ALDAFFAN SHEVA GHIFARI WYDIANDHIKA (2022) Deteksi Tekanan Darah Berdasarkan Sinyal PPG dengan Metode Statistical Analysis dan Extreme Learning Machine. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (HALAMAN JUDUL) 081811733019_HALAMAN JUDUL.pdf Download (602kB)
	Text (BAB I) 081811733019_BAB I.pdf Download (455kB)
	Text (FULLTEXT) 081811733019_FULLTEXT.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Hipertensi merupakan salah satu faktor penyebab penyakit seperti stroke, infark miokard, kematian kardiovaskular, hingga kematian akibat naiknya tekanan darah. Pengukuran tekanan darah umumnya dilakukan dengan metode non – invasive, yaitu menggunakan tensimeter. Namun, penggunaan tensimeter baik manual ataupun digital tidak dapat dilakukan secara kontinyu, sehingga tidak dapat digunakan untuk monitoring dalam jangka panjang. Seiring perkembangan teknologi, Photoplethysmography (PPG) dapat dikembangkan untuk monitoring tekanan darah atau deteksi kondisi hipertensi. Oleh karena itu, perlu dibuat sistem yang dapat meng hipertensi dari sinyal PPG yang memiliki nilai akurasi yang tinggi. Penelitian ini menggunakan data sekunder yang didapat dari pihak Komite Etik Pusat Medis Universiti Kebangsaan Malaysia dalam bentuk raw data dengan subjek sebanyak 57 orang dengan 30 orang subjek normal dan 27 orang subjek hipertensi. Sebelum diklasifikasi, data ini diolah ke dalam 4 proses pre – processing, yaitu detrend data, noise filtering dengan Band Pass Filter (BPF), normalisasi data dengan metode min – max, dan segmentasi data. Fitur untuk klasifikasi hipertensi yang digunakan dalam penelitian ini adalah statistical analysis, yaitu nilai skewness, prominence, dan width. Fitur – fitur ini kemudian dibagi menjadi 3 tahapan, yaitu skewness, peak analysis, dan gabungan antara skewness dan peak analysis. Fitur ini kemudian akan digunakan sebagai input klasifikasi hipertensi menggunakan sistem extreme learning machine (ELM). Hasil klasifikasi dari ELM adalah berupa dua kelas, yaitu normal atau hipertensi. Dalam penelitian ini, hidden neuron yang digunakan dimulai dari 10, 50, 100, 500, 1000, dan 1500. Hasil akurasi tertinggi mencapai 89.66% untuk training dan 75.72% untuk testing dengan menggunakan 1000 hidden neuron yang didapat pada fitur gabungan antara skewness dan peak analysis.

Actions (login required)

View Item