Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKWarna berpengaruh pada fisiologis seseorang termasuk pada fungsi memori.Hipertensi berpengaruh pada penurunan memori. Terapi yang sudah digunakan untukmencegah penurunan memori adalah dengan konsumsi suplemen seperti gingkobiloba dan juga kontrol ketat terhadap tekanan darah dengan obat-obatan tetapipotensi warna belum terlihat. Tujuan penelitian ini adalah mengidentikasi pengaruhpaparan warna (merah, biru dan hijau) pada retensi short term memory pasienhipertensi. Penelitian ini merupakan penelitian kuantitatif dengan design penelitianini adalah Quasi Experimental Design dan jenis rancangan Posttest Only NonEquivalent Control Group Design dan jumlah sampel 68 penderita hipertensi sesuaikriteria inklusi. Hasil penelitian ini menunjukkan ada pengaruh warna hijau terhadapretensi short term memory dengan nilai p 0,001 dan meningkatkan retensi sebesar18,4 % dan hasil tidak bermakna pada warna merah dan biru dengan masing-masingp 0,243 dan 0,841 dengan hanya meningkatkan retensi short term memory masingmasingsebesar 2,3% dan 0,1%. Untuk itu disarankan kepada Dinas Kesehatan danrumah sakit penggunaan warna hijau untuk pengecatan ruangan terutama ruanganhipertensi dan pada perawat untuk menggunakan warna dominan hijau pada mediapenyuluhan dan pendidikan kesehatan.

---

ABSTRACTColors affect on individual physiological status include memory function. In addition,hypertension affect on memory reduction. Common treatment to prevent decreasingmemory are supplement consumption such as Gingko Biloba and intensive control toblood pressure using medication. On the other hand, color that may affect memoryfunction have not been used widely. The purpose of the study was to identify theeffect of color exposure (red, blue and green) on short-term memory retention inpatients with hypertension. This study was a quantitative study with a quasiexperimental design and employed a Posttest Only Non Equivalent Control Groupapproach. The number of 68 samples with hypertension who fulfilled the inclusivecriteria participated in the study. The findings demonstrated that there is a significanteffect of green color on short-term memory (p 0,001, alpha 0.05) and improveretention 18,4 %. Conversely, there is no significant effect on red and blue colors (p0,243 and 0,841 respectively) and improve short-term memory retention only 2,3%dan 0,1% for red and blue colors (respectively). Based on the findings, arecommendation is forwarded to local health office and hospital to use green coloron wall of the wards especially for wards where patients with hypertension are cared.Also, it is suggested to nurses who look after the patients to develop health teachingmedia using green color."

"Automatic Weather Station (AWS) mengalami kendala berupa kerusakan komponen dan kegagalan sistem komunikasi, sehingga menyebabkan data parameter tidak lengkap. Kerusakan komponen juga terjadi pada pyranometer. Penurunan kinerja pyranometer menghasilkan penyimpangan, ketidakpastian pengukuran intensitas radiasi matahari, serta gap data. Imputasi data menjadi salah satu solusi dalam meminimalisir penyimpangan pengukuran dan terjadinya missing data pyranometer AWS. Penelitian ini bertujuan mendesain serta menganalisis performa akurasi model imputasi data intensitas radiasi matahari pyranometer AWS multisite ketika terjadi gap data. Penelitian ini berupaya memanfaatkan kaitan spasio-temporal intensitasi radiasi matahari AWS multisite di dalam model imputasi. Algoritma Long-Short Term Memory (LSTM) digunakan sebagai estimator pada jaringan pyranometer AWS multisite. Tahap pemodelan imputasi data meliputi pengumpulan data, pra-pemrosesan data, pembuatan skenario missing data, desain LSTM dan pengujian model. Metode berbasis machine learning ini diharapkan mampu mengimputasi data AWS pada missing data dalam jangka menit maupun jam, jika AWS mengalami kerusakan sistem atau gangguan jaringan komunikasi. Nilai MAPE model LSTM untuk imputasi pyranometer AWS Cikancung untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 1,81% ; 2,72% ; dan 5,07%. Nilai MAPE model LSTM untuk AWS Cimalaka untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 0,46% ; 1,25% ; dan 3,24%. Nilai MAPE model LSTM untuk AWS Cipasung untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 2,30% ; 1,67% ; dan 0,94%.

