Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 63493 dokumen yang sesuai dengan query
cover
Michelle Annice Tjitra
Rancang Bangun Sistem Pengukur Tekanan Darah Noninvasif Secara Wireless dari Sinyal Photoplethysmography (PPG) Menggunakan Sensor MAX30102 = Development of a Wireless Non-invasive Blood Pressure Measurement System from Photoplethysmography (PPG) Signals Using the MAX30102 Sensor
"Hipertensi merupakan salah satu faktor risiko dari kardiovaskular yang mematikan yang dikenal sebagai “the silent killer” dikarenakan hipertensi tidak menunjukkan gejala apapun dan tidak memiliki keluhan namun hipertensi mampu menyebabkan penyakitpenyakit lain atau komplikasi seperti kerusakan pada organ. Pengukuran parameterparameter fisiologis seperti tekanan darah adalah hal yang vital dalam menunjang pendeteksian dan analisis dari penyakit kardiovaskular. Namun, hingga saat ini beberapa metode-metode pengukuran yang tersedia saat ini membutuhkan instrumen yang canggih dan dibutuhkannya tenaga kesehatan dengan keahlian khusus untuk mengoperasikan instrumen tersebut. Selain itu, penggunaan cuff pada alat sphygmomanometer sangat tidak nyaman untuk digunakan apabila diperlukannya pengukuran tekanan darah secara kontinu serta pengoperasian instrumen membutuhkan kontak fisik sehingga meningkatkan kemungkinan terpaparnya COVID-19. Oleh karena itu, dibutuhkannya metode pengukuran darah tanpa cuff, mampu mengukur tekanan darah secara kontinu, dan mampu mengukur tekanan darah dengan akurat yang mampu dioperasikan dengan mudah. Penelitian ini bertujuan untuk membuat desain rancangan prototipe alat pengukur tekanan darah dengan menggunakan sensor MAX30102 dan ESP32 secara wireless melalui sinyal photoplethysmograph dengan pengolahan sinyal PPG berbasis pada ekstraksi fitur dan machine learning. Sistem pengukuran menggunakan sensor PPG dan microcontroller untuk mendapatkan sinyal PPG dari subjek yang kemudian sinyal melalui tahap preprocessing untuk menghilangkan noise kemudian sinyal diproses dengan peak detection dan ekstraksi fitur. Data tersebut kemudian akan dikumpulkan untuk dilatih pada machine learning untuk mendapatkan model yang mampu memprediksi nilai parameter fisiologis, yaitu tekanan darah. Model terbaik yang didapatkan, yaitu model dengan dataset 6 subjek dengan jumlah baris hasil ekstraksi 4 fitur sinyal PPG berjumlah 20 baris dengan perbandingan data training dan data validation sebesar 90:10 tanpa regularization dengan algoritma XGBoost dengan evaluasi performa sebesar 0,49/0,59 untuk koefisien determinasi dan nilai error sebesar 4,53/4,57 digunakan pada Graphical User Interface (GUI) yang berbasis web sehingga model dapat terintegrasi dengan sistem yang kemudian mampu diimplementasikan secara langsung oleh user.
