dimanfaatkan oleh bidang kesehatan.
7
Kontribusi penelitian ini mengacu pada topic-topik unggulan ITS tahun 2018 yaitu topic di bidang ICT dan robotika sub bidang ICT untuk kesehatan yaitu pengembangan perangkat lunak dan perangkat keras di bidang biomedis dan bioinformatika.
1.5 Target Luaran
Target luaran dari penelitian ini meliputi beberapa hal berikut :
1. Sebuah sistem/aplikasi/perangkat lunak yang sesuai dengan usulan dalam proposal diatas. System dapat berupa aplikasi desktop atau aplikasi berbasis web.
8
BAB II TINJAUAN PUSTAKA
2.1 Teori Penunjang
2.1.1 Variabilitas denyut jantung
Terdapat hubungan antara sistem syaraf otonomik dengan kerja sistem kardiovaskular (sistem yang mengatur lalu lintas darah keseluruh tubuh). Variabilitas denyut jantung merupakan metode kuantitatif yang dapat memberikan pertanda pada kerja syaraf simpatitik dan syaraf vagus (syaraf parasimpatitik). Penggunaan variabilitas denyut jantung sebagai metode kualitatif menjadi sangat populer karena kemudahannya dalam menginterpretasikan hasil dari analisis tersebut. Pada kasus umum, penurunan pada variabilitas denyut jantung menjadi pertanda kemunculan penyakit yang berhubungan dengan kondisi kardiovascular [1,20-22]. Selain itu, analisa pada variabilitas denyut jantung juga mampu menghasilkan nilai prognosis dari beberapa kasus pada penyakit khusus [1,11,12,23-27]. Study tersebut terbukti menunjukkan bahwa hasil analisis pada variabilitas denyut jantung dapat merguna pada aplikasi klinis medis.
Variabilitas denyut jantung merefleksikan bagaimana sistem syaraf simpatitik dan parasimpatitik bekerja. Baru-baru ini variabilitas denyut jantung diteliti sangat intensif karena kemampuannya melakukan investigasi kondisi internal tubuh secara non-invasif menggunakan analisa pemrosesan signal yang tidak terlalu rumit. Selain itu juga dapat digunakan dalam aplikasi klinis seperti pada pasien dengan kondisi trauma tertentu [28]. Masing-masing pengukuran variabilitas denyut jantung memiliki hasil yang signifikan pada kondisi klinis yang berbeda-beda dan spesifik. Contoh aplikasi dari metode ini adalah penggunaannya di intensive care unit (ICU) atau ruang perawatan intensif di rumah sakit. Sebagai contoh pada pasien trauma tertentu, data time series variabilitas denyut jantung sangat komplek dilihat dari hasil perhitungan metode non-linear namun, metode yang lain dapat memberikan hasil yang lebih akurat mengenaik kemunculan luka yang menyebabkan trauma tertentu tersebut. Perhitungan variabilitas denyut jantung juga dapat menjadi pertanda munculnya beberapa penyakit seperti diabetes, kematian otak, myocardial infaction dan penyakit lain yang berhubungan dengan kondisi sistem syaraf.
Variabilitas denyut jantung didihitung dari variasi interval/jarak antar denyut jantung. Ada beberapa metode yang dapat digunakan untuk mendeteksi denyut jantung. Electrocardiogram, tekanan darah, ballistocardiograms dan sinyal PPG (photoplethysmograph) adalah beberapa
9
sumber data yang biasanya digunakan untuk menghasilkan data variabilitas denyut jantung [29-31]. Dari beberapa metode tersebut, electrocardiogram adalah sumber yang paling bagus digunakan karena kejelasan batas denyut yang bisa dilihat. Cara yang paling umum untuk mengestimasi data time series variability denyut jantung adalah dengan menghitung jarak antara puncak R pada signal electrocardiogram yang ditunjukkan pada Gambar 2.1. Hasil dari perhitungan jarak R-R pada subyek orang sehat dalam jangka waktu tertentu ditunjukkan oleh Gambar 2.2.
Gambar 2.1 Perhitungan R-R interval yang didapatkan dari sinyal electrocardiogram.
Gambar 2.2 Contoh data time series variabilitas denyut jantung.
Ada beberapa metode yang umum digunakan untuk menganalisa data time series variabilitas denyut jantung. Metode yang umum dipakai seperti analisa domain waktu dan analisa domain frekuensi telah ditetapkan menjadi standar perhitungan variabilitas denyut jantung oleh the task force of the European Society of Cardiology and the North American Society of Pacing and
10
Electrophysiology [1] untuk digunakan pada aplikasi klinis sedangkan metode yang lain masih dalam tahap penelitian intensif oleh masing-masing peneliti [15, 32-35].
2.1.2 Metode multifractal detrended analysis untuk variabilitas denyut jantung
Sebelum membahas algoritma MFDFA, perlu diketahui dan perlu memahami proses teknik DFA (detrended fluctuation analysis) terlebih dahulu. DFA dikembangkan sebagai metode untuk mempelajari sifat skala yang melekat dalam sinyal non-stasioner. Properti skala (Scaling property) memberikan pengetahuan tentang korelasi positif jangka panjang dan perilaku power law terus-menerus dari sinyal yang diselidiki, yang pada umumnya dipengaruhi oleh nonlinieritas dan tren jangka pendek dan jangka panjang. DFA mampu mengkarakterisasi sifat skala dalam sinyal yang diberikan tanpa non-stationaritas di dalamnya. Untuk mengestimasi skala eksponen melalui DFA dari sinyal yang diselidiki harus mematuhi perilaku power law pada setiap skala panjang jendela yang berbeda-beda. Integrasi akan membantu untuk mengungkap sifat power-law dengan membuat sinyal terbatas dan mampu untuk mendeteksi self similarity dalam data melalui panjang jendela yang berbeda-beda. Seluruh deskripsi teknik MFDFA dalam langkah matematika adalah sebagai berikut.