---

Automatic Weather Station (AWS) experienced problems in the form of component damage and communication system failure, resulting in incomplete parameter data. Component damage also occurs in pyranometers. Decreased pyranometer performance results in deviations, uncertainty in measuring solar radiation intensity, and data gaps. Data imputation is one solution to minimize measurement deviations and the occurrence of missing AWS pyranometer data. This research aims to design and analyze the accuracy performance of the multisite AWS pyranometer solar radiation intensity data imputation model when a data gap occurs. This research attempts to utilize the spatio-temporal relationship of multisite AWS solar radiation intensity in the imputation model. The Long-Short Term Memory (LSTM) algorithm is used as an estimator in the multisite AWS pyranometer network. The data imputation modeling stage includes data collection, data pre-processing, creating missing data scenarios, LSTM design and model testing. This machine learning-based method is expected to be able to impute AWS data for missing data in minutes or hours, if AWS experiences system damage or communication network disruption. The MAPE value of the LSTM model for the AWS Cikancung pyranometer for missing data of 30 minutes, 1 hour and 3 hours respectively is 1.81%; 2.72% ; and 5.07%. The MAPE value of the LSTM model for AWS Cimalaka for missing data of 30 minutes, 1 hour and 3 hours respectively is 0.46%; 1.25% ; and 3.24%. The MAPE value of the LSTM model for AWS Cipasung for missing data of 30 minutes, 1 hour and 3 hours respectively is 2.30%; 1.67% ; and 0.94%."

"Ruang lingkup dan cara penelitian:Untuk mengetahui gangguan fungsi memori jangka pendek pada pekerja penyemprot pestisida serta faktor-faktor yang mempengaruhi, telah dilakukan penelitian Krosseksional pada 176 orang pekerja penyemprot yang datang ke Balai Laboratorium Kesehatan DKI Jakarta.Instrumen yang digunakan adalah kuesioner (untuk mengetahui lama kerja, tugas kerja menyemprot, golongan pestisida yang digunakan, jumlah jam menyemprot dalam seminggu), baterai tes pengingatan selektif (untuk mengukur gangguan fungsi memori jangka pendek) dan pemeriksaan laboratorium untuk mengukur kadar kolinesterase darah dengan metode spektrofotometrilkinetio tes.Ketiga instrumen tersebut telah di validasi dan dinilai cukup akurat untuk digunakan di Indonesia. Data yang terkumpul di analisis dengan analisis bivariat, yang dilanjutkan dengan analisis multivariat logistik regresi.Hasil dan kesimpulan:Prevalensi gangguan fungsi memori jangka pendek yang didapatkan pada populasi cukup tinggi, yaitu 40,9 % dengan tes pengingatan selektif. Kisaran kadar kolinesterase adalah 1,122 sampai 9,260 KU/It. dengan rerata 2,44 dan simpang baku 0,38 dan hanya 8 orang dengan kadar dibawah 2,300 KU/lt(normal). Didapatkan hubungan bermalaia pada faktor risiko: lama kerja lebth dari 5 tahun (p 0,0027 OR 4,67 CI.: 1.70-12.78), tugas/cara kerja lebih dari satu (selain menyemprot juga melakukan pencampuran pestisida sendiri atau mencuci alat setelah dipergunakan) (p 0,0214 OR 2,58 CL: 1.13-5.95) dan lama menyemprot lebih dari 16 jam dalam seminggu (p 0,0000 OR 11,51 CI.: 3.96-35.39).

---

Scope and method of study :Short term memory impairment has been related to several factors, one of those factors was pesticide exposure. This study tried to identify the relationship between short term memory impairment measured by selective reminding test and Organophosphorus pesticide exposure among pesticides sprayers in Jakarta. A sample of 176 subjects who visited the Laboratory of Jakarta Health Office had been recruited among pesticide sprayers from all pesticides companies in Jakarta. Data was collected by questionaire, test of short term memory and laboratory diagnostic test of blood cholinesterase. Those instruments have been validated and regarded to be accurate enough to be applied to Indonesian people. Statistical analysis were bivariate and multivariate analysis and test of association.Result and conclusion :The prevalence of short term memory impairment in this population was 40,9%. The range of blood cholinesterase : 1.122 - 9.260 KU/lt. Mean : 2.44 and standard deviation : 0.38 KU/lt. and only 8 subjects showed a blood choiinestrase level below 2.300 KU/1t. There were significant relationships to these risk factors, which all describes their cumulative pesticide exposure, i.e. : length of work over 5 years (p 0.0027 OR 4.67), the way they work (p 0.0214 OR 2.58) and over 16 working hours/week ( p 0.0000 OR 11.51 )."

