Hasil Pencarian  ::  Simpan CSV :: Kembali

"Online reviews have a profound impact on the customer or newbie who want to purchase or consume the product via web 2.0 e-commerce. Online reviews contain features which form half of the analysis in opinion mining. Most of the today’s systems work on the summarization taking the average of the obtained features and their sentiments leading to structured review information. Often the context surrounding the feature is undermined which helps in clearly classifying the sentiment of the review. Web 3.0 based machine interpretable Resource Description Framework (RDF) also structures these unstructured reviews in the form of features and sentiments obtained from traditional preprocessing and extraction techniques with the context data also provided for future ontology based analysis taking support of Wordnet 2.1 lexical database for word sense disambiguation and Sentiwordnet 3.0 scores used for sentiment word extraction. Many popular RDF vocabularies are helpful in the creation of such machine process-able data. In the work to follow, this instance RDF forms the basis for creating/upgrading the (available) OWL Ontology that can be used as structured data model with rich semantics towards supervised machine learning generating sentiment categories and are validated for precise sentiments. These are sent back to the interface as corresponding {feature, sentiment} pair so that reviews are filtered clearly and helps in satisfying the feature set of the customer."

"A successful understanding on how to make computers learn would open up many new uses of computers and new levels of competence and customization. A detailed understanding on inform-ation- processing algorithms for machine learning might lead to a better understanding of human learning abilities and disabilities. There are many type of machine learning that we know, which includes Backpropagation (BP), Extreme Learning Machine (ELM), and Support Vector Machine (SVM). This research uses five data that have several characteristics. The result of this research is all the three investigated models offer comparable classification accuracies. This research has three type conclusions, the best performance in accuracy is BP, the best performance in stability is SVM and the best performance in CPU time is ELM for bioinformatics data.

---

Keberhasilan pemahaman tentang bagaimana membuat komputer belajar akan membuka banyak manfaat baru dari komputer. Sebuah pemahaman yang rinci tentang algoritma pengolahan informasi untuk pembelajaran mesin dapat membuat pemahaman yang sebaik kemampuan belajar manusia. Banyak jenis pembelajaran mesin yang kita tahu, beberapa diantaranya adalah Backpropagation (BP), Extreme Learning Machine (ELM), dan Support Vector Machine (SVM). Penelitian ini menggunakan lima data yang memiliki beberapa karakteristik. Hasil penelitian ini, dari ketiga model yang diamati memberikan akurasi klasifikasi yang sebanding. Penelitian ini memiliki tiga kesimpulan, yang terbaik dalam akurasi adalah BP, yang terbaik dalam stabilitas adalah SVM dan CPU time terbaik adalah ELM untuk data bioinformatika."