1. Pertama menghasilkan series y(m) dari N-titik urutan data spasial, misalnya, x(i), dengan memperkirakan
𝑦(𝑚) = ∑𝑚𝑖=1(𝑥(𝑖) − 𝑥̅); 𝑚 = 1,2,3, … 𝑁 (1)
𝑥̅ adalah rata-rata dari N data points.
2. Selanjutnya, membagi m deret waktu yang diintegrasikan ke berbagai m/k tiap non-overlap windows dengan panjang yang sama, masing-masing terdiri dari sejumlah k sampel. Dengan demikian jumlah total windows, Nk = int(m/k)
3. Hitung least-squares fit dari order skala yang telah ditentukan di setiap window. Hasil perhitungan itu mewakili tren lokal yk.
4. Detrend deret y(m) yang terintegrasi dengan mengurangi trend local yk pada masing masing jendela yang sesuai. Untuk jendela dengan panjang k, hitung rata-rata fluktuasi, F(k, n), dari deret yang telah di-detrended dari arah depan dan belakang dengan rumus berikut
𝐹(𝑘, 𝑛) = √1
𝑘∑ [𝑦(𝑖) − 𝑦𝑘] 2 𝑁𝑘
𝑖=𝑠+1 (2)
dimana, s=(n-1)k; n adalah nomor window. n = 1,2,3,…Nk untuk operasi forward (dari arah depan) dan n = Nk, Nk-1, Nk-2,….3,2,1 untuk operasi backward (dari arah belakang).
11
5. Dengan mempertimbangkan kedua operasi diatas, generaliasi dari rata-rata fluktuasi yang diekspresikan dalam order ke-q dengan fungsi sebagai berikut
𝐹𝑞(𝑘) = {2𝑁1 𝑘∑ [𝐹 2(𝑘, 𝑛)]𝑞/2 2𝑁𝑘 𝑛=1 } 1/𝑞 (3)
Formula (3) secara berulang menghitung untuk panjang windows yang berbeda-beda untuk mendapatkan relasi power-law antara Fq(k) dan Kh(q). Generalisasi dari Hurst exponent h(q) mendefinisikan slope dari regresi least-square linear antara logaritma keseluruhan fluktuasi Fq(k) dan logaritma window dengan panjang k untuk masing masing q. Umumnya, formula (3) dihitung untuk berbagai nilai q mulai dari -10 sampai 10. Namun, untuk mendapatkan karakterisasi sinyal yang baik, lower dan upper bound yang lebih tinggi dapat ditentukan kembali. Untuk kasus q=0 formula (3) akan ditransformasi kedalam prosedur rataan logaritma, sehingga didapatan 𝐹0(𝑘) = 𝑒𝑥𝑝 [ 1 4𝑁𝑘∑ ln{𝐹 2(𝑘, 𝑛)} 2𝑁𝑘 𝑛=1 ] ≈ 𝑘ℎ(0)
Tingkah laku multifractal Hurst exponent, h(q) tergantung pada rata-rata fluktuasi Fq(k). Fluktuasi tersebut dihasilkan dari fluktuasi hubungan non-linear dengan order q dimana fluktuasi rataan bawah memiliki h(q) yang tinggi untuk negative q. jika h(q) bervariasi untuk nilai q yang berbeda-beda, kemudian signal terseut disebut memiliki tingkah laku multifractal. Hal ini dapat dilihat dari plot h(q) vs. q.
6. Kemudian, menghitung multifractal singularity spectrum, yang mendefinisikan relasi antara singularity spectrm, f(a) dan kekuatan singularity, q, didefinisikan a=h(q)+qh(q) dan f(a)=q[a-h(q)]+1, a disebut juga Holder exponent.
7. Seperti dijelaskan diatas untuk membatasi kasus q=2, Fq(k) menghitung hanya operasi arah kedepan (forward) seperti dijelaskan pada metode DFA. Scaling exponent menggunakan DFA dapat dihitung dalam dua metode, overlapping dan non-overlapping.