"Pesatnya perkembangan teknologi informasi dan komunikasi telah membawa banyak perubahan dalam kehidupan manusia. Salah satu perkembangan yang paling signifikan adalah munculnya teknologi pesan singkat atau Short Message Service (SMS).  Media SMS sering disalahgunakan sebagai media penipuan terhadap pengguna telepon. Penipuan sering terjadi dengan cara mengirimkan SMS secara masif dan acak hingga mencapai sepuluh ribu per hari kepada semua pengguna dan menjadi SMS spam bagi banyak orang. Klasifikasi teks menggunakan Long-Short Term Memory (LSTM) dan BERT Embbeddings dilakukan untuk mengklasifikasi data SMS ke dalam dua kategori, yaitu spam dan non-spam. Data terdiri dari 5575 SMS yang telah diberi label. Dengan menggunakan metode LSTM + BERT, penelitian ini dapat mencapai nilai accuracy sebesar 97.85%. Metode ini menghasilkan hasil yang lebih baik dari ketiga model sebelumnya. Model LSTM + BERT menghasilkan nilai accuracy 0.65% lebih baik dari LSTM.

---

The rapid development of information and communication technology has brought many changes in human life. One of the most significant developments is the emergence of short message service (SMS) technology.  SMS media is often misused as a medium for fraud against telephone users. Fraud often occurs by sending massive and random SMS up to ten thousand per day to all users and becomes SMS spam for many people. Text classification using Long-Short Term Memory (LSTM) and BERT Embeddings is performed to classify SMS data into two categories, namely spam and ham. The data consists of 5575 SMS that have been labeled. By using the LSTM + BERT method, this research can achieve an accuracy value of 97.85%. This method produces better results than the three previous models. The LSTM + BERT model produces an accuracy value of 0.65% better than LSTM."

"Penelitian ini menganalisis akurasi peramalan permintaan produk barang konsumsi cepat (FMCG) menggunakan model Machine Learning, yaitu LSTM (Long Short-Term Memory) dan SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), dengan data sekunder dari April 2021 hingga April 2024 yang terdiri dari 36 observasi bulanan. Variabel dependen adalah total penjualan, sementara variabel eksogen mencakup pengeluaran per kapita, adopsi produk, proporsi penjualan dari promosi, jumlah toko yang menjual produk, dan pangsa pasar produk. Hasil menunjukkan model LSTM memiliki akurasi lebih tinggi dalam memprediksi nilai penjualan dibandingkan SARIMAX, dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah pada sebagian besar sampel. Analisis korelasi mengungkapkan variabel jumlah toko yang menjual produk dan adopsi produk berpengaruh signifikan terhadap nilai penjualan dalam model LSTM, sedangkan SARIMAX unggul dalam menangkap pola musiman namun memiliki MAPE lebih tinggi. Penelitian ini menyarankan penggunaan model LSTM untuk data time series yang kompleks dan tidak stasioner, sementara SARIMAX lebih cocok untuk data dengan komponen musiman yang kuat. Pemilihan model harus mempertimbangkan karakteristik data dan tujuan analisis.

---

This study analyzes the forecasting accuracy of fast-moving consumer goods (FMCG) demand using Machine Learning models, namely LSTM (Long Short-Term Memory) and SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), utilizing secondary data from April 2021 to April 2024 with a total of 36 monthly observations. The dependent variable is sales value, while the exogenous variables include spend per buyer, product penetration, promo % of value, the number of stores selling, and market share. The results indicate that the LSTM model has higher accuracy in predicting sales value compared to the SARIMAX model, with a lower Mean Absolute Percentage Error (MAPE) for most samples. Correlation analysis reveals that the variables number of stores selling and product penetration significantly influence sales value in the LSTM model, whereas SARIMAX excels in capturing seasonal patterns but has a higher MAPE. This study recommends using the LSTM model for complex and non-stationary time series data, while SARIMAX is more suitable for data with strong seasonal components. Model selection should consider the characteristics of the data and the objectives of the analysis."