"Datasets with heterogeneous features can affect feature selection results that are not appropriate because it is difficult to evaluate heterogeneous features concurrently. Feature transformation (FT) is another way to handle heterogeneous features subset selection. The results of transformation from non-numerical into numerical features may produce redundancy to the original numerical features. In this paper, we propose a method to select feature subset based on mutual information (MI) for classifying heterogeneous features. We use unsupervised feature transformation (UFT) methods and joint mutual information maximation (JMIM) methods. UFT methods is used to transform non-numerical features into numerical features. JMIM methods is used to select feature subset with a consideration of the class label. The transformed and the original features are combined entirely, then determine features subset by using JMIM methods, and classify them using support vector machine (SVM) algorithm. The classification accuracy are measured for any number of selected feature subset and compared between UFT-JMIM methods and Dummy-JMIM methods. The average classification accuracy for all experiments in this study that can be achieved by UFT-JMIM methods is about 84.47% and Dummy-JMIM methods is about 84.24%. This result shows that UFT-JMIM methods can minimize information loss between transformed and original features, and select feature subset to avoid redundant and irrelevant features.Dataset dengan fitur heterogen dapat mempengaruhi hasil seleksi fitur yang tidak tepat karena sulit untuk mengevaluasi fitur heterogen secara bersamaan. Transformasi fitur adalah cara untuk mengatasi seleksi subset fitur yang heterogen. Hasil transformasi fitur non-numerik menjadi numerik mungkin menghasilkan redundansi terhadap fitur numerik original. Dalam tulisan ini, peneliti mengusulkan sebuah metode untuk seleksi subset fitur berdasarkan mutual information (MI) untuk klasifikasi fitur heterogen. Peneliti menggunakan metode unsupervised feature transformation (UFT) dan metode joint mutual information maximation (JMIM). Metode UFT digunakan untuk transformasi fitur non-numerik menjadi fitur numerik. Metode JMIM digunakan untuk seleksi subset fitur dengan pertimbangan label kelas. Fitur hasil transformasi dan fitur original disatukan seluruhnya, kemudian menentukan subset fitur menggunakan metode JMIM, dan melakukan klasifikasi terhadap subset fitur tersebut menggunakan algoritma support vector machine (SVM). Akurasi klasifikasi diukur untuk sejumlah subset fitur terpilih dan dibandingkan antara metode UFT-JMIM dan Dummy-JMIM. Akurasi klasifikasi rata-rata dari keseluruhan percobaan yang dapat dicapai oleh metode UFT-JMIM sekitar 84.47% dan metode Dummy-JMIM sekitar 84.24%. Hasil ini menunjukkan bahwa metode UFT-JMIM dapat meminimalkan informasi yang hilang diantara fitur hasil transformasi dan fitur original, dan menyeleksi subset fitur untuk menghindari fitur redundansi dan tidak relevan"

"Sebuah paparan radiasi memiliki dampak yang baik dan buruk bagi kehidupan manusia, maka dari itu diperlukan alat untuk mendeteksi adanya sinar radiasi yang berbahaya atau tidak. Hal tersebut merupakan bentuk preventif dari sebuah malapetaka. Sebuah kejadian pada Chernobyl yang membuat manusia tidak bisa menghuni tempat tersebut lagi. Oleh karena itu, perlu dipelajari bahwa kejadian tersebut bisa saja tidak terjadi apabila disiapkan tindakan preventif. Salah satu hal preventif tersebut adalah dengan melakukan identifikasi radiasi dari sumber untuk menilai tingkat keselamatannya. Maka dari itu, penelitian ini dilakukan agar implementasi preventif tersebut bisa dipermudah dengan melakukan modernisasi sebuah sistem dengan menambahkan machine learning pada sebuah sistem. Hasil analisis menunjukkan kedua algoritma memiliki performa yang baik. Model CNN dengan transformasi Upscaling memiliki performa terbaik dengan akurasi sebesar 96.1%, presisi sebesar 0.963, recall sebesar 0.957, dan F1-score sebesar 0. 960.

---

A radiation exposure has a good and bad impact on human life, hence the need for a tool to detect the presence of harmful radiation rays or not. This is a preventive form of a catastrophe. An incident in Chernobyl that made humans unable to inhabit the place again. Therefore, it is necessary to learn that the incident could not have happened if preventive measures were prepared. One of the preventive measures is to identify the radiation from the source to assess its safety level. Therefore, this research was conducted so that the preventive implementation can be facilitated by modernizing a system by adding machine learning to a system. The analysis results show that both algorithms have good performance. CNN model with Upscaling transformation has the best performance with accuracy of 96.1%, precision of 0.963, recall of 0.957, and F1-score of 0. 960."