2.2 Studi Hasil Penelitian Sebelumnya (State of the Art)
Ada beberapa sistem dan perangkat lunak yang telah dibangun dan diteliti untuk melakukan analisis variabilitas denyut jantung seperti Kubios HRV [16], BioSigPlot [17], sigTOOL [18],
12
KARDIA [19] dan HRVAS. Namun beberapa sistem tersebut digunakan untuk general data variabilitas denyut jantung dan tidak ada kesimpulan yang dapat diambil yang spesifik untuk kegunaan pada penyakit atau kondisi tertentu. Sistem yang ada hanya mampu mendapatkan kesimpulan general mengenai hasil dari tiap-tiap metode analisa yang menjadi fitur pada sistem tersebut. Oleh karena itu, sistem yang ada masih belum bisa diaplikasikan atau digunakan langsung oleh dokter atau staf karena tujuan dari dibangunnya software tersebut adalah untuk peneliti dan diperlukan kalkulasi tambahan untuk mendapatkan suatu kesimpulan medis. Perangkat lunak Kubios HRV (Gambar 2.4), KARDIA (Gambar 2.6) dan HRVAS (Gambar 2.7) merupakan perangkat lunak yang dapat digunakan untuk menganalisa data time series variabilitas denyut jantung. Hasil yang didapatkan dari perangkat lunak tersebut adalah hasil mentah yang memerlukan kajian lebih lanjut sebelum didapatkan suatu kesimpulan medis. Software tersebut juga tidak mampu menyimpan populasi hasil dan pembandingan hasil satu dengan hasil yang lain. Perangkat lunak tersebut cocok digunakan untuk peneliti yang mengerti mengenai cara pemrosesan signal namun kurang cocok untuk diimplementasikan langsung untuk aplikasi klinis. Aplikasi BioSigPlot (Gambar 2.5) dan sigTOOL merupakan aplikasi plotting data yang berfungsi untuk visualisasi data yang telah didapatkan dari pasien. Aplikasi ini sangat bermanfaat untuk melihat secara detil data yang didapat untuk analisa atau observasi oleh tenaga medis. Namun, aplikasi tersebut tidak dapat melakukan analisis pada data variabilitas denyut jantung. Tabel 2.1 merangkum fitur yang tersedia pada perangkat lunak tersebut.
Tabel 2.1 Fitur dari perangkat lunak yang telah dikembangkan sebelumnya
Fitur Kubios HRV BioSigPlot sigTOOL KARDIA HRVAS Analisis HRV YES NO NO (only Plot) YES YES Selain analisis HRV NO YES YES NO NO Free software YES YES YES YES YES
13
Gambar 2.4 perangkat lunak KubiosHRV
14
Gambar 2.6 perangkat lunak KARDIA
15
BAB III METODE PENELITIAN
Penelitian ini adalah penelitian lanjutan dari penelitian yang dilakukan oleh pengusul. Pada tahun 2016, pengusul telah berhasil membuat sistem deteksi kondisi gagal jantung kongestif dengan pembiayaan dari dana BOPTN 2016 dan Lokal ITS 2017. Sistem tersebut menggunakan metode symbolic dynamic dan MFDFA yang meskipun memiliki beberapa kekurangan namun mampu menghasilkan tingkat akurasi yang dapat diterima. Untuk memperkuat hasil deteksi dan prediksi untuk bidang medis, dibutuhkan integrase beberapa metode agar hasil yang didapatkan memiliki tingkat kopercayaan yang tinggi. Pada tahun 2018, diusulkan penelitian dengan menggunakan metode lain yang akan menjawab tantangan lain yaitu untuk memprediksi prognosis pasien ICU. Sebagai tambahan, pada tahun selanjutnya, pengusul berencana membuat integrase semua metode kedalam satu sistem visualisasi yang memadai yang dapat diterima dan diimplementasikan langsung pada institutsi kesehatan dan dapat digunakan oleh tenaga medis. Kemudian setelah sukses menerapkan HRV pada domain medical detection. Tahun 2019 kami mulai merahbah ke implementasi untuk bidang software engineering. Kami memulai dengan membuat sebuah sistem yang dapat mendeteksi stress dari individu. Setelah itu, kami ingin memakai alat tersebut dalam sebuah eksperimen untuk mengetahui apakah ada perbedaan dalam hasil HRV pada pasien yang sedang menikmati user experience yang berbeda dari pemakaian web e-commerce. Gambar 3.1 menunjukkan roadmap penelitian pengusul terkait dengan penelitian yang diusulkan ini.
Gambar 3.2 Road penelitian pengusul terkair dengan sistem informasi kesehatan. Selanjutnya, tahapan–tahapan pengerjaan dalam penelitian ini dijelaskan sebagai berikut:
Bidang Utama Tema Penelitian Metode atau subjek spesifik 2016 2017 2018 2019 2020 2021
Simbolic dynamic heart failure implementation (library produced) Prognosis DFA multifractal heart failure implementation (library produced) Prognosis
DFA higher order
heart failure implementation (library produced)
Prognosis Adopsi, implementasi dan
analisis dampak
Adopsi e-health di lembaga kesehatan
System developments Monitoring system (ICU) - HRV Development Lab
implementation focussed healthcare implementation Finished (studied) Progressing… Proposed Planned Development Studied (Indonesia case study) Basic research Methodology development HRV
16 3.1 Tahap persiapan
Tahap persiapan meliputi studi beberapa literatur yang dibutuhkan dalam penelitian ini. Selain itu juga mempersiapkan dan mendiskusikan desain eksperimen yang akan diimplementasikan kedalam bentuk eksperimen. Experimen dilakukan dengan melakukan percobaan dimana ada 10 orang mahasiswa diminta untuk memakai web e-commerce sebanyak 3 web yang berbeda.. 3.2 Implementasi metode multifractal detrended fluctuation analysis pada HRV
Implementasi metode multifractal detrended fluctuation pada matlab dilakukan untuk mempermudah pemakaian metode dan implementasi pada data HRV yang telah disiapkan sebelumnya.
