Hasil Pencarian  ::  Simpan CSV :: Kembali

"Satistik menurut Korlantas Polri tentang kecelakaan lalu lintas menyebutkan bahwa pada 2017 jumlah kecelakaan kendaraan bermotor berada pada angka 102.057 Korlantas Polri, 2017 kasus dan sebagian besar diakibatkan oleh kelalaian pengendara dalam mengatur waktu istirahat saat berkendara yang menyebabkan terjadinya kecelakaan lalu lintas karena pengendara mengantuk dan tidak bisa mengendalikan kendaraan tersebut. Oleh karena itu dibutuhkan adanya sebuah alat yang dapat mendeteksi kantuk dan memperingatkan pengemudi tersebut agar pengemudi tersebut dapat terhindar dari kecelakaan. Pengembangan sistem pendeteksi kantuk ini akan menggunakan detak jantung sebagai sumber data yang akan diambil dan data tersebut akan diolah menggunakan metode Photoplethysmografi yang akan membaca berapa detak jantung pengendara tersebut. Hasil yang didapapat dari pengembangan ini mendapatkan hasil bahwa alat yang sudah dibuat ini sudah cukup berhasil dimana tingkat keberhasilnnya hingga 96.52 . Dari pengembangan ini telah dibuktikan bahwa kondisi kantuk seseorang akan berpengaruh pada detak jantung seseorang. Dan juga batasan untuk detak jantung seseorang untuk dinyatakan sedang mengantuk adalah delapan detakan dibawah rata-rata.

---

According to Republic of Indonesia traffic police corps Korlantas Polri about traffic accidents states that in 2017 number of traffic accidents was at 102.057 Korlantas Polri, 2017 cases and mostly caused by negligence of the driver in managing rest time when driving that caused traffic accidents because the driver was sleepy and could not control the vehicle. Therefore it is necessary to have a device that can detect sleepiness and warn the driver so that the driver can avoid the accident. The development of this sleepiness detection system will use the heartbeat as a source of data to be retrieved and the data will be processed using Photoplethysmography method which will read how much the heartbeat of the driver.

The results obtained from this development get the result that the tool that has been made is already quite successful where the success rate up to 96.52 . From this development has been proven that a person 39 s sleep condition will affect the heart rate of a person. And also, the limit for a person 39 s heartbeat to be drowsy is eight beats below average."

"Kelelahan merupakan bahaya yang dapat mempengaruhi produktivitas pekerja. Sebagai garda terdepan dalam memberikan pelayanan kesehatan, perawat di rumah sakit memiliki tanggung jawab besar terutama dalam menghadapi beban kerja yang signifikan. Penurunan kondisi perawat akibat kelelahan dapat mengganggu kinerja perawat dan membahayakan kondisi kesejahteraan pasien. Penelitian ini dilakukan untuk mengetahui tingkat kelelahan kerja dari perawat rumah sakit. Metode dalam penelitian ini menggunakan pendekatan kombinasi, yaitu penggunaan heart rate variability (HRV) untuk mengukur variabilitas detak jantung secara objektif dan Swedish Occupational Fatigue Inventory (HRV) untuk mengambil data subjektif tentang tingkat kelelahan kerja yang dirasakan oleh perawat rumah sakit. Sampel penelitian didapatkan dari salah satu rumah sakit di Depok. Hasil pengolahan data time domain dan frequency domain HRV menunjukkan bahwa heart rate variability dapat digunakan untuk menggambarkan tingkat kelelahan kerja perawat. Korelasi antara data HRV dengan SOFI menunjukkan indikasi Lack of Motivation, Sleepiness, Physical Exertion, dan Physical Discomfort berpengaruh secara signifikan terhadap tingkat kelelahan kerja perawat. Selain itu, faktor usia, BMI tubuh, dan lama tidur sebelum bekerja juga memiliki pengaruh yang signifikan terhadap kelelahan kerja perawat. Hasil penelitian ini diharapkan dapat memberikan pemahaman terhadap tingkat kelelahan kerja yang dialami oleh perawat rumah sakit. Temuan dari penelitian ini juga diharapkan dapat memberikan kontribusi dalam pengembangan rekomendasi yang dapat mengurangi tingkat kelelahan kerja pada perawat.......Fatigue is a hazard that can affect worker productivity. As frontline providers of healthcare services, nurses in hospitals bear a significant responsibility, especially when faced with a substantial workload. A decline in nurses' condition due to fatigue can disrupt their performance and jeopardize patient well-being. This study aims to determine the level of work fatigue among hospital nurses. The research methodology employs a mixed approach, using Heart Rate Variability (HRV) to objectively measure heart rate variability and the Swedish Occupational Fatigue Inventory (SOFI) to gather subjective data on the perceived work fatigue levels of hospital nurses. The research sample was obtained from a hospital in Depok. The results of the time domain and frequency domain HRV data analysis indicate that heart rate variability can be used to describe the work fatigue levels of nurses. The correlation between HRV data and SOFI shows that Lack of Motivation, Sleepiness, Physical Exertion, and Physical Discomfort significantly influence nurses' work fatigue levels. Additionally, factors such as age, BMI, and sleep duration before work also significantly impact nurses' work fatigue. The results of this study are expected to provide insight into the level of work fatigue experienced by hospital nurses. The findings of this research are also anticipated to contribute to the development of recommendations that can reduce work fatigue levels among nurses."