"Beberapa penelitian telah menunjukkan bahwa bakteri mampu melakukan pemesinan pada logam, salah satunya adalah Acidithiobacillus ferrooxidans. Keuntungan utama menggunakan bakteri untuk proses pemesinan adalah efisiensi energi yang digunakan. Penelitian sebelumnya telah membuktikan kemampuan Acidithiobacillus ferrooxidans dalam melakukan pemesinan termasuk karakterisasi pelepasan material dan hasil akhir pada benda kerja. Namun tidak satupun dari penelitian tersebut yang meneliti kemungkinan dari bakteri tersebut melakukan pemesinan multi-axis. Dalam penelitian ini akan dibahas mengenai kemungkinan dari Acidithiobacillus ferrooxidans dalam melakukan pemesinan multi axis dengan menggunakan total 15 buah sampel benda kerja. Beberapa benda kerja tersebut diletakkan dalam cairan medium kultur dengan diberikan sudut inklinasi 450 dengan menggunakan inklinator untuk membandingkan hasil pemesinan dengan benda kerja yang tidak diberi inklinasi. Hasil dari mikrografi SEM menunjukkan bahwa benda kerja yang diberi inklinasi memiliki kedalaman pelepasan material dan profil potongan yang berbeda dengan benda kerja yang tidak diberi inklinasi. Benda kerja yang diberi inklinasi memiliki perbedaan kedalaman pelepasan material sebesar 45% lebih banyak pada sisi yang lebih tinggi. Dengan adanya perbedaan karakteritik pemesinan, diharapkan dapat dijadikan acuan untuk pengembangan proses Biomachining multi-axis lebih lanjut.

---

Recent studies show that some bacteria have the ability to do machining process, and one of them is Acidithiobacillus ferrooxidans. The main purpose of using bacteria to do the machining process is the efficiency of energy used. Previous studies have already investigate the capability of Acidithiobacillus ferrooxidans to do the machining including the characterization of the material removed and surface finishing of the workpiece. However, none of them investigate the possibility for the bacteria to do the multi-axis machining.

In this research, the capability of Acidithiobacillus ferrooxidans to do the machining process was investigated. A total of 15 workpieces were used, and placed in the cultured medium with different conditions. Some of the workpieces were placed without inclination angle while some of them were placed with 450 of inclination angle.

The SEM micrograph result showed that there were differences in the cutting depth and cutting profile of the workpieces which were inclined and not inclined. The higher sides have 45% more depth of material removed. According to these result, there is a possibility it might led to the further development of multi-axis Biomachining."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik.

---

In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before."

"Banyaknya konferensi menyulitkan peneliti memilih konferensi berkualitas. Kemungkinan peneliti tertipu dengan konferensi predator merupakan ancaman nyata yang perlu diperhatikan. Penilaian konferensi umumnya menggunakan pakar yang membutuhkan waktu dan biaya yang tinggi. Penelitian ini fokus untuk menganalisis jika h-indeks, impact factor, jumlah dokumen, dan SJR dapat menghasilkan penilaian kualitas yang sesuai dengan penilaian manual pakar dari beberapa situs penilaian konferensi serta membandingkan hasil performanya dengan penilaian jurnal. Data yang digunakan dikumpulkan dari empat sumber situs web yang mengkalkulasi kualitas konferensi luar negeri, yaitu CORE, ERA/QUALIS, AMiner, dan ScimagoJR. Data untuk penilaian jurnal didapatkan dari Guide2Research. Variabel yang digunakan untuk penilaian adalah h-indeks, jumlah dokumen, impact factor, dan SJR. Penelitian ini menggunakan metode K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, dan Decision Tree (DT). KNN menghasilkan nilai akurasi tertinggi sebesar 72,22% dan f1 score senilai 63,06% menggunakan data Qualis dengan faktor h-indeks, IF, dan SJR.

---

The number of conferences makes it difficult for researchers to choose quality conferences. The possibility of researchers being fooled by predatory conferences is a real threat that deserves attention. Conference assessments generally use experts who require time and money to evaluate the conferences. This study focuses on analyzing whether h-index, impact factor, number of documents, and SJR can produce quality assessments in accordance with expert manual assessments from several conference assessment sites and compare the resulting performance with journal assessments. The data used were collected from four website sources that calculate the quality of overseas conferences, namely CORE, ERA/QUALIS, AMiner, and ScimagoJR. Data for journal assessments were obtained from Guide2Research. The variables used for the assessment are h-index, number of documents, impact factor, and SJR. This research used K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, and Decision Tree (DT). KNN produced the highest accuracy value of 72.22% and the f1 score of 63.06% using Qualis data with the h-index, IF, and SJR factors."