3.3 Eksperimen: Aplikasi metode pada data pasien ICU
Pada tahap eksperimen, data pasien diambil dari repository physionet [37]. Data yang pakai merupakan repository data pasien dengan kondisi gagal jantung. Dari sekian banyak data, dihitung fitur dan digunakan untuk input pada tahap klasifikasi. Selain data pasien, data subyek yang sehat dengan rentan umur yang hampir sama juga diperoleh dari repository yang sama. Tujuan data subyek yang sehat dengan rentan umur yang sama ini dimaksudkan agar hasil yang didapatkan valid tanpa ada kesalahan identifikasi dikarenakan perbedaan umur. Umur sangat berperan penting dalam hasil perubahan sistem syaraf pada manusia.
Klasifikasi yang dipakai menggunakan klasifikasi jaringan syaraf tiruan menggunakan software WEKA. Jika data yang didapatkan tidak mencukupi, klasifikasi model leave-one-out akan digunakan.
3.4 Pengembangan sistem estimasi prognosis pasien ICU
Setelah metode selesai dikembangkan dan telah berhasil diujikan kedalam eksperimen sebelumnya, sistem identifikasi dengan menggunakan metode simbolik dapat dikerjakan. Sistem akan dibangun menggunakan software Matlab. Agar sistem dapat berjalan pada komputer tanpa terinstal Matlab, diperlukan compiler yang akan mengompile kode program Matlab kedalam file executable. Matlab memiliki kemampuan itu dengna menggunakan toolbox yang bernama Matlab Compiler. Pengguna dapat menggunakan di semua komputer namun harus terlebih dulu menginstal Matlab runtime yang dapat diunduh secara gratis. Diagram alir metodologi penelitian ini diilustrasikan pada gambar 3.2
17
18
BAB IV JADWAL
Penelitian ini berlangsung selama 7 bulan dengan jadwal tersebut dalam tabel 4.1. Tabel 4.1. Jadwal penelitian
Bulan No Aktifitas 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Studi pustaka 2 Konfigurasi eksperimen 3 Eksperimen
4 Analisis hasil eksperimen 5 Pengembangan aplikasi 6 Penulisan paper publikasi 7 Publikasi
8 Pembuatan laporan
19
DAFTAR PUSTAKA
[1]. Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology, Heart Rate Variability : Standards of Measurement, Physiological Interpretation, and Clinical Use, Circulation. 93 (1996) 1043–1065. doi:10.1161/01.CIR.93.5.1043.
[2]. L. Bernardi, J. Wdowczyk-Szulc, C. Valenti, S. Castoldi, C. Passino, G. Spadacini, et al., Effects of controlled breathing, mental activity and mental stress with or without verbalization on heart rate variability, J. Am. Coll. Cardiol. 35 (2000) 1462–1469. doi:10.1016/S0735-1097(00)00595-7.
[3]. M.A. García-González, C. Vázquez-Seisdedos, R. Pallàs-Areny, Variations in breathing patterns increase low frequency contents in HRV spectra, Physiol. Meas. 21 (2000) 417–423. doi:10.1088/0967-3334/21/3/307.
[4]. D. Zamaklar-Trifunovic, P.M. Seferovic, M. Petrovic, M. Zivkovic, G. Vukomanovic, N. Milic, et al., The influence of respiratory pattern on heart rate variability analysis in heart failure, Srp. Arh. Celok. Lek. 135 (2007) 135–142.
[5]. J.E. Sanderson, L.Y. Yeung, D.T. Yeung, R.L. Kay, B. Tomlinson, J.A. Critchley, et al., Impact of changes in respiratory frequency and posture on power spectral analysis of heart rate and systolic blood pressure variability in normal subjects and patients with heart failure, Clin. Sci. (Lond). 91 (1996) 35–43.
[6]. A.L. Goldberger, D.R. Rigney, B.J. West, Chaos and fractals in human physiology, Sci. Am. 262 (1990) 42–49. doi:10.1038/scientificamerican0290-42.
[7]. M.G. Tsipouras, D.I. Fotiadis, Automatic arrhythmia detection based on time and time-frequency analysis of heart rate variability, Comput Methods Programs Biomed. 74 (2004) 95–108. doi:10.1016/S0169-2607(03)00079-8.
[8]. B.M. Asl, S.K. Setarehdan, M. Mohebbi, Support vector machine-based arrhythmia classification using reduced features of heart rate variability signal, Artif. Intell. Med. 44 (2008) 51–64.
[9]. P. Seyd, V. Ahamed, Time and frequency domain analysis of heart rate variability and their correlations in diabetes mellitus, Int. J. Biol. Life Sci. 4 (2008) 24–27.
[10]. D. Chemla, J. Young, F. Badilini, P. Maison-Blanche, H. Affres, Y. Lecarpentier, et al., Comparison of fast Fourier transform and autoregressive spectral analysis for the study of heart rate variability in diabetic patients, Int. J. Cardiol. 104 (2005) 307–313. doi:10.1016/j.ijcard.2004.12.018.
[11]. K. Oikawa, R. Ishihara, T. Maeda, K. Yamaguchi, A. Koike, H. Kawaguchi, et al., Prognostic value of heart rate variability in patients with renal failure on hemodialysis, Int. J. Cardiol. 131 (2009) 370–377. doi:10.1016/j.ijcard.2007.10.033.