Hipertensi merupakan salah satu faktor risiko dari kardiovaskular yang mematikan yang dikenal sebagai “the silent killer” dikarenakan hipertensi tidak menunjukkan gejala apapun dan tidak memiliki keluhan namun hipertensi mampu menyebabkan penyakitpenyakit lain atau komplikasi seperti kerusakan pada organ. Pengukuran parameterparameter fisiologis seperti tekanan darah adalah hal yang vital dalam menunjang pendeteksian dan analisis dari penyakit kardiovaskular. Namun, hingga saat ini beberapa metode-metode pengukuran yang tersedia saat ini membutuhkan instrumen yang canggih dan dibutuhkannya tenaga kesehatan dengan keahlian khusus untuk mengoperasikan instrumen tersebut. Selain itu, penggunaan cuff pada alat sphygmomanometer sangat tidak nyaman untuk digunakan apabila diperlukannya pengukuran tekanan darah secara kontinu serta pengoperasian instrumen membutuhkan kontak fisik sehingga meningkatkan kemungkinan terpaparnya COVID-19. Oleh karena itu, dibutuhkannya metode pengukuran darah tanpa cuff, mampu mengukur tekanan darah secara kontinu, dan mampu mengukur tekanan darah dengan akurat yang mampu dioperasikan dengan mudah. Penelitian ini bertujuan untuk membuat desain rancangan prototipe alat pengukur tekanan darah dengan menggunakan sensor MAX30102 dan ESP32 secara wireless melalui sinyal photoplethysmograph dengan pengolahan sinyal PPG berbasis pada ekstraksi fitur dan machine learning. Sistem pengukuran menggunakan sensor PPG dan microcontroller untuk mendapatkan sinyal PPG dari subjek yang kemudian sinyal melalui tahap preprocessing untuk menghilangkan noise kemudian sinyal diproses dengan peak detection dan ekstraksi fitur. Data tersebut kemudian akan dikumpulkan untuk dilatih pada machine learning untuk mendapatkan model yang mampu memprediksi nilai parameter fisiologis, yaitu tekanan darah. Model terbaik yang didapatkan, yaitu model dengan dataset 6 subjek dengan jumlah baris hasil ekstraksi 4 fitur sinyal PPG berjumlah 20 baris dengan perbandingan data training dan data validation sebesar 90:10 tanpa regularization dengan algoritma XGBoost dengan evaluasi performa sebesar 0,49/0,59 untuk koefisien determinasi dan nilai error sebesar 4,53/4,57 digunakan pada Graphical User Interface (GUI) yang berbasis web sehingga model dapat terintegrasi dengan sistem yang kemudian mampu diimplementasikan secara langsung oleh user."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Nagisa Eremia Anju
Algoritma Pengolahan Sinyal Photoplethysmography (PPG) Berbasis Ekstraksi Fitur dan Machine Learning untuk Sistem Pengukuran Tekanan Darah Noninvasif = Photoplethysmography (PPG) Signal Processing Algorithm Based on Feature Extraction and Machine Learning for Noninvasive Blood Pressure Measurement System
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Baihaqi Hamiz
Rancang Bangun Sistem Embedded Pengukuran Konsentrasi Hemoglobin Noninvasif deng = Design and Development of an Embedded System for Non Invasive Hemoglobin Concentration Measurement Using Machine Learning Method Based on Nvidia Jetson Nano
"Hemoglobin adalah komponen darah yang penting untuk mengikat oksigen di paru paru dan mendistribusikannya ke seluruh tubuh. Metode invasif tidak memungkinkan pengukuran real-time dalam situasi darurat. Pengembangan metode noninvasif untuk pemeriksaan hemoglobin menghadapi tantangan dalam hal akurasi, ketepatan, dan keringkasan alat. Pada penelitian menggunakan sensor MAX30102 sebagai pembaca gelombang merah dan inframerah, OLED sebagai alat yang menampilkan hasil prediksi, dan Nvidia Jetson Nano sebagai processor. Alat juga dilengkapi dengan pembacaan detak jantung, SpO2, dan dua tombol untuk mengulang pembacaan dan mematikan alat. Pelatihan model dilakukan menggunakan dataset yang diperoleh dari riset sebelumnya, "Pengembangan Instrumentasi Pengukur Konsentrasi Hemoglobin Non-Invasif Berbasis Photoplethysmography dan Machine Learning" oleh Ester Vinia (2023). Setelah melakukan pelatihan pada lima jenis model (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, dan Random Forest), didapatkan model dengan metode Dense Neural Network memiliki akurasi R2 sebesar 96%, loss MAE sebesar 0,2 dan MSE sebesar 0,11, metode Decision Tree memiliki akurasi R2 sebesar 90%, loss MAE sebesar 0,27 dan MSE sebesar 0,3, metode Support Vector memiliki akurasi R2 sebesar 17%, loss MAE sebesar 1,2 dan MSE sebesar 2,61, metode Gradient Boosting memiliki akurasi R2 sebesar 89%, loss MAE sebesar 0,43 dan MSE sebesar 0,3, dan metode Random Forest memiliki akurasi R2 sebesar 99%, loss MAE sebesar 0,05 dan MSE sebesar 0,02. Prototipe alat kemudian dibuat menggunakan pembelajaran mesin bermodel Random Forest Regressor. Model kemudian ditanam di Nvidia Jetson Nano sehingga alat dapat dioperasikan dengan efisien dan cepat. Pada pengujian alat, didapatkan nilai akurasi sebesar 93,27%.
