Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Pengolahan sinyal fisiologis, seperti Photoplethysmography (PPG), memerlukan penguatan dan filter dalam rentang 0,4 hingga 5 Hz. Derau dapat berasal dari berbagai sumber, termasuk gerakan otot, pernapasan, powerline interference, atau bahkan internal noise dari perangkat itu sendiri. Metodologi penelitian ini menggunakan perbandingan filter analog Butterworth 2nd-order, 4th-order dan 8th-order. Sinyal uji input berasal dari simulator SPO2 tipe MS100 Contect yaitu dengan parameter SPO2 diatur pada 96% 60 Beats Per Minute. Data dari simulator dibaca oleh sensor PPG standar, dan dirubah oleh internal Analog Digital Converter (ADC) pada Nucleo-F429ZI dan data ADC dikirim ke komputer menggunakan protokol UART. Data tersebut disimpan dalam format comma-separated values untuk berikutnya disimulasikan pada model desain filter dengan LTspice (Linear Technology Simulation Program with Integrated Circuit Emphasis). Hasil penelitian menunjukkan Signal-to-Noise-Ratio Butterworth 8th-order yang paling rendah yaitu -0,077 dB sedangkan 4th-Order dan 2nd-Order secara berurutan -0,085 dB dan -0,089 dB

---

The processing of physiological signals, such as Photoplethysmography (PPG), necessitates amplification and filtering within the range of 0,4 to 5 Hz. Noise can stem from various sources, including muscle movements, respiration, interference from electrical grids, or even internal noise from the device itself. The methodology employed in this research utilizes analog Butterworth filters of 2nd-order, 4th-order, and 8th-order for comparison. The input test signal originates from an MS100 Contect SPO2 simulator with SPO2 parameters set at 96% and 60 Beats Per Minute. Data from the simulator is acquired by a standard PPG sensor and converted by the internal Analog-Digital Converter (ADC) on the Nucleo-F429ZI. The ADC data is then transmitted to the computer using UART protocol. The data is stored in comma-separated values format for subsequent simulation in the filter design model using LTspice (Linear Technology Simulation Program with Integrated Circuit Emphasis).The research results indicate that the Signal-to-Noise Ratio of Butterworth 8th-order is the lowest at -0.077 dB, while the 4th Order and 2nd Order have values of -0.085 dB and -0.089 dB, respectively."

