Penerapan Speech to Text Berbasis Deep Learning pada Aplikasi Paperless Hospital Menggunakan Metode Gate Recurrent Unit (GRU)

Zulfan Khairil Simbolon, Hendrawaty Hendrawaty, Mulyadi Mulyadi, Hasyimi Abdullah

Sari


Penelitian ini memaparkan perancangan dan implementasi sistem monitoring berbasis IoT untuk budidaya bayam dengan otomatisasi penyiraman menggunakan algoritma Decision Tree. Dataset yang digunakan terdiri dar i lima atribut input, yaitu kelembaban tanah, suhu udara, kelembaban udara, intensitas cahaya, dan usia tanaman, dengan keputusan penyiraman sebagai output. Perhitungan Information Gain menunjukkan bahwa kelembaban udara memiliki nilai tertinggi sebesar 0, 8813 bit pada threshold 57,5%, identik dengan entropy total, yang menunjukkan kemampuannya memisahkan keputusan SIRAM dan TIDAK SIRAM secara sempurna. Atribut kelembaban tanah dan intensitas cahaya memiliki IG sedang (0,5568 bit), sedangkan suhu udara dan usia tanaman memberikan IG lebih rendah. Meskipun demikian, kelembaban tanah dipilih sebagai root node karena relevansi agronomis dan kemudahan pengukuran. Sistem memproses data sensor secara lokal pada ESP32, sementara data dikirim melalui protokol MQ TT ke aplikasi smartphone untuk monitoring real-time. Hasil pengujian menunjukkan sistem mampu mengambil keputusan penyiraman secara akurat, mengoptimalkan penggunaan air, beradaptasi dengan kondisi lingkungan, dan mendukung pertanian presisi serta praktik pertanian berkelanjutan.

Teks Lengkap:

PDF

Referensi


J. Schmidhuber, “Deep Learning in neural networks: An overview,” 2015. doi: 10.1016/j.neunet.2014.09.003.

J. Brownlee, “Machine learning mastery,” 2020.

S. Flora et al., “SISTEM PENGELOLAAN REKAM MEDIS PUSKESMAS HEALTH MEDICAL RECORD MANAGEMENT SYSTEM,” Jambura Health and Sport Journal, vol. 4, no. 2, 2022.

I. Sudirahayu, A. Harjoko, H. A. Moeloek, and P. Lampung, “Analisis Kesiapan Penerapan Rekam Medis Elektronik Menggunakan DOQ-IT di RSUD Dr. H. Abdul Moeloek Lampung,” 2016.

B. Schloss and S. Konam, “Towards an Automated SOAP Note: Classifying Utterances from Medical Conversations,” in Proceedings of Machine Learning Research, 2020.

G. Naidu, T. Zuva, and E. M. Sibanda, “A Review of Evaluation Metrics in Machine Learning Algorithms,” in Lecture Notes in Networks and Systems, 2023. doi: 10.1007/978-3-031-35314-7_2.

K. Cho et al., “Learning phrase representations using RNN encoder-decoder for statistical machine translation,” in EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, 2014. doi: 10.3115/v1/d14-1179.

M. Muntean and F. D. Militaru, “Metrics for Evaluating Classification Algorithms,” in Smart Innovation, Systems and Technologies, 2023. doi: 10.1007/978-981-19-6755-9_24.

J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” Dec. 2014, [Online]. Available: http://arxiv.org/abs/1412.3555


Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

##submission.license.cc.by-sa4.footer##

Creative Commons License

Prosiding Seminar Nasional Politeknik Negeri Lhokseumawe is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

© 2017 All rights reserved |Seminar nasional Politeknik Negeri Lhokseumawe p-ISSN:2598-3954.

.