Publication Search

Deteksi nyeri secara objektif merupakan tantangan penting dalam dunia medis, terutama bagi pasien yang tidak mampu menyampaikan rasa sakitnya secara verbal, seperti bayi, lansia, atau penderita gangguan komunikasi. Teknologi non- invasif berbasis sensor menjadi solusi potensial untuk mengatasi keterbatasan metode subjektif. Penelitian ini bertujuan meninjau secara sistematis literatur terkini mengenai penerapan Radar MIMO dan algoritma kecerdasan buatan dalam deteksi nyeri non-invasif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pedoman PRISMA 2020, melalui penelusuran basis data IEEE Xplore, ScienceDirect, PubMed, Google Scholar, dan SpringerLink untuk periode 2021– 2025. Dari hasil seleksi diperoleh 17 artikel inklusi yang mencakup penggunaan Radar MIMO, UNBC-McMaster, BioVid, Medical Imaging (CT/MRI), Radar SISO, serta studi review, survey, bibliometrik, dan teoretis. Dari sisi algoritma, CNN dan SVM menjadi pendekatan paling dominan, diikuti Neural Network dan metode lain, dengan tren yang mengarah pada penggunaan multimodal untuk meningkatkan akurasi. Hasil penilaian kualitas dengan GRADE menunjukkan mayoritas studi berkualitas sedang, dengan keterbatasan utama pada ukuran sampel kecil, pelabelan nyeri yang belum konsisten, bias populasi, serta kurangnya validasi klinis nyata. Kesimpulannya, Radar MIMO dan algoritma deep learning memiliki potensi besar untuk deteksi nyeri non-invasif. Namun, penelitian lanjutan perlu difokuskan pada pembangunan dataset yang lebih inklusif, standarisasi pelabelan nyeri, serta pengujian dalam konteks klinis, dengan memperhatikan aspek etika dan privasi agar teknologi ini dapat diimplementasikan secara luas dalam layanan kesehatan.

Deteksi nyeri objektif merupakan tantangan dalam dunia medis, terutama bagi pasien yang tidak mampu mengungkapkan rasa sakit secara verbal. Dengan kemajuan teknologi sensor dan kecerdasan buatan, sistem otomatis untuk mendeteksi nyeri berbasis sinyal fisiologis dan ekspresi wajah mulai dikembangkan. Studi ini bertujuan mengidentifikasi tren, metode, dan kualitas metodologis dari penelitian yang menggunakan database publik seperti BioVid Heat Pain, UNBC-McMaster, dan SenseEmotion dalam pengembangan sistem deteksi nyeri berbasis sensor. Penelitian dilakukan dengan pendekatan Systematic Literature Review (SLR) berdasarkan protokol PRISMA 2020 melalui pencarian artikel di Google Scholar dalam rentang tahun 2015–2024. Setelah seleksi berdasarkan kriteria inklusi dan eksklusi, 26 studi dimasukkan ke dalam sintesis naratif. Data dianalisis berdasarkan jenis sensor, metode algoritma, akurasi, dan ukuran sampel, serta dievaluasi menggunakan pendekatan GRADE. Hasil menunjukkan bahwa BioVid dan UNBC-McMaster adalah database paling sering digunakan, dengan sensor EDA, EMG, dan ekspresi wajah sebagai modalitas dominan. Metode klasifikasi umum mencakup CNN, SVM, dan Random Forest. Studi menyimpulkan bahwa pendekatan multimodal dan deep learning meningkatkan akurasi deteksi nyeri, namun validasi klinis dan perhatian terhadap keragaman demografis masih dibutuhkan.

Abstrak Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis.    Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia

Teknologi blockchain telah mengalami perkembangan pesat dalam beberapa tahun terakhir dan telah menyentuh hampir setiap aspek informasi dan bidang teknologi komunikasi. Potensi blockchain dapat diterapkan di berbagai industri dan bidang, termasuk logistik, rantai suplai pasokan, IoT, dan layanan kesehatan. Dalam industri kesehatan, blockchain memiliki dampak yang signifikan. Namun penilaian kritis terhadap aplikasi blockchain dalam pelayanan kesehatan masih belum tersedia secara komprehensif. Penelitian ini bertujuan untuk memberikan landasan teknis tentang berbagai aplikasi  kesehatan berbasis blockchain, dengan fokus pada perkembangan terkini di bidang ini. Studi ini akan membahas teknologi blockchain kontemporer yang telah diterapkan dalam industri kesehatan, termasuk berbagi data medis, manajemen rantai suplai medis, rekam medis elektronik, klaim asuransi kesehatan, farmasi industri, dan pemantauan pasien jarak jauh. Penelitian ini memberikan wawasan mendalam tentang penggunaan blockchain dalam aplikasi pelayanan kesehatan berbasis IoT dan menyediakan analisis SWOT yang komprehensif untuk membantu pemangku kepentingan dalam memahami manfaat, tantangan, peluang, dan ancaman yang terkait dengan teknologi ini. Diharapkan bahwa hasil survei literatur ini akan memberikan landasan yang kuat untuk pengembangan lebih lanjut dan penerapan blockchain dalam pelayanan kesehatan IoT yang aman, efisien, dan terpercaya.