"Dalam rangka pengembangan SDM yang berkualitas dan pemanfaatan SDA secara efisien serta melakukan aktivitas tanpa mencemari lingkungan diperlukan pendidikan dan latihan. Lembaga Dildat yang mengelola untuk menatar guru-guru SMK adalah Pusat Pengembangan Penataran Guru (PPPG). PPPG Lingkup Dikdasmen terdiri dari 12 PPPG yaitu ada 6 PPPG lingkup kejuruan dan 6 PPPG lingkup non-kejuruan. PPPG Lingkup kejuruan mencakup PPPG Teknologi di Malang, Bandung, Medan. PPPG Kesenian di Yogyakarta, PPPG Pertanian di Cianjur, PPPG Kejuruan di Jakarta. PPPG Lingkup Kejuruan berpotensi menimbulkan dampak terhadap lingkungan khususnya dalam instalasi pada kegiatan praktek sehingga menarik untuk diteliti baik aspek limbah dan gas buang yang dihasilkan maupun aspek sosial, yakni aspek pengetahuan, sikap, ketrampilan widyaiswara terhadap lingkungan.Berdasarkan hasil Monitoring dan Evaluasi (ME) Dit. Dikmenjur bersama Pusat Pengembangan Penataran Guru (PPPG) lingkup kejuruan selama tahun 1997 sampai tahun 2001 terhadap implementasi PLH pada SMK menunjukkan belum optimal, artinya bahwa hasil pelatihan PLH di P PPG belum menghasilkan guru yang berkualitas sehingga perlu ditindaklanjuti melalui pengkajian ilmiah lewat suatu penelitian.Penelitian ini bertujuan :(a) Untuk mengetahui peran PPPG Teknologi Malang.(b) Untuk mengetahui pelaksanaan PLH yang dimulai dan kebijakan,perencanaan, pelaksanaan, evaluasi, sampai perbaikan tindak lanjut.(c) Untuk mengetahui pengetahuan, sikap dan perilaku serta penanganan limbah setelah memperoleh PLH di PPPG Asumsi Penelitian ini: (a) Peran PPPG Teknologi Malang dan Bandung belum optimal, (b) Penerapan pengelolaan dan cara/pola pelaksanaan program PLH di PPPG Teknologi belum optimal, (c) Pengetahuan, sikap dan ketrampilan widyaiswara setelah memperoleh PLH belum optimal.Penelitian ini menggunakan metode penelitian deskriptif dengan pendekatan penelitian kualitatif. Menurut sifat dasar penelitian ini menggunakan metode survei, hal ini dilakukan karena data yang dikumpulkan relatif terbatas dari jumlah kasus yang relatif besar jumlahnya. Populasi dalam penelitian ini adalah PPPG Teknologi Malang dengan jumlah widyaiswara 40 orang, pengelola PPPG (Struktural} 5 orang, pelaksana 9 orang (middle) dan PPPGT Bandung dengan jumlah widyaiswara 40 orang (low), pengelola 9 orang (top) dan pelaksana 9 orang (middle). Kedua PPPG Teknologi tersebut mempunyai karakter yang sama, terutama bidang/program keahlian dan karakter asli lingkungan widyaiswara. Sedangkan penentuan sampel orang (widyaiswara dan pengelola PPPG Teknologi) yang akan dijadikan responden dalam penelitian ini dilakukan secara stratified random sampling (acak bertingkat sederhana). Penerapan ISO-14001- SML digunakan sebagai standard ukuran dalam manajemen lingkungan.Hasil penelitian yang diperoleh adalah sebagai berikut :1. Peran PPPGT dalam pelaksanaan PLH: (a) Mengajarkan materi lingkungan hidup pada setiap program penataran di PPPGT Malang sebanyak 13 jenis pelatihan dengan 9 materi sedangkan di PPPGT Bandung sebanyak 12 jenis pelatihan dengan 6 materi, (b) Mengembangkan bahan ajar kejuruan yang terintegrasi dengan materi PLH di PPPGT Malang sebanyak 5 judul sedangkan di PPPGT Bandung 3 judul, (c) Membantu mengembangkan alat Bantu mengajar PLH di PPPGT Malang sebanyak 6 jenis sedangkan PPPGT Bandung 8 jenis, (d) Pelaksanaan monitoring dan evaluasi PLH pada SMK sebesar 22,22%, dan tidak ada pelaksanan monitoring dan evaluasi sebesar 77,78% baik di PPPGT Malang maupun di PPPGT Bandung, (e) Ada kerjasama dengan institusi terkait 77,78% dan tidak ada kerjasama 22,28% di PPPGT Malang sedangkan di PPPGT Bandung ada keijasama (88,11%) dan tidak ada kerjasama (11,11%), (f) Menyusun laporan caturwulan tentang pelaksanaan PLH di PPPGT Malang seperti laporan dibuat dan dilaporkan ke atasan sebesar 20%, dibuat dan tidak dilaporkan ke atasan sebesar 60%, tidak dibuat dan dilaporkan ke atasan sebesar 20%, sedangkan di PPPGT Bandung laporan dibuat dan dilaporkan ke atasan sebesar 33%, dibuat dan tidak dilaporkan ke atasan sebesar 44%, tidak dibuat dan dilaporkan ke atasan sebesar 22%.2. Pengelola PPPGT dalam Pelaksanaan PLH: (a) Kebijakan PLH dalam bentuk tertulis dan dikomunikasikan PPPGT Bandung 67,35 % dan PPPGT Malang 46,66%, (b) Penyusunan Program PPPGT Malang 88,89% dan PPPGT Bandung 79,31%, (c) Pelaksanaan dan Operasional terdiri dari: (1) Struktur dan tanggung jawab untuk melaksanakan PLH di PPPGT Bandung 66,67% dan PPPGT Malang 55,56%, (2) Memperoleh DIKLAT PPPGT Malang 91,84% dan PPPGT Bandung 32,65%, (3) Komunikasi dalam pelaksanaan PLH di PPPGT Bandung 55,56% dan PPPGT Malang 44,44%, (4) Dokumentasi di PPPGT Malang 64,29% dan PPPGT Bandung 33,33%, (5) Bentuk pelaksanaan PLH di PPPGT Malang menunjukkan pada ke empat point diatas secara keseluruhan sebesar 73,33% dan PPPGT Bandung 62,07%, (d) Dampak PLH pada unit Bengkel sebesar 70% di PPPGT Bandung dan Malang sebesar 58,33%, (e) Membuat kebijakan Baru sebesar 100% di PPPGT Malang dan 71,43% di PPPGT Bandung.3. Kinerja PPPGT dalam Pelaksanaan PLH: (a) Ada perubahan dalam melaksanakan hemat energi di PPPGT Bandung diungkapkan responden sebesar 6,12% sedangkan di PPPGT Malang 0%, (b) Usaha dan Upaya Penerapan Limbah Cair 87,50% di PPPGT Malang dan 50% di PPPGT Bandung, (c) Usaha dan Upaya Penerapan Pengelolaan Sampah 40% di PPPGT Malang dan 32,50% di PPPGT Bandung, (d) Kondisi setelah melaksanakan PLH 28,57 % di PPPGT Malang dan 20,41% di PPPGT Bandung, (e) Bentuk Kegiatan yang menunjang kegiatan pasca swiss contac Fungsi Institusi (Diklat) 60% di PPPGT Malang dan 40% di PPPGT Bandung.Kesimpulan dari penelitian ini adalah: (a) Pelaksanaan peran PPPG Teknologi Malang dan Bandung dalam melaksanakan pendidikan lingkungan hidup belum optimal, hal ini dibuktikan bahwa enam peran tersebut, ada 3 peran yang kurang dilaksanakan, (b) Pengelolaan PLH di kedua PPPGT dalam melaksanakan PLH belum optimal baik kebijakan, perencanaan, pelaksanaan dan operasional, pemeriksaan dan tindakan perbaikan, tindakan manajemen, (c) kinerja PLH belum optimal baik penerapan hemat energi, penanganan limbah cab, padat kondisi PPPGT dalam melaksanakan PLH, kondisi PPPGT Pasca swisscontac.

