Kelompok : Lalu Naufal Azmi (1901010226)

Muhammad Rabil Farcham As’Arry (1901010202)

Sabbath Imanuel Manurung (1901010224)

Judul : Stress-Lysis: A DNN-Integrated Edge Device for Stress Level Detection in the IoMT

Penulis: Laavanya Rachakonda, Student Member, IEEE, Saraju P. Mohanty, Senior Member, IEEE,
Elias Kougianos, Senior Member, IEEE, and Prabha Sundaravadivel, Member, IEEE

Stres pada manusia dapat di klasifikasikan menjadi eustress, neustres dan distres. Eustres
merupakan stressyang bisa memberikan motivasi untuk meninggikan performa, neustress adalah
stress yang tidak menyebabkan kerusakan pada kesejahteraan orang, oleh karenanya masih bisa
diabaikan sedangkan distress merupakan stress yang memberikan efek negative terhadap tubuh
manusia. Untuk memonitoring tingkat stress ini, mereka sedang mendevelop Internet of Medical
Things (IoMT) yang mampu mendeteksi tingkat stress dari alat berupa gelang yang mereka
kembangkan.

Prediksi tingkat stress ini mencoba menggunakan pendekatan logika fuzzy controller dengan tingkat
keringat, jumlah Langkah, dan temperature tubuh sebagai parameternya. Namun sistem yang
diusulkan ini hanya memiliki 150 sampel sehingga ini akan mempengaruhi tingkat akurasinya. Tujuan
dari riset ini adalah untuk membantu memonitoring tingkat stress akut dan stress kronis pada level
distress.

Pada penilitian ini mereka menggunakan metode Deep Neural Network (DNN) dengan variasi data
2000, 4000, dan 20000. Dengan perbandingan 7:3 untuk untuk data training dan testing. Hasil
akurasi yang mereka peroleh ada disekitar 98.3% hingga 99.7% dengan loss 1% atau kurang.
Berdasarkan hasil tersebut mereka mengkonfirmasi bahwa dengan jumlah sample data yang besar
akan mampu menaikkan tingkat akurasi akhirnya. Mereka berpendapat untuk pengembangan
selanjutnya adalah dibagian Graphical User Interface (GUI) yang dapat merepresentasikan hasil
prediksi secara langsung melalui aplikasi mobile. Mereka juga mnegatakan untuk riset selanjutnya
mereka akan mencoba untuk mendevelop prototype yang dapat digunakan untuk lansia dan dapat
menganalisa tingkat stress pada perempuan selama masa stress pasca trauma terhadap sesuatu.
Judul: A Smart Sensor in the IoMT for Stress Level Detection

Penulis: L. Rachakonda, P. Sundaravadivel, S. P. Mohanty, E. Kougianos, and M. Ganapathiraju

Penilitian ini memiliki tujuan untuk memprediksi tingkat stress kemudian mengkategorikannya
menjadi tiga kategori yaitu lemah, normal dan tinggi. Pendekatan yang digunakan adalah
pendekatan Machine Learning. Mereka juga menyimpan datanya melalui penyimpanan awan
agar bisa di monitoring.

Parameter yang digunakan pada penelitian ini adalah temperatur tubuh, kelembapan tubuh, dan
juga Accelerometer. Metode pendekatan yang mereka gunakan adalah Logika Fuzzy tipe
Mamdani dengan keakuratan 97%. Kemudian sistemnya juga dirancang dengan kompleksitas
yang minimum, konsumsi daya yang minimum, dan tidak membutuhkan interaksi dari user.

Menurut saya pada penelitian ini mereka belum menerapkan Graphical User Interface (GUI)
untuk semua pengguna produk IoMT mereka. Ini juga merupakan peluang bagi orang lain yang
hendak mengembangkan atau melanjutkan hasil dari riset ini.
Judul: COVID-19 cough classification using machine learning and global smartphone recordings

Penulis: Madhurananda Pahar , Marisa Klopper , Robin Warren , Thomas Niesler

COVID-19 (Corona VIrus Disease of 2019), disebabkan oleh Parah Virus Sindrom Pernafasan Akut
Coronavirus 2 (SARS-CoV2), adalah dinyatakan sebagai pandemi global pada 11 Februari 2020 oleh
World Health Organisasi (WHO). Ini adalah coronavirus baru tetapi mirip dengan coronavirus
lainnya, termasuk SARS-CoV (sindrom pernafasan akut yang parah coronavirus) dan MERS-CoV
(Middle East respiratory syndrome coronavirus) yang menyebabkan wabah penyakit masing-masing.

Batuk adalah salah satu gejala utama COVID-19 [9] dan juga merupakan gejala lebih dari 100
penyakit lain, dan pengaruhnya terhadap sistem pernapasan diketahui bervariasi, dan ini
memungkinkan untuk membedakan antara batuk karena COVID-19, TBC , asma , bronkitis dan
pertussis.

Pada penelitian ini mereka menghadirkan pengklasifikasi batuk COVID-19 berbasis Machine Learning
yang dapat membedakan batuk COVID-19 positif dari dua parameter yaitu batuk COVID-19 negatif
dan batuk sehat yang direkam pada smartphone. Jenis penyaringan ini adalah non-kontak, mudah
diterapkan, dan dapat mengurangi beban kerja di pusat pengujian serta membatasi transmisi
dengan merekomendasikan isolasi mandiri dini kepada mereka yang memiliki batuk yang mengarah
ke COVID-19

Dalam proses validasi mereka menggunakan Skema A leave-p-out cross-validation untuk melatih dan
mengevaluasi tujuh pengklasifikasi Machine Learning: logistic regression (LR), k-nearest neighbour
(KNN), support vector machine (SVM), multilayer perceptron (MLP), convolutional neural network
(CNN), long short-term memory (LSTM) and a residual-based neural network architecture
(Resnet50). Hasil penelitian mereka menunjukkan bahwa meskipun semua pengklasifikasi dapat
mengidentifikasi batuk COVID-19, kinerja terbaiknya adalah dihasilkan oleh pengklasifikasi Resnet50,
yang paling mampu membedakan antara positif COVID-19 dan batuk sehat dengan luas area di
bawah kurva ROC (AUC) sebesar 0,98. Pengklasifikasi LSTM paling mampu membedakan antara
batuk positif COVID-19 dan batuk negatif COVID-19, dengan AUC 0,94 setelah memilih 13 fitur
terbaik dari SFS.

Menurut pendapat saya Meskipun sistem yang mereka jelaskan memerlukan validasi yang lebih
ketat pada dataset yang lebih besar, hasil yang mereka sajikan sangat menjanjikan dan menunjukkan
bahwa skrining COVID-19 berdasarkan klasifikasi otomatis suara batuk dapat dilakukan. Karena data
telah ditangkap pada smartphone, dan klasifikasi batuk seperti itu hemat biaya, mudah diterapkan
dan menyebarkan. Selanjutnya, itu bisa diterapkan dari jarak jauh, sehingga menghindari kontak
dengan tenaga medis.