Monitoring realizes efforts to improve the quality of health services. To obtain information on patient condition data during treatment. The monitoring process is done manually. So that it has an impact on the service and condition of the patient during treatment. The design of monitoring the patient's body temperature and heart during treatment with IoT can be controlled through the NodeMCU sensor ESP8266, MLX9014, MAX30100 sensor and Arduino IDE software program. Furthermore, it can detect the patient's temperature and the patient's heart rate during treatment. And processed by the NodeMCU ESP8266, the data from the two sensors is displayed on the SSD1306 OLED LCD and also to the smartphone of the medical officer on duty via Blynk. In order for the tool to work properly and optimally, it is necessary to adjust the pin placement so that it can work optimally. The problem of internet connection interference causes delays, resulting in a mismatch between the measurement of the test equipment and the standard tool. Data values are taken with an accuracy of 70%-93% for the MAX30100 sensor, for the temperature sensor it is close to optimal with a value that is read on a standard tool with an accuracy of 97%-99%.

Hepatitis merupakan penyakit yang diderita oleh banyak orang, bahkan bisa menyebabkan kematian. Prediksi awal dapat mencegah kematian tersebut yaitu denganmengumpulkan data pasien hepatitis yang dilihat dari faktor - faktornya. Faktor-faktor tersebut antara lain Protime, Alk Phosphat, Albumin, Bilirubin dan Usia. Untuk mengolah datatersebut, dibutuhkan Data Mining. Salah satu metode data mining yang digunakan pada penelitian ini adalah klasifikasi.Tujuan penelitian ini yaitu bagaimana memprediksi hidup atau meninggalnya pasien penyakit hepatitis dengan tingkat akurasi dan mencari atribut paling berpengaruh terhadapprediksi hidup atau meninggalnya pasien penyakit hepatitis dengan menggunakan algoritma Algoritma K-Nearest Neighbor, Naïve Bayes Dan Neural Network dan kemudianmembandingkan ketiga hasil analisis dari ketiga algoritma tersebut.Dari hasil analisis 20 atribut dilakukan 3 kali percobaan dengan algoritma Naïve Bayes didapat model klasifikasi dengan tingkat akurasi yang terbaik yaitu 76.92 %, tingkat error23.01% dan atribut Acites dan Spider merupakan atribut yang berpengaruh terhadap keputusan hidup atau meninggalnya pasien yang terkena penyakit hepatitis.Dengan menggunakanAlgoritma Neural Network didapat model klasifikasi dengan tingkat akurasi yang terbaik yaitu 82,97%, tingkat error 17.03% dan atribut yang paling berpengaruh yaitu anorexia, spiders dan protime. Dengan menggunakan algoritma K-Nearest Neighbor didapat model klasifikasi dengan tingkat akurasi terbaik yaitu 93%, tingkat error 7% dan atribut yang paling berpengaruh terhadap penderita penyakit hepatitis yaitu Albumin.

Manajemen rumah sakit perlu melakukan monitoring dan pengukuran secara terus-menerus terhadap kinerja layanan pasien untuk memastikan ketercapaian tujuan yang telah ditetapkan. Proses monitoring kinerja memerlukan data dan informasi yang didapatkan dari umpan balik pasien terhadap layanan dokter dan perawat. Hasil monitoring kinerja selanjutnya akan disampaikan kepada pihak-pihak yang berkepentingan, secara efisien dan efektif. Performance Dashboard merupakan alat untuk menyajikan informasi secara sekilas . Dashboard menginformasikan Key Performance Indicators (KPI) dengan menggunakan media penyajian yang efektif. KPI yang digunakan dalam pembangunan Dasboard adalah kuesioner tingkat kepuasan layanan pasien terhadap dokter dan perawat. Penelitian ini lebih menitikberatkan bagaimana rancangan dashboard ini bisa memberikan kemudahan informasi terhadap manajemen rumah sakit untuk memonitor dan mengevaluasi capaian kinerja layanan pasien.

Puskesmas-Puskesmas di Kabupaten Demak, bahwa Puskesmas-Puskesmas ini tiap harinya melayani puluhan pasien yang datang. Saat ini sistem pengolahan data pasien tiap bagian masih dikerjakan dengan cara sistem manual atau belum memanfaatkan sistem informasi Puskesmas. Dengan masih digunakannya sistem manual dan beberapa puskesmas sudah menggunakan Simpuskesmas, maka muncul berbagai permasalahan dalam pengolahan data pasiennya. Masalah-masalah ini diantaranya adalah tingginya tingkat kesalahan dalam pengolahan data pasien (data pendaftaran, data pemeriksaan, data rujukan, dan data laboratorium) dan lambatnya proses pelayanan pasien misalnya pendataan dan pencarian data pasien. Masalah lain lagi yaitu puskesmas-puskesmas yang sudah menggunakan Simpuskesmas tdak mempunyai kseragaman system, karena tiap Puskesmas melakukan swadaya sendiri-sendiri untuk pengadaan SIMPUS. Penggunaan Simpuskesmas dengan teknologi komputer untuk pengolahan data pasien  sangat diperlukan, karena dapat memberikan beberapa keuntungan dan kemudahan dalam pelayanan pasien antara lain: mempercepat pelayanan, informasi yang lebih akurat, pencarian data lebih cepat, pembuatan laporan yang lebih cepat serta keseragaman Sistem Informasi Manajemen Puskesmas di wilayah Kabupaten Demak.. Dengan adanya program Simpuskesmas berbasis cloud computing kinerja Puskesmas dapat ditingkatkan, sehingga kualitas dan mutu pelayanan menjadi meningkat.   Kata Kunci : Keseragaman Sistem, Simpuskesmas, Cloud Computing