---

Training and education are needed to develop the quality of human resources, to utilize natural resources efficiently, and to do activities without polluting the living environment. The institution that educates and trains senior high school teachers is the Center for Development of Vocational Teachers Training. The Directorate General of Primary and Secondary Education of Ministry of Education has 12 units of PPPG, which are divided into six vocational PPPGs and other six non-vocational PPPGs. There are three vocational PPPGs, which ones are the Technology PPPGs in Malang, Bandung and Medan. The other three are Art PPPG in Yogyakarta, Agriculture PPPG in Cianjur, and Skill Training PPPG in Jakarta. Activities held at PPPGs have the potential to pollute the environment, especially when they do practices. It is interesting to study this potential and the social aspect of the school environment, such as knowledge, attitude, and skills of trainers regarding the environment.

Monitoring and evaluation done by Directorate of Secondary and Vocational Education and Education in Center for Development of Vocational Teachers Training in 1997-2001 show that environmental education for Vocational Senior Secondary School has not been optimum. This means that the trainings in PPPGs have not produced qualified teachers, so that it needs further in depth-study.

This research aims to:

(a) know the role of Technological PPPG in Malang.

(b) Know the PLH execution started from policy, planning, implementation, evaluation and action plan for improvement

(c) know knowledge, behavior and attitude and also the management of disposal after obtaining PLH in PPPG.

These research assumptions are as follow: (a) the role of Technological PPPG in Malang and Bandung is not yet optimal, (b) Applying of management and way of PLH program implementation pattern in PPPGT is not yet optimal, (c) Knowledge, attitude and skill of trainees obtaining PLH are not yet optimal.

