Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"

Salah satu permasalahan utama yang sedang dihadapi oleh Kementrian Kelautan dan Perikanan Republik Indonesia (KKP) adalah maraknya kejadian Illegal, Unreported, and Unregulated (IUU) fishing yang terjadi pada perairan Indonesia. Kejadian ini menimbulkan banyak kerugian bagi Indonesia, terutama dalam aspek sosial, ekologi, dan ekonomi. Untuk mengatasi masalah ini, terutama unreported fishing, dirancanglah sebuah sistem yang dapat digunakan untuk memonitor penangkapan ikan, sekaligus melakukan deteksi dan klasifikasi terhadap jenis ikan hasil tangkapan di atas kapal. Sistem dirancang menggunakan konsep object detection dan instance segmentation, dua bidang dari machine learning, menggunakan model YOLOv5 dan varian-variannya yang merupakan salah satu model dari keluarga YOLO (You Only Look Once) yang paling baik dari segi kecepatan dan akurasi. Dengan adanya sistem tersebut, diharapkan bahwa hasil tangkapan kapal di perairan Indonesia dapat bersifat lebih legal, teratur, dan sesuai dengan yang dilaporkan kepada KKP. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP50 0,834, mAP50-95 0,544, F1-score 0,848, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,797, mAP50-95 0,531, F1-score 0,802, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil bounding box, serta nilai mAP50 0,739, mAP50-95 0,36, F1-score 0,789, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,711, mAP50-95 0,335, F1-score 0,746, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil segmentation mask. Selain itu, model tersebut juga mendapatkan akurasi 60% pada tahapan perbandingan dengan model object detection.

---

One of the main problems the Indonesian Ministry of Marine Affairs and Fisheries (KKP) is currently facing is the abundance of Illegal, Unreported, and Unregulated (IUU) fishing instances happening in Indonesian waters. This phenomenon creates a lot of problems for Indonesia, mainly in the social, ecological, and economical aspects. To overcome these problems, mainly unreported fishing, a system that can be used to not only monitor the fishing process, but also to detect and classify the types of fish that are caught by that boat was created. This system is based on object detection and instance segmentation, both fields of machine learning, using the YOLOv5 model and its variants, which are some of the fastest and most accurate models from the YOLO (You Only Look Once) family. With this system, it is hoped that fish caught in Indonesian waters can be more legitimate, regulated, and reported correctly to the KKP. The best system from this research is created using an instance segmentation model with mAP50 0.834, mAP50-95 0.544, F1-score 0.848, and inference speed 232.6 fps for validation scores, and mAP50 0.797, mAP50- 95 0.531, F1-score 0.802, and inference speed 250.0 fps for testing scores on the bounding box results, as well as mAP50 0.739, mAP50-95 0.36, F1-score 0.789, and inference speed 232.6 fps for validation scores, and mAP50 0.711, mAP50-95 0.335, F1-score 0.746, and inference speed 250.0 fps on the segmentation mask results. The model also achieved an accuracy of 60% in the comparison phase against the object detection model.

"

"Indonesia, sebagai salah satu negara pengekspor ikan terbesar di dunia, menghadapi tantangan serius dalam sektor perikanan akibat illegal, unreported, unregulated (IUU) fishing. Meskipun telah ada pengawas yang ditugaskan, namun praktik ini masih ditemukan, sehingga perlu teknologi pengawasan di atas kapal. Telah dikembangkan model yang dapat mengklasifikasikan jenis ikan di kapal melalui video CCTV namun masih perlu dilengkapi dengan kemampuan memprediksi berat ikan. Dengan metode ensemble learning yang dipilih karena memiliki kinerja yang lebih baik dibanding model individual, penelitian ini bertujuan untuk membangun model prediksi berat melalui citra dari sistem CCTV. Kemampuan untuk memprediksi berat ikan akan memberikan metode bagi pemerintah untuk melakukan pengecekan apakah hasil tangkapan yang dilaporkan sesuai dengan tangkapan yang terjadi di lapangan. Dari pengujian yang dilakukan, algoritma Catboost Regression menunjukkan kinerja terbaik di antara semua model yang diuji. Pada dataset gabungan, dengan rasio data split 90:10, CatBoost mencapai  score 0.986, MAE 9.794, MSE 293.493, dan RMSE 17.132. Untuk dataset cumi dengan rasio 90:10, nilai metrik yang diperoleh adalah  0.025, MAE 18.451, MSE 660.629, dan RMSE 25.702. Sementara pada dataset ikan dengan rasio 90:10, CatBoost menunjukkan kinerja sangat baik dengan  0.980, MAE 5.825, MSE 146.713, dan RMSE 10.129. Model yang dipilih dengan kinerja yang paling baik adalah model dengan dataset ikan dengan MAE 5.825, yang berarti nilai error dari rata-rata berat ikan yang ditimbang adalah 1.29%. Hasil ini menunjukkan bahwa Catboost Regression mampu memprediksi berat ikan dengan akurasi yang tinggi dibandingkan model regresi lainnya pada dataset yang digunakan, dengan pemilihan rasio data split yang optimal.