Hemoglobin is a vital blood component responsible for binding oxygen in the lungs and distributing it throughout the body. Invasive methods do not allow real-time measurement in emergency situations. Developing noninvasive methods for hemoglobin examination faces challenges in accuracy, precision, and device compactness. In this research, a MAX30102 sensor was used for reading red and infrared waves, an OLED for displaying prediction results, and an Nvidia Jetson Nano as the processor. The device also includes heart rate and SpO2 readings, and two buttons for repeating readings and turning off the device. The model was trained using a dataset obtained from previous research, "Development of Non Invasive Hemoglobin Concentration Measurement Instrumentation Based on Photoplethysmography and Machine Learning" by Ester Vinia (2023). After training on five types of models (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, and Random Forest), the Dense Neural Network model achieved an R2 accuracy of 96%, MAE loss of 0.2, and MSE loss of 0.11; the Decision Tree method achieved an R2 accuracy of 90%, MAE loss of 0.27, and MSE loss of 0.3; the Support Vector method achieved an R2 accuracy of 17%, MAE loss of 1.2, and MSE loss of 2.61; the Gradient Boosting method achieved an R2 accuracy of 89%, MAE loss of 0.43, and MSE loss of 0.3; and the Random Forest method achieved an R2 accuracy of 99%, MAE loss of 0.05, and MSE loss of 0.02. The device prototype was then developed using the Random Forest Regressor model. The model was embedded in the Nvidia Jetson Nano, allowing the device to operate efficiently and quickly. During testing, the device achieved an accuracy of 93.27%."
Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Dokumentasi  Universitas Indonesia Library
cover
Bintang Annisa Bagustari
Model Antarmuka Adaptif Terintegrasi untuk Sistem Pembelajaran Daring yang Dipersonalisasi = An Integrated Model of Adaptive User Interface for Personalized E-Learning Systems
"Pendekatan adaptif pada riset antarmuka pengguna semakin berkembang dengan personalisasi. Adaptive user interface (AUI) menjadi salah satu bentuk personalisasi yang memberikan perubahan pada suatu sistem untuk bisa memenuhi kebutuhan pengguna, termasuk pada sistem pembelajaran daring (e-Learning). Dari segi faktor manusia, adaptasi ini masih bersifat universal dalam kaitannya dengan interaksi siswa. Riset ini memodelkan integrasi dari komponen AUI dengan prinsip desain dalam sistem pembelajaran daring yang dipersonalisasi. Dengan melakukan pendekatan metode campuran, baik data kuantitatif dan kualitatif terlibat dalam penelitian ini. Evaluasi dari penelitian dilakukan secara time-series, dengan teknik uji pre-test dan post-test. Untuk mengimplementasikan adaptivitas dalam model awal, sistem pembelajaran daring dibentuk melalui sebuah analisis komprehensif. Evaluasi pertama adalah untuk menguji model awal dengan metode kualitatif dengan mengombinasikan wawancara kontekstual dengan uji usabilitas, dan metode kuantitatif dengan System Usability Score (SUS) dan kuisioner AUI. Partisipan penelitian melibatkan 76 mahasiswa dari rumpun ilmu eksakta dan humaniora. Pada iterasi pertama, pengembangan sistem fokus pada pengelolaan komponen AUI sesuai dengan gaya belajar siswa. Terdapat lima aspek AUI yang menjadi perhatian, yaitu konten pembelajaran, desain visual, navigasi, petunjuk, dan struktur. Nilai SUS pada model awal yaitu 66.14 (di bawah rerata ideal) dan model final bernilai 71.27 (di atas rerata).