This research uses descriptive research method with qualitative approach.. According to its nature, this research uses survey method, because it is conducted under limited data. In that can be collected in a relatively considerable amount of cases. Population in this research is Technological PPPGT in Malang which has 40 trainers (Widyaiswara), 5 PPPGT organizers, 9 executors and PPPGT Bandung which has 40 trainers, 9 PPPGT organizers, 9 executors. Both of the Technological PPPG have the same characters, especially in area/membership program and original characters of widyaiswaras determination of people sample (PPPGT organizer and widyaiswara) to be the respondents in this research is conducted by stratified random sampling (high rise random modestly). ISO-14001- SML applicantion is used as it is a standard measurement in environmental management.

The Results of the research are as the follow:

1. The role of PPPGT in PLH implementation : (a) Teaching environment items in each upgrading program in PPPGT Malang 13 training types by 9 items while in PPPGT Bandung counted 12 training types by 6 items, (b) Develop vocational teaching materials which integrated with PLH items in PPPGT Malang counted 5 titles while in PPPGT Bandung 3 titles, (c) Assist to develop tools to teach PLH in PPPGT Malang counted 6 types while PPPGT Bandung 8 types, (d) evaluation and monitoring PLH at SMK equal to 22,22%, and there are no monitoring and evaluation equal to 77,78% either in PPPGT Malang and also in PPPGT Bandung, (e) There is cooperation with related/relevant institution 77,78% and there no cooperation 22,28% in PPPGT Malang while in PPPGT Bandung there is cooperation (8 8,11%) and there no cooperation (11,11 %), (f) Compile report for four months period about PLH implemented in PPPGT Malang like report made and reported to superior equal to 20%, made but not reported to superior equal to 60%, not made and not reported to superior equal to 20%, while in PPPGT Bandung report made and reported to superior equal to 33%, made but not reported to superior equal to 44%, not made but reported to superior equal to 22%.

2. PPPGT Organizers in PLH management: (a) Policy of PLH in the form of written document and communicated by PPPGT Bandung 67,35 % and PPPGT Malang 46,66%, (b) Compilation of PPPGT Malang program 88,89% and PPPGT Bandung 79,31%, (c) Implementation and operation consist of: ( 1) Structure dan responsibility to PLH implementation in PPPGT Bandung 66,67% and PPPGT Malang 55,56%, ( 2) Obtaining PPPGT Malang training 91,84% and PPPGT Bandung 32,65%, ( 3) Communications in PLH implementation in PPPGT Bandung 55,56% and PPPGT Malang 44,44%, (4) Documentation in PPPGT Malang 64,29% and PPPGT Bandung 33,33%, (5) Form of PLH implemented in PPPGT Malang show at four points above the whole, equals to 73,33% and PPPGT Bandung 62.07%, (d) PLH impact on Workshop unit equals, 70% in PPPGT Bandung and Malang equals 58,33%, (e) Make new policy equals 100% in PPPGT Malang and 71,43% in PPPGT Bandung.

3. PPPGT performance in PLH implementation: (a) There is a change in executing to economize energy in PPPGT Bandung laid open by respondents which is equal to 6,12% while in PPPGT Malang 0%, (b) the Effort and Effort Applying of Liquid Waste 87,50% in PPPGT Malang and 50% in PPPGT Bandung, (c) the Effort and Effort Applying of Management of garbage is 40% in PPPGT Malang and 32,50% in PPPGT Bandung, (d) the Condition of after PLH implementation 28,57 % in PPPGT Malang and 20,41% in PPPGT Bandung, (e) Form of Activity which supporting activity of Function Institution post Swisscontact (training) 60% is in PPPGT Malang and 40% in PPPGT Bandung.

