Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mengendalikan tangan tiruan menggunakan pikiran adalah mimpi bagi banyak orang yang kehilangan anggota tubuhnya. Teknologi Brain Computer Interface merupakan titik terang dalam mewujudkan hal tersebut dengan dengan menghubungkan perintah dan respon pada otak sebagai informasi dalam sistem kendali. Namun, kompleksitas sinyal Elektroensefalografi (EEG) menjadi tantangan dalam mewujudkannya. Penegunaan model klasifikasi berbasis deep learning diharapkan dapat menjadi solusi untuk mengklasifikasi gerakan tangan yang dibayangkan oleh pengguna sebagai masukan pada sistem kendali tangan tiruan elektrik. Tujuan utama dari penelitian ini adalah untuk mengklasifikasi sinyal EEG dari otak manusia secara real time menggunakan headset EEG non-invasif untuk dua gerakan tangan yang berbeda: istirahat dan menggenggam. Penelitian ini mengusulkan solusi untuk klasifikasi gerakan tangan istirahat dan menggenggam dengan menggunakan model jaringan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk mempelajari informasi berupa data time series dari perangkat EEG. Sinyal EEG direkam melalui gelombang otak di lokasi pada titik F3, Fz, F4, FC1, FC2, C3, CZ, C3. Data sinyal mentah dari EEG disaring dengan menggunakan Butterworth band pass filter untuk memisahkan data sinyal menjadi dataset baru yang berisi sinyal pada rentang Alfa, Beta, dan keduanya. Hasil penelitian ini menunjukkan bahwa model klasifikasi dua jenis gerakan tangan mampu mencapai akurasi sebesar 95,45. Peristiwa yang diklasifikasi sebagai gerakan kemudian digunakan untuk memberikan instruksi kepada servo pada tangan tiruan yang dikendalikan oleh Arduino.

---

Controlling the artificial hand using mind is a dream for many people who had lost their limb. Brain Computer Interface (BCI) technology is a hope in making this things happen by connecting commands and responses to the brain as information in the control system. However, the complexity of the EEG signal becomes a challenge in realizing it. The use of a deep learning-based classification model is expected to be a solution for classifying hand movements imagined by the user as input to the electric artificial hand control system. The main objective of this study was to classify EEG signals from the human brain in real time using a non-invasive EEG headset for two different hand movements: resting and grasping. This study proposes a solution for the classification of resting and grasping hand movements using the Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) network models to study information in the form of time series data from EEG devices. EEG signals were recorded via brain waves at locations at points F3, Fz, F4, FC1, FC2, C3, CZ, C3. The raw signal data from the EEG is filtered using a Butterworth band pass filter to separate the signal data into a new dataset containing signals in the Alpha, Beta, and both ranges. The results of this study indicate that the classification model of two types of hand movements is able to achieve an accuracy of 95.45. The events classified as movements are then used to give instructions to the servo on the artificial arm controlled by the Arduino."

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"Brain Computer Interface (BCI) merupakan sebuah teknologi yang sedang banyak dikembangkan di banyak negara di dunia, pasalnya teknologi BCI ini adalah teknologi yang modern dimana teknlogi ini dapat memungkinkan manusia dapat berkomunikasi dengan suatu sistem. Sampai sekarang BCI banyak dikembangkan pada dunia medis, salah satunya adalah stroke, stroke adalah sebuah penyakit yang diakibatkan oleh penguumpalan darah pada pembuluh darah diotak ataupun akibat pecahnya pembuluh datah diotak. Stroke mengakibatkan kelumpuhan pada bagian tubuh penderitanya, sehingga membuat ketebatasan pada mobilitasnya. Sehingga melalui penelitian ini diharapkan dapat membantu pasien stroke dalam mobilitiasnya. Pada pembuatan sistem sebelumnya dilakukan pengklasifikasian sinyal otak dengan cara perekaman sinyal EEG dengan menggunakan ADS1299EEG-FE, perekaman ini dilakukan dengan metode motor imagery sehingga subjek tidak perlu melakukan pergerakan cukup melakukan pemikiran pergerakan motorik untuk dapat menjalankan kursi roda. Pengklasifikasian sistem ini menggunakan fitur RPR yaitu nilai rasio power, setelah dilakukan klasifikasi dilakukanlah validasi sistem dengan melakukan pengujian lasngung pada sistem. Pada pengujian sistem terdapat 2 model pengujian yakni Diam – Maju – Mundur dan Diam – Kiri – kanan dengan presentase keberhasilan 46% dan 65%.