Adaptive approaches in the art of user interface research has been developing to create a personalization to users. Adaptive user interface (AUI) drives to have some changes on the system appearance to meet individual needs, including in e-Learning. On the importance of human factors, this adaptation still missed to consider universal aspect in which the students tend to interact. This research proposed to create a model with the integration of AUI components with the design principles in personalized e-Learning systems. This research used a mixed method approach in collecting both quantitative and qualitative data. Using the time-series approach, the evaluation of this study are generated through the pre-test and post-test technique. The comprehensive analysis regarding the adoption of adaptivity is managed to form the preliminary model of personalized e-Learning. In the preliminary model, the first evaluation is analyzed by using both qualitative and quantitative method. This research uses the combination of contextual interview and usability test to analyze the qualitative data, while the approach of quantitative is also analyzed using the Usability Scale (SUS) score and the questionnaire of the proposed integrated AUI model. By the diversity of study program STEM (Science, Technology, Engineering and Math) in higher education, there are 76 students involved in this study. During the first iteration, the development of the system focuses on managing the AUI components that are in line with the user’s learning style. There are five AUI aspects as an interface consideration during this development; learning contents, visual design, navigation, guidance, and structure. The SUS score in this preliminary model is 66.14 (below average) while the post model valued 71.27 (above average)."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Ester Vinia
Pengembangan Alat Ukur Konsentrasi Hemoglobin Non-Invasif Menggunakan Photoplethysmography dan Berbasis Machine Learning = Development of a Non-Invasive Hemoglobin Concentration Measurement Device Based on Photoplethysmography and Machine Learning
"Pemeriksaan hemoglobin umum dilakukan secara invasif menggunakan berbagai metode, seperti automated hematology analyzer dan hemoglobinometer. Akan tetapi metode tersebut memakan waktu, biaya, dan menyakitkan bagi pasien. Pemeriksaan hemoglonin secara invasif juga tidak memungkinkan untuk dilakukan secara real-time dalam situasi mendesak. Akurasi dan ketepatan pembacaan menjadi tantangan dalam pengembangan sistem pengukur konsentrasi hemoglobin non-invasif. Pada penelitian ini dilakukan pengembangan dua desain sistem pengukur hemoglobin non-invasif (desain prototipe A dan desain prototipe B) menggunakan prinsip photoplethysmography (PPG) menggunakan sensor MAX30102 dan Arduino Uno sebagai mikrokontroler. Pengembangan prototipe dibuat berbasis machine learning dengan menggunakan model Dense Neural Network (DNN) dan menunjukkan akurasi paling maksimal menggunakan MSE loss function sebesar 92,31% untuk desain prototipe A dan 94,70% untuk desain prototipe B. Didapatkan juga hasil pengukuran reliabilitas alat ukur untuk desain prototipe A dan B masing-masing sebesar 84,9% dan 97,3%. Meski sudah memiliki tingkat akurasi yang cukup baik, penelitian ini masih perlu dikembangkan dari segi pemilihan alat referensi pemeriksaan Hb invasif, pengambilan dan pengolahan data yang lebih bervariasi mencakup usia, warna kulit, dan penyakit yang sedang dialami.
Hemoglobin examination is commonly conducted invasively using various methods such as automated hematology analyzers and hemoglobinometers. However, these methods are time-consuming, costly, and painful for patients. Invasive hemoglobin examinations also do not allow real-time measurements in urgent situations. Accuracy and precision of readings pose challenges in the development of non-invasive hemoglobin concentration measurement systems. In this study, the development of two designs of non-invasive hemoglobin measurement systems (prototype design A and prototype design B) using photoplethysmography (PPG) principle with MAX30102 sensor and Arduino Uno as the microcontroller was conducted. Prototype development was based on machine learning using a Dense Neural Network (DNN) model and achieved maximum accuracy using MSE loss function of 92,31% for prototype design A and 94,7% for prototype design B. The measurement reliability of the measurement device was also obtained, with 84,9% for prototype design A and 97,3% for prototype design B, respectively. Although the study already achieved a relatively good level of accuracy, further development is still needed in terms of selecting invasive Hb examination reference devices, obtaining and processing more diverse data including age, skin color, and existing diseases."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ernia Susana
Teknik Ekstraksi Fitur Sinyal Photoplethysmography untuk Klasifikasi Non-Invasif Kadar Glukosa Darah Menggunakan Analisis Frekuensi-Waktu dengan Bidirectional Long Short Term Memory = Feature Extraction Technique of Photoplethysmography Signals for Non-Invasive Classification Blood Glucose Level Using Time-Frequency Analysis with Bidirectional Long-Short-Term Memory
"Photoplethysmography (PPG) merupakan sinyal penting yang mengandung banyak informasi fisiologis tentang kesehatan jantung dan dapat digunakan untuk mengklasifikasikan kadar glukosa darah non-invasif (BGL). Meskipun demikian, distorsi kebisingan dan gerakan dapat dengan mudah mengkontaminasi sinyal PPG, sehingga berpotensi menghasilkan data berkualitas rendah. Masalah tambahan muncul dari fakta bahwa sifat gelombang PPG bervariasi karena variasi elastisitas dinding pembuluh darah dan kekentalan darah, yang dapat mengakibatkan ketidakakuratan pengukuran. Meskipun beberapa metode tersedia untuk meningkatkan kualitas sinyal PPG, algoritmanya rumit dan tidak selalu menghasilkan akurasi yang tinggi. Kami telah mengembangkan teknik ekstraksi fitur menggunakan analisis frekuensi waktu (TFA) yang menyediakan spektogram, frekuensi sesaat, dan entropi spektral yang dapat menjamin kualitas sinyal. Penelitian kami menggunakan memori jangka pendek jangka panjang dua arah (BLSTM) berdasarkan kebutuhan akan model yang secara berkala dapat beradaptasi dengan perubahan karakteristik PPG. Kami mengusulkan menggabungkan TFA dengan model BLSTM yang dapat mengurangi waktu pelatihan sekaligus meningkatkan akurasi. Metode yang kami usulkan mengurangi titik data pada sinyal PPG dari awal 2100 menjadi hanya 64, secara signifikan mengurangi waktu pelatihan dari 239 menit 34 detik menjadi 4 menit 4 detik. Model memiliki akurasi 94,1%, sensitivitas 100%, spesifisitas 89,5%, dan skor F1 94,5%. Metode yang kami usulkan mencapai akurasi tinggi dan janji luar biasa dengan hanya mengandalkan data PPG mentah dalam klasifikasi BGL.