The conclusions, of this research are: (a) The role of PPPGT Malang and Bandung in implementing education of environment is not yet optimal, there are 3 not implemented, (b) The management of PLH of both PPPGTs regard PLH implementation not yet optimal whether in policy, planning, operation and implementation, action and evaluation, or management action, (c) PLH performance is not yet optimal whether in applying o f energy, liquid, the management of disposal, is condition of PPPGT in PLH implementation, condition of PPPGT post Swiss contact."

"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

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. 

"

"ABSTRAKJantung coroner merupakan penyakit pembunuh terbanyak kedua di Indonesia dengan angka kematian 12,9 % (Kompas, 2020). Menurut AHA (2010), biaya yang dikeluarkan untuk perawatan jantung adalah sebesar $ 444 milyar. Penelitian ini bertujuan untuk mendesain alat baru sebagai terobosan dalam dunia teknologi kedokteran dengan menggunakan koreksi kesalahan dengan presisi yang tinggi. Metode yang diterapkan untuk memperoleh presisi tinggi pada alat EKG. Desain alat yang dibuat akan dibandingkan dengan menggunakan alat portable N58. Tujuan dari penelitian ini adalah membuat alat dengan biaya yang rendah dan akurasi yang baik. Sampel yang digunakan terdiri atas 9 pria dan 7 wanita dengan rentang usia 18-73 tahun. Sensor seperti AD8232, pulse sensor, dan Max30102 digunakan untuk mendapatkan nilai detak jantung dan saturasi oksigen. Pengukuran sensor EKG diletakkan di dada dan untuk PPG dengan cara menyentuh LED yang mengeluarkan cahaya merah. Perangkat lunak Arduino digunakan untuk menjalankan program dan arduino pro mini sebagai MCU dengan sebuah module sensor EKG terintegrasi dengan FTDI menggunakan PCB. Sensor PPG memakai Arduino Uno dan 2 modul. PCB dihubungkan oleh jumper antara Arduino pin FTDI dan pro mini. Arduino pro mini dan AD8232 terlekat dengan PCB menggunakan female header yang memerlukan penyolderan dengan kawat. Berdasarkan hasil penelitian, didapat koreksi kesalahan 14% oleh N58 dengan akurasi alat EKG ini mencapai 86%.

---

ABSTRACTCoronary heart disease is the second most killer disease in Indonesia with a mortality rate of 12.9% (Kompas, 2020). According to the AHA (2010), the cost needed for heart care is $ 444 billion. This research aims to design a new tool as a breakthrough in the world of medical technology by using error correction with high precision. The method is applied to obtain high precision on ECG devices. The design of the equipment made will be compared using a portable N58 device. The purpose of this research is to make a tool with low cost and good accuracy. The sample used consisted of 9 men and 7 women with an age range of 18-73 years. Sensors such as AD8232, pulse sensor, and Max30102 are used to get the heart rate and oxygen saturation. ECG sensor measurements are placed on the chest and for PPG by touching the LED that emits red light. Arduino software is used to run the program and Arduino Pro Mini as an MCU with an ECG sensor module integrated with FTDI using PCB. PPG sensor uses Arduino Uno and 2 modules. The PCB is connected by a jumper between the Arduino FTDI pin and the mini pro. Arduino pro mini and AD8232 are attached to the PCB using a female header that requires wire soldering. Based on the results of the study, obtained an error correction of 14% by N58 with an accuracy of this ECG tool reaching 86%."

"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."

"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."