---

Brain Computer Interface (BCI) is a technology that is being developed in many countries in the world, because this BCI technology is a modern technology where technology can enable communicate human with a system. BCI has been widely developed in the medical, one of them is stroke, stroke is a disease caused by blood clots in blood vessels in the brain or due to ruptured brained vessels. Stroke results in paralysis of the part of the body of the sufferer, making it difficult for mobility. So that this research is expected to help stroke patients in their mobility. For making the system previously we classification the brain signals by recording EEG signals using ADS1299EEG-FE, this recording using the motor imagery method so that the subject did not need to move and just thinking about motor movements to control a wheelchair. The classification of this system uses the RPR feature, namely the value of the power ratio, after classification the system validation is done by direct testing on the system. In the system testing there are 2 test models namely Stop - Forward - Backward and Stop - Left - right with a success percentage 46% and 65%."

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs.

In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6. EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time.

The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6. Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80. In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"ABSTRAKTangan adalah alat yang serbaguna yang dibutuhkan manusia untuk memanipulasi benda-benda dan berinteraksi manusia lainnya. Tanpa tangan mereka, manusia akan menghadapi banyak kesulitan bahkan hanya ketika melakukan kegiatan dan tugas sehari-hari yang sederhana. Di sisi lain, kemalangan terjadi. Manusia mungkin memiliki kondisi bawaan atau traumatis yang menyebabkan hilangnya anggota tubuh mereka, termasuk tangan. Selain itu, biaya pengadaan adalah tantangan global dalam dunia perprostetikan, termasuk tangan prostetik. Bahkan yang paling sederhana pun, hanya segelintir orang yang mampu membelinya. Dengan kemajuan dunia manufaktur, 3D printing telah menunjukkan kemajuan yang menjanjikan sebagai solusi karena 3D printing merupakan teknik fabrikasi yang cepat, mudah, dan relatif murah untuk memproduksi prostetik, termasuk tangan prostetik. Dalam penelitian ini, model tangan prostetik terkontrol dan analisis terperinci terhadap desain, komponen, dan fungsionalitas tangan prostetik yang dibuat yang mencakup langkah-langkah dan hal-hal yang perlu dipertimbangkan dalam mengembangkan tangan prostetik disajikan. Tangan prostetik ini disajikan untuk dikombinasikan dengan metode kontrol EEG yang dikembangkan bersama untuk tangan prostetik ini. Dari dasar ide desain hingga proses perakitan dan pengujian eksperimental, semuanya dibahas dalam penelitian ini. Dengan demikian, pekerjaan ini mencakup semua pendekatan pengembangan untuk tangan prostetik.