[12]. R. Steeds, J. Fletcher, M. Smith, J. West, K. Channer, J. Townend, Prognostic significance of early short-term measurements of heart rate variability following acute myocardial infarction., Am. J. Cardiol. 94 (2004) 1275–1278. doi:10.1016/j.amjcard.2004.07.111.
[13]. F. Mahananto, T. Igasaki, N. Murayama, J. Maehara, Estimating Prognosis of SAH Patient in ICU Employing Econophysics Field Analysis, Japanese Soc. Med. Biol. Eng. 50 (2012) 401.
[14]. C. Xi, S. Zhang, G. Xiong, and H. Zhao, A comparative study of two-dimensional multifractal detrended fluctuation analysis and two-dimensional multifractal detrended moving average algorithm to estimate the multifractal spectrum, Phys. A Stat. Mech. its Appl., 454 (2016) 34–50. https://doi.org/10.1016/j.physa.2016.02.027
[15]. E. A F. Ihlen, Introduction to multifractal detrended fluctuation analysis in Matlab, Front. Physiol., 3 (2012) 1–18. https://doi.org/10.3389/fphys.2012.00141
[16]. M.P. Tarvainen, J.-P. Niskanen, J.A. Lipponen, P.O. Ranta-Aho, P.A. Karjalainen, Kubios HRV--heart rate variability analysis software., Comput. Methods Programs Biomed. 113 (2014) 210–20. doi:10.1016/j.cmpb.2013.07.024.
[17]. S. Boudet, L. Peyrodie, P. Gallois, D.H. De L’Aulnoit, H. Cao, G. Forzy, BioSigPlot: An opensource tool for the visualization of multi-channel biomedical signals with Matlab, in: Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, 2013: pp. 1956–1959.
[18]. M. Lidierth, sigTOOL: A MATLAB-based environment for sharing laboratory-developed software to analyze biological signals, J. Neurosci. Methods. 178 (2009) 188–196.
[19]. P. Perakakis, M. Joffily, M. Taylor, P. Guerra, J. Vila, KARDIA: A Matlab software for the analysis of cardiac interbeat intervals, Comput. Methods Programs Biomed. 98 (2010) 83–89.
[20]. S. Hillebrand, K.B. Gast, R. De Mutsert, C.A. Swenne, J.W. Jukema, S. Middeldorp, et al., Heart rate variability and first cardiovascular event in populations without known cardiovascular disease: Meta-analysis and dose-response meta-regression, Europace. 15 (2013) 742–749. doi:10.1093/europace/eus341.
20
[21]. W.L. Chen, T.H. Tsai, C.C. Huang, J.H. Chen, C.D. Kuo, Heart rate variability predicts short-term outcome for successfully resuscitated patients with out-of-hospital cardiac arrest, Resuscitation. 80 (2009) 1114–1118. doi:10.1016/j.resuscitation.2009.06.020.
[22]. W.L. Chen, Y.S. Shen, C.C. Huang, J.H. Chen, C.D. Kuo, Postresuscitation autonomic nervous modulation after cardiac arrest resembles that of severe sepsis, Am. J. Emerg. Med. 30 (2012) 143–150. doi:10.1016/j.ajem.2010.11.013.
[23]. J.F. Ramirez-Villegas, E. Lam-Espinosa, D.F. Ramirez-Moreno, P.C. Calvo-Echeverry, W. Agredo-Rodriguez, Heart rate variability dynamics for the prognosis of cardiovascular risk, PLoS One. 6 (2011). [24]. C. Carpeggiani, A. L’Abbate, P. Landi, C. Michelassi, M. Raciti, A. Macerata, et al., Early assessment of
heart rate variability is predictive of in-hospital death and major complications after acute myocardial infarction, Int. J. Cardiol. 96 (2004) 361–368. doi:10.1016/j.ijcard.2003.07.023.
[25]. M.T. La Rovere, G.D. Pinna, R. Maestri, A. Mortara, S. Capomolla, O. Febo, et al., Short-term heart rate variability strongly predicts sudden cadiac death in chronic heart failure patients, Circulation. 107 (2003) 565–570. doi:10.1161/01.CIR.0000047275.25795.17.
[26]. H. V Huikuri, T.H. Mäkikallio, K.E. Airaksinen, T. Seppänen, P. Puukka, I.J. Räihä, et al., Power-law relationship of heart rate variability as a predictor of mortality in the elderly, Circulation. 97 (1998) 2031– 2036. doi:10.1161/01.CIR.97.20.2031.
[27]. T.H. Mäkikallio, H. V Huikuri, A. Mäkikallio, L.B. Sourander, R.D. Mitrani, A. Castellanos, et al., Prediction of sudden cardiac death by fractal analysis of heart rate variability in elderly subjects, J. Am. Coll. Cardiol. 37 (2001) 1395–1402.
[28]. M. Malik, T. Cripps, T. Farrell, A.J. Camm, Prognostic value of heart rate variability after myocardial infarction. A comparison of different data-processing methods, Med. Biol. Eng. Comput. 27 (1989) 603– 611. doi:10.1007/BF02441642.
[29]. J. Lázaro, E. Gil, J.M. Vergara, P. Laguna, Pulse rate variability analysis for discrimination of sleep-apnea-related decreases in the amplitude fluctuations of pulse photoplethysmographic signal in children, IEEE J. Biomed. Heal. Informatics. 18 (2014) 240–246. doi:10.1109/JBHI.2013.2267096.