"Kapasitor elektrokimia merupakan piranti yang dapat menyimpan energi listrik pada kedua sisi elektrodanya. Pada penelitian ini elektroda kapasitor elektrokimia dibuat dari TiO2 Nanotube (TiO2-NT) dan komposit TiO2-RuO2. TiO2-NT disintesis dengan metode anodisasi logam Ti menggunakan elektrolit NH4F dalam gliserol dan air sedangkan komposit TiO2-RuO2 didapatkan dengan mengendapkan RuO2 pada TiO2-NT melalui metode elektrodeposisi. TiO2-NT dikalsinasi pada suhu 300°C, 400°C dan 500°C, dan dilakukan pengamatan pengaruh perubahan suhu kalsinasi terhadap morfologi, fasa kristal dan besar nilai kapasitansi titania. TiO2-NT dengan kondisi optimum dan nilai kapasitansi tertinggi dibentuk menjadi komposit dengan RuO2. Karakterisasi dilakukan dengan peralatan SEM, XRD, FTIR, dan UV-VIS DRS, sedangkan sifat elektrokimia dan unjuk kerja elektroda diuji dengan metode linier sweep voltametry (LSV), voltametri siklik dan pengisian-pengosongan galvanostatik (PPG). Hasil karakterisasi menunjukkan bahwa kalsinasi tidak mengubah morfologi nanotube, tetapi mempengaruhi ukuran diameter dan ketebalan dinding tube TiO2, ukuran diameter yang relatif seragam, yaitu 50,15 ± 1,30 nm diperoleh pada suhu kalsinasi 400°C. Analisa difraktogram menunjukkan bahwa TiO2-NT hasil sintesis berbentuk amorf, sedangkan kalsinasi pada suhu 400°C dan 500°C menghasilkan kristal anatase TiO2 dengan nilai band gap 3,2eV. TiO2-NT diketahui bersifat aktif dengan menunjukkan respon arus cahaya saat dikenai sinar UV dengan nilai yang meningkat seiring kenaikan suhu kalsinasi. Karakterisasi komposit TiO2-RuO2 menunjukkan kandungan Ru yang relatif kecil (4,8%) dibandingkan massa Ti. RuO2 yang terdeposit berbentuk amorf dan mengandung air. Nilai kapasitansi elektroda kapasitor TiO2-NT dan TiO2-RuO2 dengan metode voltametri siklik didapatkan masing-masing 565,09μF/cm2 dan 979,5μF/cm2, sedangkan nilai kapasitansi dengan uji PPG pada TiO2-NT didapatkan kapasitansi 31,86 μF/cm2 dan TiO2-RuO2 580,36 μF/cm2. Nilai kapasitansi menunjukkan bahwa TiO2-NT dapat digunakan sebagai elektroda kapasitor dan pendukung elektroda kapasitor dalam bentuk komposit TiO2-RuO2.

---

Electrochemical capacitors are energy storage devices which store electrical energy in two series electrodes. In this work, the capacitor electrodes made of TiO2 nanotube and TiO2-RuO2 composite. TiO2-NT were synthesized by anodization method in NH4F electrolyte with glycerol and water. The composite electrode were obtained by electrodeposition of RuO2 from RuCl3 solution on TiO2-NT which has optimum condition and high capacitances. The anodized TiO2-NT was calcined in a range of temperatures between 300°C to 500°C and the influences of temperature to morphology, crystal phase and capacitance values of TiO2-NT were observed. The characterizations were performed by SEM, XRD, FTIR and UV-VIS DRS instruments and the electrochemical behaviour and the electrode performance were conducted with linier sweep voltametry, cyclic voltametry and galvanostatics charge-discharge test. The temperature calcinations didnot change the morphology of TiO2-NT, but influence diameter size and tubes thickness, in which the uniform diameter 50,15 ± 1,30 nm was obtained from 400°C of TiO2-NT. The as anodized TiO2-NT were in amorphous phase, on the other hand, 400°C and 500°C of TiO2-NT were anatase crystal structure with 3.2eV band gap. TiO2-NT showed photocurrent responses with UV light and the values rised as the temperature increased. SEM-EDX showed the composite composition, Ru have smaller mass percentage (4,8%) than Ti. The phase of RuO2 was amorphous and contained water molecules or in hidrates form. TiO2-NT prepared at 400°C yielded the largest capacitances of 565,09μF/cm2 and TiO2-RuO2 composites of 979,5μF/cm2 at a scan rate of 10 mVs-1. GCD test, give the capacitance 31,86 μF/cm2 of TiO2-NT and 580,36 μF/cm2 of TiO2-RuO2 composites. These findings of capacitance could open new opportunities of TiO2-NT materials in constructing high performance capacitors and supporting capacitors in the form of TiO2-RuO2 composite."