"Penyakit kardiovaskular merupakan penyebab utama kematian global, termasuk di Indonesia. Evaluasi kesehatan dini, menggunakan heart rate variability (HRV) melalui pengukuran root mean square of successive RR interval differences (RMSSD) dan percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50), menjadi penting untuk merefleksikan respons relaksasi, stres, kualitas tidur, dan aktivitas fisik. Evaluasi ini sebaiknya dilakukan saat seseorang masih dalam kondisi sehat. Sejalan dengan itu, penelitian ini bertujuan mengevaluasi kesehatan pasien dengan irama jantung normal melalui metode clustering pada variabel RMSSD, pNN50, dan usia, yang diambil dari rekaman elektrokardiogram milik online database Physionet. Setiap cluster yang terbentuk dapat memberikan informasi unik, memungkinkan penentuan risiko penyakit kardiovaskular serta penanganan yang tepat. Namun, karena pola data yang digunakan tidak jelas, mengandung outlier, dan berdimensi rendah, maka dilakukan perbandingan antara metode Hierarchical clustering dan Gaussian Mixture Models (GMM) clustering yang mampu mengatasi hal tersebut. Mengingat GMM clustering yang sangat sensitif terhadap inisialisasi awal, penelitian ini menggunakan dua pendekatan inisialisasi, yaitu acak dan K-Means. Penentuan metode terbaik dilakukan dengan mempertimbangkan metrik evaluasi (efektivitas) dan waktu komputasi metode (efisiensi). Hasil penelitian menunjukkan bahwa GMM clustering dengan inisialisasi K-Means adalah metode terbaik dengan membentuk tiga cluster. Meskipun alat EKG menilai pasien dalam kondisi sehat, namun analisis clustering dapat mengungkapkan informasi penting, terutama bagi pasien yang teridentifikasi memiliki tingkat HRV yang relatif rendah.......Cardiovascular diseases are a leading cause of global mortality, including in Indonesia. Early health evaluation, utilizing heart rate variability (HRV) through root mean square of successive RR interval differences (RMSSD) and percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50) measurements, is crucial to reflect responses to relaxation, stress, sleep quality, and physical activity. This evaluation is ideally conducted while an individual is still in a healthy condition. In line with that, this research aims to evaluate the health of patients with a normal sinus rhythm through clustering methods on variables like RMSSD, pNN50, and age, extracted from electrocardiogram recordings from the online Physionet database. Each cluster can provide unique information, enabling the identification of cardiovascular disease risks and appropriate interventions. However, due to unclear data patterns, the presence of outliers, and is low-dimensiona, a comparison is made between Hierarchical clustering and GMM methods, capable of addressing these issues. Given GMM clustering's sensitivity to initializations, this study employs two approaches, random and K-Means. The determination of the best method is based on considerations of evaluation metrics (effectiveness) and computational time (efficiency). Research results indicate that GMM clustering with K-Means initialization is the most effective and efficient method, forming three clusters. Despite ECG assessments indicating healthy conditions, clustering analysis can reveal crucial information, especially for patients identified with relatively low HRV levels."