"Pendahuluan: Penuaan ditandai dengan banyak hal salah satunya penurunan fungsi kognisi akibat neurodegenerasi, proses yang berkaitan dengan penurunan kadar Brain-derived Neurotrophic Factor (BDNF) sebagai faktor pertumbuhan dalam regenerasi dan pemeliharaan sistem syaraf. Jumlah lansia yang akan meningkat di masa depan menuntut dunia kesehatan untuk mencari pencegahan proses neurodegenerasi ini. Objektif: Meneliti efek Centella asiatica (CA) terhadap fungsi kognisi dan kadar BDNF pada jaringan otak tikus Sprague-Dawley tua. Metode: Penelitian ini menggunakan Tikus Sprague-Dawley (SD) jantan berusia 20-24 bulan sebagai tikus tua dan 8-12 minggu sebagai kelompok tikus muda sebagai pembanding. Tikus-tikus tersebut dibagi menjadi 4 kelompok: kelompok kontrol negatif (diberikan akuades), kelompok kontrol positif (diberikan suplementasi Vitamin E 6 IU/pemberian), kelompok tikus muda berusia 8-12 minggu sebagai perbandingan (diberikan akuades), dan kelompok perlakuan yang diberikan ekstrak etanol daun CA yang diadministrasikan secara oral (300 mg/kg BB/hari) selama 28 hari, 2 kali perlakuan per hari. Selama penelitian, dilakukan pengujian memori jangka pendek menggunakan Y-maze. Pada akhir penelitian dilakukan terminasi dan pengukuran kadar BDNF otak tikus. Hasil: Hasil analisis statistik menunjukkan konsentrasi rata-rata BDNF 44.09±3.854 pada kontrol negatif, 43.09±11.99 pada kontrol positif, 30.2±12.33 pada tikus muda, dan 65.88±13.46 pada kelompok perlakuan CA (mg/pg protein). Kelompok CA memiliki perbedaan yang signifikan dibanding kontrol negatif (p=0,0189). Sedangkan pada uji memori jangka pendek menggunakan Y-maze, tidak ditemukan perbedaan signifikan. Kesimpulan: Hasil menunjukkan pemberian CA efektif dalam meningkatkan kadar BDNF otak tikus SD, sehingga diketahui memiliki efek neuroprotektif. Namun CA tidak ditemukan memiliki efek yang signifikan pada fungsi kognisi tikus SD yang mengalami penuaan.

---

Background: Functional decrease in learning and memory is one of the characteristics of the aging process. Studies showed that lower concentration of Brain-derived Neurotrophic Factor (BDNF) found on the brain, play a role in the phenomenon. BDNF is a growth factor that have a rol eon neuron regeneration and maintenance.

Objective: To determine whether a herbal, Centella asiatica (CA) would increase the BDNF level on the aging brain tissue neurodegeneration.

Methods: Male Sprague-Dawley rats aged 20-24 months as the aged rats and 8-12 weeks as the young rats that used in the study were divided into: negative control (given aquadest), positive control (supplementation of Vitamin E of 6 IU), young rats as a comparison (8-12 weeks old), and treatment groups, which were given ethanol extract of CA leaf administered orally (300 mg/kg BW) for 28 days with each days the treatment were given twice. The short term memory were analyzed by using Y-maze. The rats were terminated and the brain BDNF levels were assessed at the end of the study.

Results: The results showed mean ± SD concentration for BDNF were 44.09±3.854 (negative control), 43.09±11.99 (positive control group), 30.2±12.33 (young rats) and 65.88±13.46 (CA groups) mg/pg protein. The treatment group showed significantly higher tissue BDNF level compared to all group (p=0,0189). The Y-maze results show insignificant different between groups

Conclusion: In conclusion, this result showed that supplementation of CA was effective in increasing brain level of BDNF. However, it doesnt show any effect on Y-maze score."