Photoplethysmography (PPG) is an important signal that contains much physiological information about cardiovascular health and can be used to classify non-invasive blood glucose levels (BGL). Nonetheless, noise and motion distortions can readily contaminate PPG signals, potentially resulting in low-quality data. An additional issue arises from the fact that the PPG wave properties vary due to variations in the elasticity of the blood vessel wall and blood viscosity, which can result in measurement inaccuracies. While several methods are available to improve the quality of PPG signals, the algorithms are complex and do not always produce high accuracy. We have developed a feature extraction technique using time-frequency analysis (TFA) that provides spectrograms, instantaneous frequencies, and spectral entropies that can guarantee signal quality. Our study uses bidirectional long-short-term memory (BLSTM) based on the need for a model that can periodically adapt to changes in PPG characteristics. We propose combining TFA with a BLSTM model that can reduce training time while increasing accuracy. Our proposed method reduced the data points on the PPG signal from the initial 2100 to only 64, significantly reducing the training time from 239 min 34 sec to 4 min 4 sec. The model had an accuracy of 94.1%, sensitivity of 100%, specificity of 89.5%, and F1 score of 94.5%. Our proposed method achieves a high accuracy and excellent promise by relying solely on raw PPG data in BGL classification."
Depok: Fakultas Teknik Universitas Indonesia, 2024
D-pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Afdhal Kurniawan
Perancangan Dan Implementasi Alat Pemantauan Tekanan Darah Otomatis Dengan Menggunakan Sensor MPX5050DP Untuk Pasien Rawat Inap = Design and Implementation of Automatic Blood Pressure Monitoring Devices Using MPX5050DP Sensors for Inpatients
"Perancangan dan implementasi alat pemantauan tekanan darah otomatis atau biasa disebut tensimeter merupakan alat yang sangat familiar dalam layanan kesehatan dan menjadi parameter awal bagi seorang dokter dalam melakukan sebuah diagnosa penyakit terhadap pasiennya. Dengan adanya alat yang penulis buat maka dapat mempermudah dalam melakukan pemantauan serta diagnosa terhadap pasien. Terutama pasien yang berada dalam ruang ICU, ICCU, PICU dan NICU. Alat pengukur tekanan darah ini dapat bekerja secara otomatis dan terjadwal untuk mengukur sistol dan diastol. Setelah itu pada setiap pengambilan data tekanan darah maka akan tersimpan dalam sebuah database yang dapat diamati perubahannya. Dari hasil perbandingan nilai sistol dan diastol yang didapat oleh alat ini yang dibandingkan dengan tensimeter digital yang beredar dipasaran dalam hal ini menggunakan Omron hem-7130 diperoleh persentase deviasi yang tidak lebih dari 8%. Hal tersebut menunjukkan bahwa alat ini dapat diandalkan.