---

ABSTRACTHands are versatile tools that humans need to manipulate and interact with objects as well as other human beings. Without their hands, obviously, humans will face challenges even just performing simple daily activities and tasks. On the other hand, misfortunes happen. Humans may have congenital or traumatic conditions that lead to the loss of their limbs, including their hands. Furthermore, procurement cost is the worldwide challenge for prosthetics, including prosthetic hand. Even the simplest ones, still, not many people can afford it. With the advancement of manufacturing, 3D printing has shown promising progress as a solution as it is a quick, easy, and relatively cheap fabrication technique to manufacture prosthetics, including prosthetic hands. In this work, a controlled-prosthetic hand model and the detailing analysis towards the prosthetic hand design, components, and functionality that encompasses the steps and considered things in developing a prosthetic hand are presented. This prosthetic hand is presented to be combined with the co-developed EEG control method for the prosthetic hand. From the bottom ground of design idea to assembly process and experimental testing, all of them are discussed in this work. Thus, this work includes all of the development approach for the created prosthetic hand."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"Pemilihan metode machine learning atau deep learning menjadi suatu permasalahan dalam klasifikasi. Hal ini didapatkan dari penelitian yang menunjukkan bahwa deep learning kinerjanya lebih baik daripada machine learning, namun terdapat penelitian bahwa kedua metode tersebut kinerjanya tidak menentu tergantung dataset yang digunakan. Oleh karena itu, penelitian ini membandingkan kinerja dari machine learning dan deep learning untuk permasalahan klasifikasi teks dan analisis sentimen terhadap dampak Covid-19 di Indonesia. Hasil penelitian ini menunjukkan bahwa kinerja pada klasifikasi teks dan analisis sentimen menggunakan metode machine learning lebih baik dibandingkan dengan deep learning. Hasil penelitian mengenai klasifikasi teks menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 77 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 48%. Hasil penelitian mengenai analisis sentimen menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 63 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 55% dan 54%. Keseimbangan jumlah label pada semua label mempengaruhi hasil dari klasifikasi. Oleh karena itu, disarankan untuk menggunakan metode untuk menyeimbangkan jumlah label yang digunakan untuk klasifikasi.

---

The choice of machine learning or deep learning methods becomes a problem in classification. This is obtained from research which shows that deep learning performs better than machine learning, but there is research that the two methods perform erratically depending on the dataset used. Therefore, this study compares the performance of machine learning and deep learning for text classification problems and sentiment analysis on the impact of Covid-19 in Indonesia. The results of this study indicate that the performance of text classification and sentiment analysis using machine learning methods is better than deep learning. The results of research on text classification show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 77%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces an accuracy of 48%. The results of the research on sentiment analysis show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 63%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces 55% and 54% accuracy. The balance of the number of labels on all labels affects the results of the classification. Therefore, it is advisable to use a method to balance the number of labels used for classification."

"Sumber informasi di jejaring berita daring adalah instrumen yang memungkinkan individu membaca berita, menerbitkan berita, dan berkomunikasi. Hal ini sudah menjadi tren dalam masyarakat yang sangat mobile. Oleh karena itu, proses verifikasi fakta suatu pemberitaan menjadi sangat penting. Dengan pertimbangan tersebut, sebuah tools berbasis web service untuk verifikasi fakta menggunakan metode deep learning dengan teknik ensemble dibangun. Penggunaan teknik ensemble pada model deep learning adalah proses beberapa model pembelajaran mesin digabungkan secara strategis untuk menyelesaikan masalah menggunakan lebih dari satu model. Untuk melatih model, dibangun sebuah dataset. Dataset berisi pasangan klaim dan label. Klaim dibangun dengan data crawling di kanal berita berbahasa Indonesia. Tiga model deep learning dibangun dan dilatih menggunakan dataset yang dibuat, dengan arsitektur jaringan dan hyperparameter yang berbeda. Setelah model dilatih menggunakan dataset, ketiga model diagregasikan untuk membentuk sebuah model baru. Untuk memastikan bahwa model agregat berfungsi lebih baik daripada model tunggal, performa model deep learning ensemble dibandingkan dengan model deep learning dasar. Hasil penelitian menunjukkan bahwa model ensemble memiliki akurasi 85,18% sedangkan model tunggal memiliki akurasi 83,9%, 83,19%, dan 81,94%. Hasil ini menunjukkan bahwa model ensemble yang dibangun meningkatkan kinerja verifikasi fakta dari tiga model tunggal. Hasil penelitian juga menunjukkan bahwa metode deep learning mengungguli performa metode machine learning lain seperti naive bayes dan random forest. Untuk memvalidasi kinerja tools yang dibangun, response time dari web service diukur. Hasil pengukuran menunjukkan rata-rata response time 6.447,9 milidetik.