"Sistem Penilaian Esai Otomatis (SIMPLE-O) dikembangkan oleh Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia untuk ujian bahasa Indonesia. Skripsi ini akan membahas mengenai pengembangan SIMPLE-O untuk penilaian ujian bahasa Indonesia menggunakan metode Siamese Manhattan Long Short-Term Memory (LSTM) dan bahasa pemrograman Python. Terdapat dua dokumen yang akan menjadi input, yaitu jawaban esai dari peserta ujian dan jawaban referensi dari penguji. Kedua jawaban diproses dengan layer LSTM yang sama. Selanjutnya, kemiripan antara keduanya dihitung dengan fungsi persamaan. Pengujian dengan dataset jawaban dummy mendapatkan nilai MAE dan RMSE sebesar 0.0254 dan 0.0346. Kemudia, pengujian dengan dataset jawaban asli mendapatkan nilai MAE dan RMSE terbaik sebesar 0.1596 dan 0.2190. Rata-rata nilai akurasi yang didapatkan adalah 92.82 untuk fase training dan 84.03 untuk validasi.

---

The Automatic Essay Assessment System (SIMPLE-O) was developed by the Department of Electrical Engineering, Faculty of Engineering, University of Indonesia for the Indonesian language test. This thesis will discuss the development of SIMPLE-O for the assessment of Indonesian language tests using the Siamese Manhattan Long Short-Term Memory (LSTM) method and the Python programming language. There are two documents that will be input, essay answers from examinees and answer answers from examiners. Both answers are processed with the same LSTM layer. Next, the similarity between the two is calculated by the similarity function. Testing with dummy answer dataset produces MAE and RMSE values of 0.0254 and 0.0346. Then, testing with the real answer dataset produces MAE and RMSE values of 0.1596 and 0.2190. The average accuracy value obtained was 92.82 for the training phase and 84.03 for validation.

"

"Skripsi ini membahas penerapan Long Short Term Memory RNN dan Manhattan Distance untuk membuat rancangan Sistem Penilaian Esai Otomatis (SIMPLE-O). SIMPLE-O adalah sistem yang sedang dikembangkan Departemen Teknik Elektro UI untuk menilai esai secara otomatis. Sistem ini menggunakan Recurrent Neural Network dengan arsitektur Long Short Term Memory untuk memberikan nilai pada esai Bahasa Jepang. Dari beberapa variasi yang diuji, model yang paling stabil adalah model yang memiliki layer LSTM, Manhattan Distance, dan Dropout dengan dropout rate sebesar 0.3, di-train selama 25 epoch dengan loss function crosscategorical entropy dan optimizer adam, dengan input model ditokenisasi per karakter dengan rata-rata akurasi sebesar 79.93%.

---

This thesis will explore the application of Long Short Term Memory RNN and Manhattan Distance in designing the Automatic Essay Grading System (SIMPLE-O). SIMPLE-O is a system currently being developed by Departemen Teknik Elektro UI for automatically scoring Japanese essay exams.  Out of the variations tested, the most stable model is the model with the layers LSTM, Manhattan distance, and Dropout with a dropout rate of 0.3, trained for 25 epochs with the loss function cross categorical entropy and adam optimizer, and the model's input being tokenized by character with the highest average accuracy of 79.93%."

"Penyakit Demam Berdarah Dengue (DBD) merupakan salah satu penyakit yang penyebarannya sangat cepat. Dengan memprediksi angka insiden penyakit tersebut, diharapkan dapat membantu pemerintah dalam mengatasi penyakit ini. Seiring berkembangnya ilmu pengetahuan, salah satu metode untuk memprediksi penyakit DBD adalah machine learning. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam machine learning yaitu Long Short-Term Memory (LSTM) dalam membangun model prediksi insiden DBD. Pada penelitian sebelumnya, LSTM telah digunakan dalam memprediksi angka insiden DBD di 20 kota di negara China. Pada skripsi ini model LSTM diterapkan untuk memprediksi angka insiden DBD di DKI Jakarta dengan menggunakan data cuaca dan insiden DBD. Hasil implementasi LSTM dalam memprediksi angka insiden DBD menunjukkan bahwa model terbaik diperoleh dengan menggunakan proporsi data training-testing 90%-10% dengan RMSE dan MAE berdasarkan data test. Nilai RMSE pada wilayah Jakarta Pusat, Jakarta Timur, Jakarta Barat, Jakarta Utara, dan Jakarta Selatan adalah 5,218412, 9,570137, 10,527401, 6,496117, dan 5,952310. Nilai MAE pada wilayah yang sama secara berturut-turut adalah 4,016646, 7,791134, 8,405053, 5,279802, dan 4,416999.