[30]. J.H. Shin, S.H. Hwang, M.H. Chang, K.S. Park, Heart rate variability analysis using a ballistocardiogram during Valsalva manoeuvre and post exercise, Physiol. Meas. 32 (2011) 1239. http://stacks.iop.org/0967-3334/32/i=8/a=015.
[31]. J.H. Shin, K.S. Park, HRV analysis and blood pressure monitoring on weighing scale using BCG, in: Eng. Med. Biol. Soc. (EMBC), 2012 Annu. Int. Conf. IEEE, 2012: pp. 3789–3792. doi:10.1109/EMBC.2012.6346792.
[32]. C. Liu, K. Li, L. Zhao, F. Liu, D. Zheng, C. Liu, et al., Analysis of heart rate variability using fuzzy measure entropy., Comput. Biol. Med. 43 (2012) 100–108. doi:10.1016/j.compbiomed.2012.11.005.
[33]. J.S. Richman, J.R. Moorman, Physiological time-series analysis using approximate entropy and sample entropy, Am. J. Physiol. Heart Circ. Physiol. 278 (2000) H2039–H2049.
[34]. R. Alcaraz, J.J. Rieta, A review on sample entropy applications for the non-invasive analysis of atrial fibrillation electrocardiograms, Biomed. Signal Process. Control. 5 (2010) 1–14. doi:10.1016/j.bspc.2009.11.001.
[35]. D. Cysarz, P. Van Leeuwen, F. Edelhäuser, N. Montano, A. Porta, Binary symbolic dynamics classifies heart rate variability patterns linked to autonomic modulations, Comput. Biol. Med. 42 (2012) 313–318. doi:10.1016/j.compbiomed.2011.04.013.
[36]. F. Mahananto, T. Igasaki, N. Murayama, Potential Force Dynamics of Heart Rate Variability Reflect Cardiac Autonomic Modulation with respect to Posture, Age, and Breathing Pattern, Comput. Biol. Med. 64 (2015) 1–16.
[37]. A.L. Goldberger, L.A.N. Amaral, L. Glass, J.M. Hausdorff, P.C. Ivanov, R.G. Mark, et al., PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals , Circ. . 101 (2000) e215–e220. doi:10.1161/01.CIR.101.23.e215.
BIODATA TIM PENELITI
1. Ketua
a. Nama Lengkap : Faizal Mahananto, S.Kom., M.Eng., Ph.D. b. Jenis Kelamin : Laki-laki
c. NIP : 5200201301010
d. Fungsional/Pangkat/Gol. : e. Jabatan Struktural :
f. Bidang Keahlian : Decision support system, Healthcare information systems, Biomedical signal processing, Predictive analytic for medicine and healthcare
g. Departemen/Fakultas : Sistem Informasi/FTIK
h. Alamat rumah dan No. Telp. : Jl. Wonorejo Selatan VII No 118A, Wonorejo, Rungkut, Surabaya, 081232736018
i. Riwayat Penelitian :
No. Judul (Tahun) Sebagai
1. Estimasi Prognosis Pasien ICU dengan Analisis Heart Rate Variability Menggunakan Metode Higher-Order Detrended Fluctuation Analysis (2018)
Ketua
2 Sistem Manajemen Transportas Umum Cerdas Menuju Surabaya Smart City 2020 (2017)
Anggota 3 Identifikasi Pasien Gagal Jantung Kongestif dengan Metode
Multifractal Detrended Fluctuation Analysis pada Variabilitas Denyut Jantung (2017)
Ketua
4 Sistem Identifikasi Pasien Penderita Gagal Jantung dengan Metode Analisis Simbolik pada Variabilitas Denyut Jantung (2016)
Ketua
Riwayat Pengabdian :
No. Judul Sebagai
1 Pelatian dan Implementasi “Intelligent Dashoard”: Aplikasi Cerdas Untuk Prediksi dan Visualisasi Sebagai Saran Early Warning System Atas Lonjakan Harga Komoditas Strategis Pertanian
Anggota
2 Pelatihan Teknologi Blended Learning untuk Para Guru di Lingkungan Pondok Pesantren Darul Ulum Jombang (2018)
Anggota 3 Pembuatan Website Kelurahan Sebagai Media Komunikasi
Berbagai Teknologi Informasi (Studi Kasus: Kelurahan Gebang Putih Sukolilo) (2018)
Anggota
4 Pembangunan Sistem Monitoring dan Notifikasi Persewaan Gamelan Kelompok Industri Gamelan Desa Kauman Kecamatan Karangrejo Kabupaten Magetan (2018)
5 Pelatihan Aplikasi DUKDASH-TI: Aplikasi Kependudukan Berbasis Teknologi Informasi untuk Menunjang Kinerja Perangkat Kelurahan Gebang Putih Sukolilo (2017)
Anggota
6 OK-WebPortal: Optimalisasi Kerja Perangkat Kelurahan dengan Web-Based Portal (Studi Kasus: Kelurahan Manyar Sabrangan Surabaya) (2016)
Anggota
7 DUKDASH-TI: Aplikasi Kependudukan Berbasis Teknologi Informasi Sebagai Sarana Penunjang Kinerja Perangkat Kelurahan Gebang Putih Sukolilo (2016)
Anggota
j. Publikasi Ilmiah : No. Judul
1 Faizal Mahananto and Arif Djunaidy, Simple Symbolic Dynamic of Heart Rate Variability Identify Patient with Congestive Heart Failure, November 2017, ISICO 2017, Sanur Bali, Indonesia
2 Mahananto, F., Igasaki, T., Murayama, N., Potential Force Dynamics of Heart Rate Variability Reflect Cardiac Autonomic Modulation with Respect to Posture, Age, and Breathing Pattern, Computers in Biology and Medicine, vol. 64, pp. 197-207, 2015
3 Mahananto, F., Igasaki, T., Murayama, N., Cardiac Arrhythmia Detection using Combination of Heart Rate Variability Analyses and PUCK Analysis, The 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Osaka, Japan. July 3-7 2013.