---

Indonesia, as one of the largest fish-exporting countries in the world, faces serious challenges in its fisheries sector due to illegal, unreported, and unregulated (IUU) fishing. Despite having monitoring officers assigned, these practices are still found, necessitating the use of surveillance technology on vessels. A model has been developed that can classify fish species on ships using CCTV footage, but it still needs to be enhanced with the ability to predict the weight of the fish. Ensemble learning methods, chosen for their superior performance compared to individual models, are being used in this research to build a weight prediction model using images from the CCTV system. The ability to predict fish weight will provide the government with a method to verify whether the reported catches match what is caught at sea. From the tests conducted, the Catboost Regression algorithm demonstrated the best performance among all tested models. On the combined dataset with a 90:10 train-test split ratio, CatBoost achieved an  score of 0.986, MAE of 9.794, MSE of 293.493, and RMSE of 17.132. For the squid dataset with a 90:10 ratio, the metrics obtained were an  of 0.025, MAE of 18.451, MSE of 660.629, and RMSE of 25.702. Meanwhile, for the fish dataset with the same ratio, CatBoost showed excellent performance with an  of 0.980, MAE of 5.825, MSE of 146.713, and RMSE of 10.129. The best-performing model is the one with the fish dataset, achieving an MAE of 5.825, which translates to an error rate of 1.29% in the average weight of the fish weighed. These results indicate that Catboost Regression can predict fish weight with high accuracy compared to other regression models used on the dataset, with optimal data split ratio."

"Indonesia merupakan salah satu negara pengekspor ikan terbesar di dunia yang membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan teknologi seperti kamera pengawas, tetapi solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan menghilangkan IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi multi objek untuk pendeteksian jenis ikan berbasis YOLOv7, sebuah model kecerdasan buatan yang dapat melakukan pendeteksian jenis ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Dari pengujian yang dilakukan, model YOLOv7 menjadi varian model YOLOv7 terbaik yang dapat digunakan untuk melakukan pendeteksian jenis ikan dengan nilai mAP yang dapat mencapai 86,1% dan inference time hingga 14,5 ms sehingga menghasilkan jumlah FPS yang dapat mencapai 69 FPS. Nilai tersebut berhasil didapatkan dengan menggunakan bentuk data polygon annotation, metode object detection, ukuran citra 800 piksel, dan jumlah epochs sebesar 1000 dengan patience 50. Namun, model YOLOv7 memiliki inference time yang sangat lambat hingga 797.6 ms ketika dipasang pada Jetson Nano meskipun akurasi pendeteksian memiliki hasil yang sama.

---

Indonesia is one of the world's largest exporters of fish, which exposes Indonesia's fishing sector to many threats. Illegal, unreported, unregulated (IUU) fishing is one of the problems that resulted in a significant impact in a form of a big loss that is created for the Indonesian fisheries sector. To prevent that problem, there are a lot of solutions that have been proposed, one of which is the application of technology such as surveillance cameras, but it still doesn't have a big impact to reduce and eliminate IUU fishing. Therefore, this research is conducted to develop a multi-object detection system for the detection of fish species based on YOLOv7, an artificial intelligence model that can detect a fish to supervise the number of fish that is caught by the fisherman so IUU fishing can reduce significantly. From the testing, the YOLOv7 model becomes the best YOLOv7 model variant that can be used to detect a fish with the value of mAP that can reach up to 86.1% and the value of inference time up to 14.5 ms that can produce an FPS total up to 69 FPS. The value can be achieved by doing some modifications in data annotation, the training model method, image size, and iteration on training. However, the YOLOv7 model has a very slow inference time up to 797.6 ms when it’s installed in Jetson Nano even though the detection accuracy has the same value."