---

Dengue Hemorrhagic Fever (DHF) is a disease that spreads very fast. By predicting the incidence of the disease, it is expected to help the government in overcoming this disease. As the development of science, one method to predict DHF is machine learning. The study was conducted by utilizing one method in machine learning that is Long Short Term-Memory (LSTM) in building a DHF incident prediction model. In previous studies, LSTM has been used in predicting the incidence of DHF in 20 cities in China. In this thesis the LSTM model is applied to predict the number of DHF incidents in DKI Jakarta by using weather data and DHF incidents. The results of LSTM implementation in predicting the number of DHF incidents showed that the best model was obtained using the proportion of training data-testing 90% -10% with RMSE and MAE based on test data. The RMSE values in the Central Jakarta, East Jakarta, West Jakarta, North Jakarta and South Jakarta areas are 5.218412, 9.570137, 10.527401, 6.496117, and 5.952310. MAE values in the same region are 4,016646, 7.791134, 8.405053, 5.279802, and 4.416999."

"Komunikasi yang efektif sangat penting untuk penyediaan layanan kesehatan yang berkualitas. Di rumah sakit, pasien yang kemampuan komunikasinya terbatas secara fisik mungkin menghadapi tantangan dalam mengungkapkan kebutuhan dasar mereka kepada penyedia layanan kesehatan. Untuk mengatasi masalah ini, dalam penelitian ini dikembangkan sistem pengenalan isyarat tangan untuk pasien dengan keterbatasan fisik. Sistem ini menggunakan Mediapipe dan long short-term memory (LSTM) model untuk mendeteksi dan mengklasifikasi 24 kelas isyarat tangan. Isyarat tangan untuk pasien yang digunakan berdasarkan kartu single hand sign communication, yang dibuat oleh Derek Tune, seorang intrepeter bahasa isyarat pada tahun 2012. Akuisisi data hand landmark dalam bentuk video sepanjang 10 frame untuk setiap kelas isyarat tangan, yang kemudian diolah dan dianalisis menggunakan model LSTM. Model LSTM dilatih menggunakan teknik early stopping untuk mendapatkan performa optimal, menghasilkan tingkat akurasi model 85,53% dengan presisi 0,911. Model dapat mendeteksi isyarat tangan secara waktu nyata dengan waktu inferensi 130 milidetik. Sistem ini juga dirancang untuk mengirim pesan notifikasi secara otomatis ke penyedia layanan kesehatan melalui bot Telegram. Secara keseluruhan, sistem pengenalan isyarat tangan pasien memiliki potensi untuk meningkatkan komunikasi antara pasien dan penyedia layanan kesehatan dan memungkinkan pasien penyandang disabilitas untuk lebih mudah memenuhi kebutuhan dasar mereka.

---

Effective communication is essential to provide quality health services. In hospitals, patients with physically limited communication skills may face challenges expressing their basic needs to health care providers. To overcome this problem, this research developed a hand signal recognition system for patients with physical limitations. This system uses the Mediapipe model and long shortterm memory (LSTM) to detect and classify 24 classes of hand signals. Hand signals for patients used are based on the single hand sign communication card, which was made by Derek Tune, a sign language interpreter in 2012. Acquisition of hand landmark data in the form of a 10-frame video for each hand signal class, which is then processed and analyzed using LSTM models. The LSTM model minimizes using early stopping techniques to get optimal performance, resulting in a model accuracy rate of 85.53% with a precision of 0.911. The model can detect real-time hand signals with an inference time of 130 milliseconds. The system is also designed to automatically send message notifications to healthcare providers via Telegram bots. Overall, patient hand signal recognition systems have the potential to improve communication between patients and healthcare providers and enable patients with disabilities to meet their basic needs more easily."