PENGEMBANGAN PROTOTIPE AIoT DETEKSI TETES INFUS BERBASIS MACHINE LEARNING MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST DENGAN ESTIMASI BIAYA PENGEMBANGAN

DEVELOPMENT OF AN AIoT BASED INFUSION DRIP DETECTION PROTOTYPE USING MACHINE LEARNING WITH RANDOM FOREST AND XGBOOST ALGORITHMS WITH DEVELOPMENT COST ESTIMATION

Penelitian ini bertujuan untuk mengembangkan prototipe Artificial Intelligence of Things (AIoT) yang mampu memprediksi tetes per menit (TPM) cairan infus pasien secara akurat dan real-time. Fokus penelitian meliputi tiga aspek utama, yaitu perancangan dan implementasi prototipe berbasis IoT untuk pemantauan tetes infus, pengembangan model machine learning untuk prediksi dan klasifikasi status tetesan infus, serta perhitungan estimasi biaya pengembangan perangkat lunak menggunakan metode Function Point (FP). Prototipe dirancang dengan mengintegrasikan sensor berat dan sensor tetes yang dikendalikan oleh mikrokontroler dan terhubung dengan sistem backend secara real-time.

Penelitian ini menggunakan metode penelitian kualitatif deskriptif dengan pendekatan pengembangan sistem. Metode Throw Away Prototyping diterapkan pada tahap perancangan dan pembuatan perangkat keras AIoT, machine learning pipeline digunakan untuk pelatihan dan evaluasi model prediksi TPM, serta metode Function Point digunakan untuk estimasi biaya pengembangan perangkat lunak berdasarkan kompleksitas sistem dan tingkat akurasi model. Data dan kebutuhan sistem diperoleh melalui literature review terhadap penelitian terdahulu terkait pemantauan infus berbasis IoT serta sumber daring di bidang kesehatan untuk menentukan rumus tetes infus dalam penyusunan dataset.

Penelitian diawali dengan analisis permasalahan pemantauan infus yang masih dilakukan secara manual dan berpotensi menimbulkan human error, serta belum sepenuhnya selaras dengan kebijakan digitalisasi layanan kesehatan dan penerapan Rekam Medis Elektronik (RME). Hasil pengujian sistem melalui 100 sesi validasi menunjukkan bahwa sensor berat memiliki tingkat keakuratan sebesar 99,18433601% dengan performa yang stabil, sedangkan sensor tetes mencapai tingkat keakuratan sebesar 92,25659028% dan menunjukkan kinerja optimal pada laju tetesan di bawah 30 TPM. Model prediksi TPM menghasilkan kinerja sangat baik dengan nilai R² sebesar 1,0000, MAE sebesar 0,1073, dan RMSE sebesar 0,1589. Selain itu, model klasifikasi berbasis Random Forest dan XGBoost menunjukkan performa optimal, khususnya pada dataset dengan distribusi kelas yang seimbang. Estimasi biaya pengembangan perangkat lunak menggunakan metode Function Point menghasilkan nilai sebesar Rp14.875.173,03 sebagai acuan awal perencanaan biaya pengembangan sistem AIoT deteksi tetes infus.

This study aims to develop an Artificial Intelligence of Things (AIoT) prototype capable of accurately and real-time predicting the infusion drip rate, measured as drops per minute (DPM). The research focuses on three main aspects: the design and implementation of an IoT-based prototype for infusion drip monitoring, the development of machine learning models for predicting and classifying infusion drip status, and the estimation of software development costs using the Function Point (FP) method. The prototype is designed by integrating a weight sensor and a drip sensor controlled by a microcontroller and connected to a real-time backend system.

This research employs a descriptive qualitative method with a system development approach. The Throw Away Prototyping method is applied during the design and development of AIoT hardware, a machine learning pipeline is used for training and evaluating the DPM prediction models, and the Function Point method is applied to estimate software development costs based on system complexity and model accuracy. System data and requirements are obtained through a literature review of previous IoT-based infusion monitoring studies and online healthcare sources to determine the infusion drip rate formula used in dataset construction.

The study begins with an analysis of infusion monitoring practices that are still predominantly manual and potentially lead to human error, and are not yet fully aligned with healthcare digitalization policies and the implementation of Electronic Medical Records (EMR). System testing conducted through 100 validation sessions shows that the weight sensor achieves an accuracy of 99.18433601% with stable performance, while the drip sensor reaches an accuracy of 92.25659028% and performs optimally at drip rates below 30 DPM. The DPM prediction model demonstrates excellent performance with an R² value of 1.0000, a Mean Absolute Error (MAE) of 0.1073, and a Root Mean Squared Error (RMSE) of 0.1589. In addition, classification models based on Random Forest and XGBoost show optimal performance, particularly on datasets with balanced class distributions. Software development cost estimation using the Function Point method results in a value of IDR 14,875,173.03, which serves as an initial reference for planning the development of an AIoT-based infusion drip monitoring system.