Design and implementation of automatic blood pressure monitoring devices or commonly called tensimeter is a tool that is very familiar in health care and is an initial parameter for doctors to diagnose their patients. This tool is made to diagnosis of patients specifically for patients in the ICU, ICCU, PICU and NICU rooms. Blood pressure gauges can work automatically and scheduled for systole and diastole. After that, any data obtained will be stored in a database and it can be observed. Results of the systole and diastole values obtained by this tool which are compared with the digital Omron hem-7130, the percentage of error is not more than 8%. this proves that this tool is reliable."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hendrana Tjahjadi
Peningkatan efisiensi dan akurasi klasifikasi tekanan darah non-invasive menggunakan metode photoplethysmograpys pulse wave analysis berbasis deep learnings bidirectional long short term memory dan time frequency analysis = Effiency and accuracy improvement of non invasive blood pressure classification of blood pressure based on photoplethysmographs signals using deep learnings bidirectional long short-term memory and time-frequency analysis / Hendrana Tjahjadi
"ABSTRAK

Pada saat ini metode pengukuran tekanan darah secara non-invasive paling banyak digunakan baik didalam maupun diluar fasilitas kesehatan. Namun metode tersebut masih membuat pengguna tidak nyaman karena adanya tekanan manset pada saat pengukurannya. Beberapa metode non-invasive tanpa manset telah dikembangkan salah satunya adalah metode pulse wave analysis (PWA). Photoplethysmograpy (PPG) merupakan satu-satunya masukan dan dasar bagi perhitungan pengukuran tekanan darah pada metode PWA. Tantangan utama dalam menggunakan metode PWA berbasis PPG adalah akurasinya sangat dipengaruhi oleh noise. Selain itu, karakteristik PPG bervariasi tergantung pada kondisi fisiologis, karenanya sistem harus melakukan kalibrasi untuk menyesuaikan perubahan tersebut. Kami berupaya mengatasi keterbatasan tersebut dan mengusulkan pengembangan metode pulse wave analysis untuk klasifikasi tekanan darah secara non-invasive berbasis PPG menggunakan kombinasi algoritma Bidirectional Long Term Memory (BSLTM) dengan Time Frequency Analysis (TFA). Kami menggunakan 121 subyek untuk pengujian model yang bersumber dari figshare database dan mengklasifikasikannya ke dalam tiga tingkatan klasifikasi: normotension (NT), prehypertension (PHT), hypertension (HT) sesuai dengan standar klinis Join National Commitee. Pelatihan jaringan BLSTM menggunakan fitur TFA, secara signifikan meningkatkan efisiensi dengan mengurangi waktu pelatihan sekaligus meningkatkan akurasi klasifikasi. Metode yang diusulkan berhasil mengklasifikasikan tekanan darah dengan rata-rata nilai accuracy pada NT, PHT, dan HT masing-masing 92.43%, 94.83%, dan 94.01%. 

ABSTRACT

The blood pressure measurement non-invasive methods that are presently implemented using a cuff cause discomfort, particularly for injured people, overweight people, and infants. Several non-invasive cuff-less methods have been developed, one of which is the pulse wave analysis (PWA) method. Photoplethysography (PPG) is the only input and basis for the calculation of blood pressure measurements in the PWA method.The main challenge in using the PPG method is that its accuracy is greatly influenced by motion artifacts. In addition, the characteristics of PPG vary depending on physiological conditions; hence, the system must be calibrated to adjust for such changes. We attempt to address these limitations and propose a novel method for the classification of BP using a bidirectional long short-term memory (BLSTM) network with time-frequency analysis (TFA) based on PPG signals. We used 121 subjects from the figshare database for model testing and classify into three classification levels: normotension (NT), prehypertension (PHT), and hypertension (HT) according to the Join National Committee. BLSTM network training uses the TFA feature, significantly increasing efficiency by reducing training time while increasing classification accuracy. The proposed method is successful in the classification of BP with accuracy values of NT, PHT, and HT; 92.43%, 94.83%, and 94.01% respectively. 