"ABSTRAKDi Indonesia, salah satu penyebab tingginya biaya BBM adalah adanya tindak pencuriandan penyelewengan BBM yang sering kali terjadi di tengah lautan. Hal ini bisa terjadikarena pada saat di tengah lautan, segala kegiatan kapal tersebut tidak bisa dipantau olehpusat operasional manajemen kapal. Selain upaya hukum, upaya pengawasan kapalmelalui teknologi terbaru juga terus dilakukan, salah satunya adalah teknologi VesselMonitoring System (VMS) berbasis Machine to machine (M2M). Perkembanganteknologi VMS dan telemetri telah memungkinkan pengawasan kondisi mesin danpemakaian BBM kapal yang sedang berlayar secara online dan real time. Denganmenambah perangkat pengukuran pemakaian bahan bakar tersebut, diharapkanmeningkatkan kecepatan koordinasi dan penanganan di lapangan saat terjadiketidakwajaran pemakaian BBM. Kecepatan dalam mengetahui adanya ketidakwajaranini sangat penting, karena proses pencurian minyak sering kali dilakukan dalam waktusingkat. Pencurian minyak dengan modus ilegal tapping di darat hanya memerlukanwaktu 15 menit untuk 2000 liter (2 ton) BBM, sementara di laut diperlukan sekitar 5 jamuntuk memindahkan 12 ton BBM, atau sekitar 2.4 ton per jam untuk sebuah kapal saja.Masalahnya untuk mengetahui ketidakwajaran tersebut masih tergantung pada analisatenaga ahli yang memerlukan waktu yang lama untuk melakukan analisa berbagaiparameter telemetri yang ada. Berdasarkan kondisi di atas, penelitian ini melakukananalisis statistik terhadap data telemetri terutama data pergerakan kapal dan aktivitasmesin untuk menentukan koefisien pergerakan kapal, lalu merancang sistempengklasifikasi kewajaran pemakaian BBM dengan metode Naive Bayes dan LogisticRegression. Metode ini dipilih karena bisa memberikan hasil yang baik untuk prediksidata-­data numerik maupun diskrit. Hasil penelitian ini menunjukkan bahwa data telemetridari sistem VMS dapat digunakan untuk mendeteksi adanya ketidakwajaran pemakaianBBM. Untuk kebutuhan klasifikasi kewajaran pemakaian BBM pada data telemetri kapal,algoritma pengklasifikasi Naive Bayes memiliki akurasi hingga 92% pada data sampeldan Logistic Regression mampu mendeteksi dengan akurasi hingga 96% pada datasampel.

---

ABSTRACTIn Indonesia, one of the causes of high fuel costs is the occurrence of theft and misuse offuel which often occurs in the middle of the ocean. This can happen because when in themiddle of the ocean, all the activities of the ship cannot be monitored by the shipmanagement operational center. In addition to legal efforts, efforts to monitor shipsthrough the latest technology are also being carried out, one of which is the Machine toMachine (M2M) Vessel Monitoring System (VMS) technology. The development ofVMS and telemetry technology has enabled monitoring of engine conditions and fuelconsumption of ships that are sailing online and real time. By adding the fuel consumptionmeasurement device, it is expected to increase the speed of coordination and handling inthe field when there is an irregularity in the use of fuel. Speed in knowing the existenceof this irregularity is very important, because the process of oil theft is often done in ashort time. Theft of oil by illegal tapping on land only takes 15 minutes for 2000 liters (2tons) of fuel, while at sea it takes around 5 hours to move 12 tons of fuel, or around 2.4tons per hour for a ship. The problem is to find out the irregularities that still depend onthe analysis of experts who need a long time to analyze various parameters of existingtelemetry. Based on the above conditions, this study conducted a statistical analysis oftelemetry data, especially ship movement data and machine activity to determine thecoefficient of ship movements, then designed the fuel usage irregularity classificationsystem with the Naive Bayes and Logistics Regression. This method was chosen becauseit can provide good results for predicting numerical and discrete data. The results of thisstudy indicate that telemetry data from the VMS system can be used to detect anyirregularities in using BBM. For the needs of the fairness classification of BBM usage onship telemetry data, the Naive Bayes classification algorithm has an accuracy of up to92% in sample data and Logistic Regression is able to detect with accuracy up to 96% insample data."

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."