"Hampir separuh dunia bergantung pada makanan yang berasal dari laut sebagai sumber protein utama. Di Pasifik Barat dan Tengah 60% dari ikan tuna ditangkap secara illegal, tidak dilaporkan, dan tidak diatur dengan regulasi dapat mengancam ekosistem laut, pasokan ikan global, dan mata pencaharian lokal. Salah satu solusi yang dapat dilakukan adalah dengan menggunakan kamera keamanan untuk menangkap gambar aktivitas kapal. Pada penelitian ini akan dibuat sistem untuk mengklasifikasi jenis ikan yang ditangkap dari gambar kamera keamanan kapal tersebut. Sistem ini menggunakan model transfer learning yang sudah dilakukan fine tuning dan dilatih menggunakan dataset yang disediakan oleh The Nature Conservancy. Dari penelitian ini didapatkan performa terbaik dengan akurasi 98.19% menggunakan model EfficientNetV2L dan optimizer Stochastic Gradient Descent (SGD) dengan learning rate 1e-4, momentum 0.9, weight decay 1e-6, dan split ratio training testing 80/20. Dengan sistem ini pengolahan data untuk menghitung jumlah penangkapan ikan berdasarkan spesies akan lebih efisien.

---

Almost half of the world depends on food that comes from the sea as the main source of protein. In the West and Central Pacific 60% of tuna fish are caught illegally, unreported and unregulated, threatening marine ecosystems, global fish supplies and local livelihoods. One possible solution is to use a security camera to capture images of ship activity. In this study a system will be created to classify the types of fish caught from the ship's security camera images. This system uses a transfer learning model that has been fine tuned and trained using the dataset provided by The Nature Conservancy. From this study, the best performance was obtained with an accuracy of 98.19% using the EfficientNetV2L model and the Stochastic Gradient Descent (SGD) optimizer with a learning rate of 1e-4, momentum of 0.9, weight decay of 1e-6, and split ratio training testing of 80/20. With this system, data processing to calculate the amount of fish caught by species will be more efficient.

"

"Dalam dokumen Global Tuberculosis Report 2022, World Health Organization (WHO) melaporkan bahwa Indonesia tercatat sebagai negara dengan beban kasus tuberkulosis (TB) terbanyak kedua setelah India pada tahun 2021 lalu, di mana terhitung dari estimasi 969.000 kasus penderita TB di Indonesia, terdapat 525.765 (54,3%) kasus diantaranya belum ditemukan dan diobati, ini berpotensi menjadi sumber penularan serta meningkatan risiko transmisi komunal jika tidak mendapatkan penanganan segera. Menanggapi hal tersebut, dengan kemajuan teknologi kecerdasan buatan yang ada serta melalui peran pencitraan medis sebagai salah satu metode skrining pendukung, dikembangkan sebuah model pendeteksian berbasis arsitektur U-Net yang mampu secara otomatis mengenali dan melokalisasi area berbagai jenis kelainan indikator TB paru pada citra rontgen thorax. Selain melakukan tuning parameter, dibandingkan beberapa kasus segmentasi semantik multi-kelas, diantaranya terdiri atas 14 kelas kelainan spesifik, 5 kelas kelompok kelainan, dan 3 kelas kelompok kelainan, serta kasus segmentasi semantik biner. Hasil memperlihatkan bahwa pada kasus multi-kelas, semakin sedikit kelas yang digunakan, maka semakin besar nilai dice score yang didapat, yaitu mencapai 0,71. Sementara, jika dibandingkan dengan kasus segmentasi biner, meski dice score mengalami peningkatan, namun berdasarkan hasil visualisasi, kasus segmentasi multi-kelas kurang mampu dalam mengenali kondisi paru normal atau tidak memiliki kelainan.