"
2020
D-Pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Dhonan Lutfi Divanto
Non Invasive Blood Glucose Measurement Using 940nm Infrared Sensor, Artificial Neural Network, and Multiple Regression = Pengukuran Gula Darah Menggunakan Sensor Infrared 940n, Artificial Neural Network, dan Multiple Regression
"Pengukuran kadar gula darah merupakan salah satu kebutuhan utama dalam penanganan diabetes. Namun, moda pengukuran kadar gula darah yang umum saat ini, dilakukan secara invasive atau perlu melukai bagian tubuh manusia untuk mendapat nilai kadar gula darahnya. Terdapat metode pengukuran non invasive tanpa melukai manusia, namun metode ini masih belum dapat diandalkan karena banyaknya factor yang mempengaruhi glukosa tersebut. Penelitian ini mencoba untuk menganalisis akurasi dan performa dari pengukuran gula darah secara non invasive menggunakan sensor infrared pada panjang gelombang 940 nm dengan dibantu oleh Artificial Neural Network dan juga untuk mengevaluasi hubungan komponen dasar dari sinyal analog dari sensor yang bersangkutan terhadap kadar gula darah menggunakan Multiple Regression. Akurasi prediksi gula darah dievaluasi menggunakan Clark Grid Error analysis Dalam analisis ini, 81% dari 97 sampel data berada pada zona yang dapat diterima secara klinis, sedangkan sisanya berada pada zona yang tidak. Hal ini belum mencukupi kebutuhan akurasi 95% yang dapat diterima berdasarkan dari standar ISO 15197, maka hasil daripada penelitian ini masih belum memberikan hasil yang baik. Evaluasi menggunakan multiple regression sendiri menghasilkan hubungan yang tidak signifikan antara komponen dari sinyal analog dengan kadar gula darah dengan nilai R-squared sebesar 0.0174, RMSE 66.9, dan P-value keseluruhan sebesar 0.801.
Measuring blood sugar levels is one of the main needs in managing diabetes. However, the current common method of measuring blood sugar levels is carried out invasively or requires injuring parts of the human body to obtain blood sugar levels. There are non-invasive measurement methods without injuring humans, but this method is still not reliable because of the many factors that influence glucose. This research attempts to analyze the accuracy and performance of non-invasive blood sugar measurements using an infrared sensor at a wavelength of 940 nm assisted by an Artificial Neural Network and also to evaluate the relationship of the basic components of the analog signal from the sensor in question to blood sugar levels using Multiple Regression. The accuracy of blood sugar predictions was evaluated using Clark Grid Error analysis. In this analysis, 81% of the 97 data samples were in the clinically acceptable zone, while the rest were in the zone that was not. This does not meet the acceptable 95% accuracy requirement based on the ISO 15197 standard, thus the results of this research still do not provide relatively good results. Evaluation using multiple regression itself produced an insignificant relationship between the components of the analog signal and blood sugar levels with an R-squared value of 0.0174, RMSE 66.9, and an overall P-value of 0.801."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dicky Priambodo
Rancang bangun modul praktikum sensor tekanan dan aplikasi pada pengukuran debit fluida menggunakan tabung venturi dan orifice plate = Pressure sensor module and application design for fluid flow measurement using venturi tube and orifice plate
"Penelitian ini bertujuan untuk mengetahui hubungan antara tekanan dan kecepatan pada fluida laminer yang terdapat dalam Persamaan Bernoulli serta mendesain dan membuat rancang bangun pengukuran debit fluida menggunakan metode alat tabung venturi dan orifice plate. Penelitian menggunakan data kuantitatif dengan mengambil data berupa pengukuran tekanan yang terjadi pada alat tabung venturi dan orifice plate. Sensor MPXV7002DP digunakan dalam penelitian sebagai alat ukur perbedaan tekanan yang mengeluarkan data analog sehingga harus diolah terlebih dahulu menjadi data tekanan dengan menanamkan fungsi transfer ke dalam Mikrokontroler ATmega8 sebagai media akuisisi data yang diberikan oleh Sensor MPXV7002DP. Data kuantitatif terdiri dari tekanan, debit, dan kecepatan fluida yang berbentuk grafik. Pengolahan dari data tersebut menghasilkan hubungan antara tekanan dan kecepatan yang berupa akar dari ΔP dan nilai massa jenis fluida cair (air) yang digunakan sebesar 1.000,208 kg/m3.
The main purpose of this research is to observe the relation between pressure and velocity of a laminary fluid using Bernoulli?s formula and to design a prototype of flow measurement device using venturi tube and orifice plate. This research is conducted by gathering quantitative data such as pressure within the venturi tube and the orifice plate. The MPXV7002DP sensor which is used to measure the pressure difference has an analog output so it has to be converted into pressure data using a transfer function embedded in the ATmega8 microcontroller. The quantitative data measured are pressure, flow, fluid velocity, and are visualized using graphs. Data processing yields a relationship between pressure and velocity which is the square root of ΔP and the density of the fluid used (water) was 1.000,208 kg/m3."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2015
S62559
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>