m. Paten (2 terakhir) No. Judul
1 Pengembangan Kerangka Kerja Perangkat Lunak yang Tumbuh Kembang (Development Organic Software Framework), Indonesia Patent, No P00201000181.
n. Tugas Akhir
No. Judul
1. Klasifikasi Prognosis Pasien ICU Menggunakan Artificial Neural Network (ANN) berdasarkan Ekstraksi Fitur Higher Order Moment Detrended Fluctuation Analysis (2018)
2. Klasifikasi Prognosis Pasien ICU menggunakan ANN berdasarkan Ekstraksi Fitur Multifractal Detrended Fluctuation Analysis (MFDFA) (2018)
3. o. Tesis
No. Judul
1. Faktor-Faktor Adopsi E-Health di Rumah Sakit Indonesia Berdasarkan Aspek Manusia, Teknologi, Organisasi dan Lingkungan
BIODATA TIM PENGABDI
1. Anggota
a. Nama Lengkap : Prof. Ir. Arif Djunaidy, M.Sc. PhD.
b. Jenis Kelamin : Laki-laki
c. NIP : 195810051986037003
d. Fungsional/Pangkat/Gol. : Guru Besar/Pembina Utama Madya/ IVe
e. Jabatan Struktural : Wakil Rektor III
f. Bidang Keahlian : Rekayasa Data & Pengetahuan g. Departemen/Fakultas : Sistem Informasi/ FTIK
h. Perguruan Tinggi : ITS
i. Alamat rumah dan No. Telp. : Perumahan YKP Pandugo I Blok PD-18, Rungkut, Surabaya 60297. Telp. 870-6245
j. Riwayat Penelitian (2 terakhir) :
No. Judul Sebagai
1. URBAN COMPUTING: SISTEM
TRANSPORTASI CERDAS BERBASIS BIG DATA DALAM FRAMEWORK SMART CITY (2018)
Ketua
2. Pengembangan Perangkat Lunak Peramalan Nilai Tukar Mata Uang Asing menggunakan Metode Hibrida Jaringan Saraf Rekuren dan Algoritma Genetika”, Hibah Penelitian Guru Besar, Dibiayai dana PNBP ITS. 2011.
Ketua
k. Riwayat Pengabdian (2 terakhir) :
No. Judul Sebagai
1. PELATIHAN TEKNOLOGI BLENDED LEARNING UNTUK PARA GURU DI LINGKUNGAN PONDOK PESANTREN DARUL ULUM JOMBANG (2018)
Anggota
2. PEMBUATAN WEBSITE KELURAHAN SEBAGAI MEDIA KOMUNIKASI BERBASIS TEKNOLOGI INFORMASI (STUDI KASUS: KELURAHAN GEBANG PUTIH SUKOLILO)
Ketua
l. Publikasi Ilmiah (2 terakhir) : No. Judul
1. Muklason, A. et. al. Blended Learning dari Perspektif Para Guru Sekolah di Pondok Pesantren, Jurnal SISFO Vol.08 No.02 (2019) 109–116
2. Muklason A, I Wayan A K Yoga, Arif Djunaidy, Wiwik Anggraeni, Faizal Mahananto, et. al.; Advanced Traveler Information Systems: Itinerary
5th International Conference on Information Technology Systems and Innovation (ICITSI) 2018, Universitas Andalas, 25 October 2018
m. Paten (2 terakhir) No. Judul
BIODATA TIM PENGABDI
1. Anggota
a. Nama Lengkap : Ahmad Muklason, S.Kom, M.Sc., Ph.D. b. Jenis Kelamin : Laki-laki
c. NIP : 198203022009121009
d. Fungsional/Pangkat/Gol. : Asisten Ahli/Penata Muda Tk. I/III B e. Jabatan Struktural : Ka. Sie. Pengembangan Pembelajaran f. Bidang Keahlian : Automated Timetabling and Planning,
Algoritam Meta-heuristics, Hyper-heuristics g. Departemen/Fakultas : Sistem Informasi /FTIK
h. Perguruan Tinggi : ITS
i. Alamat rumah dan No. Telp. : Perumdos ITS, Blok N, No. 03
j. Riwayat Penelitian :
No. Judul (Tahun) Sebagai
1. UTOPIA VS REALITAS IMPLEMENTASI E-GOVERNMENT: BELAJAR DARI PENGALAMAN KABUPATEN PAMEKASAN (2018)
Ketua
2. URBAN COMPUTING: SISTEM
TRANSPORTASI CERDAS BERBASIS BIG DATA DALAM FRAMEWORK SMART CITY (2018)
Anggota
k. Riwayat Pengabdian :
No. Judul Sebagai
1. PELATIHAN TEKNOLOGI BLENDED LEARNING UNTUK PARA GURU DI LINGKUNGAN PONDOK PESANTREN DARUL ULUM JOMBANG (2018)
Ketua
2. PEMBUATAN WEBSITE KELURAHAN SEBAGAI MEDIA KOMUNIKASI BERBASIS TEKNOLOGI INFORMASI (STUDI KASUS: KELURAHAN GEBANG PUTIH SUKOLILO)
Anggota
l. Publikasi Ilmiah : No. Judul