---

In the Global Tuberculosis Report 2022 document, the World Health Organization (WHO) reports that Indonesia is listed as the country with the second highest burden of tuberculosis (TB) cases after India in 2021, where from an estimated 969.000 cases of TB sufferers in India, there are 525.765 ( 54,3%) cases of which have not been found and treated, this has the potential to become a source of transmission and increase the risk of communal transmission if treatment is not immediately received. In response to this, with advances in existing artificial intelligence technology and through the role of medical imaging as a screening support method, a detection model based on the U-Net architecture was developed that can automatically recognize and localize areas of various types of pulmonary TB marker indicators on chest X-ray images. In addition to parameter tuning, several cases of multi-class semantic segmentation were compared, which consisted of 14 specific disorder classes, 5 class disorder clusters, and 3 class disorder clusters, as well as cases of binary semantic segmentation. The results reveal that in the multi-class case, the fewer classes used, the greater the dice score obtained, which is 0,71. Meanwhile, when compared with binary segmentation cases, even though the dice score has increased, based on visualization results, multi-class segmentation cases are less able to recognize normal lung conditions or have no abnormalities."

"Dengan berkembangnya teknologi menyebabkan banyaknya kerentanan yang dapat terjadi pada jaringan wireless yang sering kali dimanfaatkan oleh berbagai pihak contohnya serangan DoS. Oleh karena itu sangat dibutuhkan sistem yang user friendly untuk memudahkan user dalam mendeteksi dan mencegah serangan tersebut sebelum attacker membahayakan jaringan. System tersebut dinamakan Intrusion Detection System (IDS). Pada pengujian ini menggunakan sistem operasi windows 10 dengan beberapa tools yaitu Snort sebagai IDS software, BASE sebagai report modul, Kiwi Syslog untuk menampilkan alert, dan hub sebagai network device. Ada beberapa jenis serangan yang dilakukan yaitu IP Scan dan Port Scan digunakan untuk mencari IP dan Port yang terbuka agar dapat diserang, dan Flooding sebagai penyerangnya. Dalam pengujian ini, terdapat beberapa skenario yang dilakukan yaitu pengujian Functionality Test pada client 1 – 3 untuk membandingkan nilai serangan, dan juga untuk mengetahui response time dari serangan yang dilakukan tersebut. Pada skenario pertama, dilakukan flooding pada 1 client (komputer target) dengan IP address 192.168.0.8 selama 60 menit lalu mendapatkan hasil 307.758 alert dan response time selama 0.000105741 s. Pada skenario kedua, dilakukan flooding terhadap 2 client sekaligus dengan IP address 192.168.0.1 dan 192.168.0.5 lalu hasil yang didapatkan sebanyak 378.920 alert dan response time selama 0.000127213 s. Dan pada skenario ketiga, dilakukan flooding terhadap 3 client sekaligus dengan IP address 192.168.0.8, 192.168.0.9, dan 192.168.0.4 lalu mendapatkan hasil sebanyak 430.212 alert dan response time selama 0.000142852 s. Pada setiap skenario dilakukan pengujian sebanyak 10 kali untuk melihat hasil yang didapatkan. Hasil yang didapat setelah melakukan pengujian tersebut ternyata mengalami kenaikan alert yang ditunjukan dengan persentase sebagai berikut yaitu dari skenario pertama ke skenario kedua sebesar 23,12%, skenario kedua ke skenario ketiga sebesar 13,53%, skenario pertama ke skenario ketiga sebesar 39,78%. Begitupula dengan response time yaitu dari skenario pertama ke skenario kedua sebesar 20,30%, skenario kedua ke skenario ketiga sebesar 12,29%, skenario pertama ke skenario ketiga sebesar 35,09%