---

Information sources on social networks are instruments that allow individuals to read news, publish news, and communicate. This is a trend in a highly mobile society. Therefore, the process of verifying facts is very important. With these considerations, we built a web service-based tool for fact verification using deep learning methods with ensemble technique. The use of ensemble techniques in deep learning models is a process in which several machine learning models are combined to solve problems. To train the model, we created a dataset. Our dataset of Indonesian news contains pairs of claims along with labels. Claims are built by crawling data on Indonesian news channels. Three deep learning models have been built and trained using the previously created dataset with different network architectures and hyperparameters. After the model is trained, three models are aggregated to form a new model. To ensure that the aggregated model performs better than the single model, the deep learning ensemble model is compared to the single models. The results showed that the ensemble model has an accuracy of 85.18% while the single models have an accuracy of 83.9%, 83.19%, and 81.94% consecutively. These results indicate that the ensemble model built improves the fact-verification performance of the three single models. The results also show that by using the same dataset, deep learning methods outperform other machine learning methods such as naive bayes and random forest. To validate the performance of the tools we created, the response time of the web service is measured. The measurement result shows an average response time of 6447.9 milliseconds."

"Vital sign merupakan parameter fisiologis yang penting dalam melihat adanya gangguan pada tubuh seseorang. Maka dari itu kebutuhan peralatan dalam pemeriksaan vital sign sangat tinggi. Saat ini vital sign dapat diketahui dengan cara pemeriksaan non-contact. Pemeriksaan vital sign dengan non-contact dapat menggunakan Photoplethysmography (PPG). Saat ini PPG sendiri telah banyak dikembangkan agar dapat membaca keseluruhan vital sign seperti detak jantung, tekanan darah, dan juga konsenstrasi oksigen di dalam darah (SpO2). Pada penelitian ini dirancang pengembangan PPG dengan bantuan pencitraan dalam membaca vital sign. Dataset yang digunakan pada penelitian ini adalah dataset yang berasal dari pengukuran langsung yang telah dirancang agar dapat diproses menjadi sinyal Imaging Photoplethysmography (IPPG) yang baik. Dataset terdiri dari 13 orang laki-laki dan 17 orang perempuan. Dataset yang didapatkan akan dibagi menjadi beberapa scene yang kemudian diproses dalam metode yang diusungkan yaitu Discrete Fourier Transform (DFT) dan Deep Learning yaitu Convolutional Neural Network (CNN). Hasil penelitian ini berupa nilai RMSE dan MAE dimana saat penggunaan DFT menghasilkan masing masing 3,39 dan 1,38 dan dengan metode CNN arsitektur PhysNet menghasilkan 8,2151 dan 2,5976 untuk detak jantung, 3,3311 dan 1,0534 untuk tekanan darah, serta 3,6044 dan 1,1398 untuk SpO2.

---

Vital sign is an important physiological parameter in seeing a disturbance in a person's body. Therefore the need for equipment in vital sign examination is very high. Currently vital signs can be identified with non-contact examination. Examination of vital signs with non-contact can use Photoplethysmography (PPG). Currently PPG itself has been developed a lot so that it can read all vital signs such as heart rate, blood pressure, and also the concentration of oxygen in the blood (SpO2). In this study, the development of PPG was designed with the help of imaging in reading vital signs. The dataset used in this study is a dataset derived from direct measurements that have been designed to be processed into a good Imaging Photoplethysmography (IPPG) signal. The dataset consists of 13 men and 17 women. The dataset obtained will be divided into several scenes which are then processed using the proposed method, namely the Discrete Fourier Transform (DFT) and Deep Learning, namely the Convolutional Neural Network (CNN). The results of this study are RMSE and MAE values where when using the DFT they produce 3.39 and 1.38 respectively and with the PhysNet architecture CNN method they produce 8.2151 and 2.5976 for heart rate, 3.3311 and 1.0534 for blood pressure , and 3.6044 and 1.1398 for SpO2."