1. Muklason, A. et. al. Blended Learning dari Perspektif Para Guru Sekolah di Pondok Pesantren, Jurnal SISFO Vol.08 No.02 (2019) 109–116 2. Muklason A, I Wayan A K Yoga, Arif Djunaidy, Wiwik Anggraeni,
Faizal Mahananto, et. al.; Advanced Traveler Information Systems: Itinerary Optimisation Using Orienteering Problem Model and Genetic
Algorithm; IEEE: 5th International Conference on Information Technology Systems and Innovation (ICITSI) 2018, Universitas Andalas, 25 October 2018
m. Paten (2 terakhir) No. Judul
BIODATA TIM PENGABDI
1. Anggota
a. Nama Lengkap : Retno Aulia Vinarti
b. Jenis Kelamin : Perempuan
c. NIP : -
d. Fungsional/Pangkat/Gol. : -
e. Jabatan Struktural : Dosen
f. Bidang Keahlian : Health Informatics, Rule-based Systems, Bayesian Networks,
Knowledge-driven Models, Prediction g. Departemen/Fakultas : Sistem Informasi/ Teknologi Informasi
dan Komunikasi
h. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember i. Alamat rumah dan No. Telp. : Jl. Wonorejo Timur, Wonorejo,
Rungkut, Surabaya
j. Riwayat Penelitian (2 terakhir) :
No. Judul Sebagai
1. Ketua/Anggota
2. Ketua/Anggota
k. Riwayat Pengabdian (2 terakhir) :
No. Judul Sebagai
1. PD-DASH: Peningkatan Pembinaan Perangkat Desa Dalam Pemanfaatan Aplikasi Dashboard (Studi Kasus: Desa Simolawang Surabaya) 2014
Anggota
2. Ketua/Anggota
l. Publikasi Ilmiah (2 terakhir) : No. Judul
1. RA Vinarti, L Hederman, A Knowledge-Base for a Personalized Infectious Disease Risk Prediction System, MIE, 531-535
2. RA Vinarti, L Hederman, Personalization of Infectious Disease Risk Prediction: Towards Automatic Generation of a Bayesian Network, 2017 IEEE 30th International Symposium on Computer-Based Medical
Systems (CBMS)
m. Paten (2 terakhir) No. Judul
DATA USULAN DAN PENGESAHAN PROPOSAL DANA LOKAL ITS 2020
1. Judul Penelitian
PENGUKURAN USER EXPERIENCE WEB E-COMMERCE DENGAN MENGESTIMASI TINGKAT STRESS MENGGUNAKAN HEARTRATE VARIABILITY
Skema : PENELITIAN DOKTOR BARU
Bidang Penelitian : Kecerdasan Artifisial dan Teknologi Kesehatan Topik Penelitian : Business and Manufacturing
2. Identitas Pengusul Ketua Tim
Nama : Faizal Mahananto S.Kom, M.Eng., Ph.D
NIP : 051100112
No Telp/HP : .
Laboratorium : Laboratorium Rekayasa Data Dan Intelegensi Bisnis
Departemen/Unit : Departemen Sistem Informasi
Fakultas : Fakultas Teknologi Elektro dan Informatika Cerdas
Anggota Tim
No Nama Lengkap Asal Laboratorium Departemen/Unit Perguruan Tinggi/Instansi 1 Faizal Mahananto S.Kom, M.Eng., Ph.D Laboratorium Rekayasa Data Dan
Intelegensi Bisnis
Departemen Sistem
Informasi ITS
2
Prof. Ir. Arif Djunaidy M.Sc.,
Ph.D.
Laboratorium Rekayasa Data Dan
Intelegensi Bisnis Departemen Sistem Informasi ITS 3 Ahmad Muklason S.Kom., M.Sc., Ph.D Laboratorium Rekayasa Data Dan
Intelegensi Bisnis Departemen Sistem Informasi ITS 4 Retno Aulia Vinarti S.Kom., M.Kom. Laboratorium Rekayasa Data Dan
Intelegensi Bisnis
Departemen Sistem
Informasi ITS
3. Jumlah Mahasiswa terlibat : 0
4. Sumber dan jumlah dana penelitian yang diusulkan
a. Dana Lokal ITS 2020 :
Jumlah : 50.000.000,-Tanggal Persetujuan Nama Pimpinan Pemberi Persetujuan Jabatan Pemberi Persetujuan Nama Unit Pemberi Persetujuan QR-Code 09 Maret 2020 Dr. Agus Zainal Arifin S.Kom, M.Kom. Kepala Pusat Penelitian/Kajian/Unggulan Iptek Kecerdasan Artifisial dan Teknologi Kesehatan 09 Maret 2020 Agus Muhamad Hatta , ST, MSi, Ph.D Direktur Direktorat Riset dan Pengabdian Kepada Masyarakat