---

With the development of technology, it causes many vulnerabilities that can occur in wireless networks which are often exploited by various parties, for example DoS attacks. Therefore, a user friendly system is needed to make it easier for users to detect and prevent these attacks before the attacker harms the network. The system is called the Intrusion Detection System (IDS). In this test using the Windows 10 operating system with several tools, namely Snort as IDS software, BASE as a report module, Kiwi Syslog to display alerts, and a hub as a network device. There are several types of attacks carried out, namely IP Scan and Port Scan used to find IP and open ports so that they can be attacked, and Flooding as the attacker. In this test, there are several scenarios that are carried out, namely Functionality Tests on clients 1-3 to compare the attack values, and also to determine the response time of the attacks carried out. In the first scenario, one client (target computer) was flooded with the IP address 192.168.0.8 for 60 minutes and then got 307.758 alerts and 0.000105741 s response time. In the second scenario, 2 clients are flooded at once with IP addresses 192.168.0.1 and 192.168.0.5 then the results obtained are 378,920 alerts and response time is 0.000127213 s. And in the third scenario, 3 clients are flooded at once with IP addresses 192.168.0.8, 192.168.0.9, and 192.168.0.4 and then get 430,212 alerts and a response time of 0.000142852 s. In each scenario, 10 times were tested to see the results obtained. The results obtained after carrying out the test turned out to have increased alerts as indicated by the following percentages, namely from the first scenario to the second scenario of 23.12%, the second scenario to the third scenario of 13.53%, the first scenario to the third scenario of 39.78 %. Likewise, the response time from the first scenario to the second scenario is 20.30%, the second scenario to the third scenario is 12.29%, the first scenario to the third scenario is 35.09%.

"

"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).

---

This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."

"Stroke merupakan penyakit kardiovaskuler yang mengakibatkan kematian, kecacatanserta berdampak pada sosial ekonomi. Untuk mencegah terjadinya stroke, maka perludilakukan upaya deteksi dini melalui faktor risiko. Deteksi dini stroke juga dapatdilakukan melalui pemeriksaan fungsi kognitif. Sistem informasi surveilans penyakittidak menular yang ada saat ini telah menyediakan pencatatan faktor risiko namun belumdapat memberikan informasi besaran risiko penyakit stroke. Selain itu, sistem juga belummengakomodir deteksi dini penyakit stroke melalui fungsi kognitif. Penelitian inibertujuan untuk merancang dan mengembangkan prototipe sistem informasi untukmendeteksi besaran risiko stroke melalui faktor risiko dan potensi penyakit stroke melaluifungsi kognitif. Pengembangan sistem pada penelitian ini menggunakan pendekatanSystem Development Life Cycle SDLC dengan metode prototipe. Pengembangan sisteminformasi dilakukan berdasarkan pengumpulan informasi terhadap pengguna. Informasi yang dihasilkan berupa indikator besaran risiko dan potensi stroke berdasarkan algoritmapenghitungan pada metode stroke prone profile dan montreal cognitive assessment MoCA-Ina. Penyajian berupa grafik dan rekomendasi/saran pada besaran risiko dapatdigunakan untuk pemantauan faktor risiko stroke. Sistem informasi ini dapat diaksessecara online melalui smartphone maupun komputer. Pengembangan sistem lebih lanjutdiperlukan untuk mencatat rujukan dari Puskesmas/FKTP ke RS/fasilitas kesehatantingkat lanjut terhadap masyarakat yang berisiko tinggi dan berpotensi stroke.

---

Stroke is a cardiovascular disease that causes death, disability, and socioeconomic impact. To prevent the occurrence of stroke, early detection is needed through by riskfactors. The potent of stroke can also be detected by cognitive assessment. The currentnoncommunicable disease surveillance system has provided recording of risk factor buthas not been able to provide information on the magnitude of the risk of stroke. Inaddition, the system has not accommodated the early detection of stroke disease throughcognitive function. This study aims are to design and to develop prototyping informationsystems that can detect magnitude risk of stroke and potential stroke by cognitivefunction.

System development in this research is using System Development Life Cycle SDLC approach with prototyping method. Information system development is based oninformation gathering to the user. The resulting information is an indicator of themagnitude of risk and potential stroke based on the calculation of algorithm on strokeprone profile and montreal cognitive assessment MoCA Ina method. The presentationof graphs and recommendations suggestions on the magnitude of risk can be used formonitoring stroke risk factors. This information system can be accessed online viasmartphone or computer. Further system development is needed to record referrals fromPuskesmas FKTP to advanced health facilities hospital to people at high risk andpotentially stroke."