Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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 84,90% dan 97,30%. 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 94,70% for prototype design B. The measurement reliability of the measurement device was also obtained, with 84,90% for prototype design A and 97,30% 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.

Abstrak :
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.

Abstrak :
Kursi roda pintar merupakan sebuah kursi roda yang menggunakan berbagai teknologi seperti komputer, sensor, dan teknologi bantuan lainnya yang diimplementasikan pada kursi roda tersebut. Seiring perkembangan teknologi, berbagai sensor bantuan diimplementasikan pada alat-alat yang digunakan dalam kehidupan sehari-hari, salah satunya adalah sensor fisiologi seperti sensor detak jantung dan suhu. Sensor ini sudah banyak diterapkan pada jam tangan digital, sehingga pengguna dapat memeriksa detak jantung per menit secara real-time. Dengan melihat kedua pandangan diatas, penelitian ini difokuskan untuk membuat penerapan sensor detak jantung MAX30102 dan sensor suhu MLX90614 pada kursi roda. Hasil penelitian menunjukkan bahwa sensor detak jantung MAX30102 dapat diterapkan dengan persentase error sebesar 2,69%, serta sensor suhu MLX90614 dengan persentase error sebesar 1,41%. ......A smart wheelchair is a wheelchair that uses various technologies such as computers, sensors, and other assistive technologies that are implemented in the wheelchair. Along with the development of technology, various assistive sensors are implemented in tools used in daily life, one of which is physiological sensors such as heart rate and temperature sensors. This sensor has been widely applied to digital watches, so users can check the heart rate per minute in real-time. By looking at the two views above, this research is focused on making the application of the MAX30102 heart rate sensor and MLX90614 temperature sensor in wheelchairs. The results showed that the MAX30102 heart rate sensor can be applied with an error percentage of 2.69% and the MLX90614 temperature sensor with an error percentage of 1.41%.

Abstrak :
Berdasarkan data eKatalog LKPP tahun 2019-2021, transaksi alat kesehatan di Indonesia masih didominasi produk impor, yakni sebanyak 88%. Patient monitor merupakan salah satu alat medis yang berperan penting untuk membantu dokter mendiagnosa kondisi pasien. Pandemi Covid-19 menciptakan momentum untuk penelitian berbasis health monitoring, terlihat dari banyaknya penelitian di tahun 2020-2023 tentang patient monitor menggunakan STM32, Arduino, dan STM32. Oleh karena itu, penelitian ini mengembangkan modul pemantauan saturasi oksigen dan denyut jantung berbasis mikrokontroler STM32F411CEU6 untuk aplikasi patient monitor. Modul yang dikembangkan menggunakan sensor MAX30102 dengan akurasi pemantauan saturasi oksigen sebesar 98.942%, dan akurasi pemantauan denyut jantung sebesar 80.6855%. ......Based on data from the LKPP eCatalog for the years 2019-2021, the transaction of medical devices in Indonesia is still dominated by imported products, accounting for 88%. On the other hand, patient monitors are essential medical devices that assist doctors in diagnosing patient conditions. Furthermore, the Covid-19 pandemic has created momentum for health monitoring research, evident from numerous studies conducted between 2020 and 2023 on patient monitors powered by STM32, Arduino, and STM32 platforms. Therefore, this research develops an oxygen saturation and heart rate monitoring module based on the STM32F411CEU6 microcontroller for patient monitor applications. The developed module utilizes the MAX30102 sensor with an oxygen saturation monitoring accuracy of 98.942% and a heart rate monitoring accuracy of 80.6855%.

Abstrak :

Penelitian ini bertujuan untuk merancang dan membangun sistem pemantau tanda vital detak jantung, suhu tubuh, dan laju pernapasan pada kursi roda listrik menggunakan sensor MAX30102, DS18B20, dan strain gauge BF350 3AA terhubung dengan platform online Blynk dan mengetahui performa masing-masing sensor dengan referensi alat pengukur detak jantung dengan manset merk 1byOne, termometer digital merk ThermoOne Alpha-2, dan pengukur laju pernapasan secara manual. Pada penelitian ini sistem berhasil dibuat dan dapat menampilkan hasil pemantauan tanda vital detak jantung, suhu tubuh, dan laju pernapasan pada platform online Blynk. Pada uji performa pengukuran didapat error pengukuran detak jantung sebesar 2,586%, suhu tubuh sebesar 0,082%, dan laju pernapasan sebesar 6,285%. Selain itu, juga didapat persamaan kalibrasi dari regresi linear hasil pengukuran tanda vital masing - masing sensor, yaitu: Detak jantung_Kalibrasi = (detak jantung_MAX30102) - 4,72) / 0,94, suhu tubuh_Kalibrasi = (suhu tubuh_DS18B20 - 3,62) / 0,90, dan laju pernapasan_kalibrasi = (laju pernapasan_strain gauge - 2,78) / 0,82.

---

This research aims to design and build a heart rate, body temperature, and respiratory rate monitoring system on an electric wheelchair using MAX30102, DS18B20, and BF350 3AA strain gauge sensors connected to the Blynk online platform and determine performance of each sensors with compared to a 1 by One cuff-based heart rate monitor, ThermoOne Alpha-2 digital thermometer, and manual measurements. In this research the system was successfully developed and evaluates the measurement error of the heart rate as 2.586%, body temperature with an error of 0.082%, and the respiratory rate with an error of 6.285%. Furthermore, equations are obtained for sensor calibration from the linear regression of vital sign measurement from each sensor: Heart rate_callibrated = (heart rate_MAX30102) - 4,72) / 0,94, body temperature_callibrated = (body temperature_DS18B20 - 3,62) / 0,90, and respiratory rate_callibrated = (respiratory rate_strain gauge - 2,78) / 0,82.