Sistem Deteksi Hipertensi Berbasis Luas Sinyal Fotopletismogram Menggunakan K-Nearest Neighbor
DOI:
https://doi.org/10.26418/jp.v11i1.91145Keywords:
Hipertensi, Fotopletismogram, KNN, Machine learningAbstract
Hipertensi atau tekanan darah tinggi merupakan salah satu faktor risiko utama penyakit kardiovaskular yang sering tidak terdeteksi secara dini karena gejalanya yang minim. Pemantauan tekanan darah secara berkala sangat penting untuk pencegahan dan penanganan yang tepat. Dalam penelitian ini, dikembangkan sebuah sistem deteksi hipertensi non-invasif menggunakan sinyal fotopletismogram (PPG), yaitu sinyal optik yang merepresentasikan perubahan volume darah pada jaringan. Salah satu karakteristik penting dari sinyal PPG adalah luas sinyal. Luas sinyal tersebut dapat mencerminkan elastisitas pembuluh darah dan aliran darah yang mana berkaitan dengan kondisi tekanan darah. Oleh karena itu, luas sinyal PPG dimanfaatkan sebagai fitur utama dalam mendeteksi hipertensi. Untuk mengklasifikasikan kondisi hipertensi berdasarkan fitur luas sinyal, digunakan algoritma pembelajaran mesin K-Nearest Neighbor (KNN) yang sederhana namun efektif. Sistem yang dibangun dievaluasi menggunakan dua skenario pengujian berbeda. Hasil menunjukkan bahwa algoritma KNN mampu mendeteksi hipertensi secara akurat, dengan F1-Score sebesar 97,29% pada Trial-A dan 73,28% pada Trial-B. Temuan ini menunjukkan potensi besar sinyal PPG, khususnya fitur luas sinyal, sebagai indikator non-invasif dalam sistem pemantauan kesehatan cerdas yang efisien dan mudah diterapkan pada perangkat wearable.References
L. Calvillo, M. M. Gironacci, L. Crotti, P. L. Meroni, and G. Parati, “Neuroimmune crosstalk in the pathophysiology of hypertension,†Nat. Rev. Cardiol., vol. 16, no. 8, pp. 476–490, 2019, doi: 10.1038/s41569-019-0178-1.
I. S. Kardi, R. S. Widayati, and W. Wahyuni, “Pengendalian Tekanan Darah Tinggi Masyarakat Rw 12 Jebres Melalui Senam Aerobik,†GEMASSIKA J. Pengabdi. Kpd. Masy., vol. 3, no. 1, p. 46, 2019, doi: 10.30787/gemassika.v3i1.379.
Y. Liang, Z. Chen, R. Ward, and M. Elgendi, “Photoplethysmography and deep learning: Enhancing hypertension risk stratification,†Biosensors, vol. 8, no. 4, pp. 1–13, 2018, doi: 10.3390/bios8040101.
Y. Liang, Z. Chen, R. Ward, and M. Elgendi, “Hypertension assessment via ECG and PPG signals: An evaluation using MIMIC database,†Diagnostics, vol. 8, no. 3, pp. 1–10, 2018, doi: 10.3390/diagnostics8030065.
“Hypertension.†https://www.who.int/news-room/fact-sheets/detail/hypertension (accessed Oct. 05, 2023).
R. Wang, W. Jia, Z. H. Mao, R. J. Sclabassi, and M. Sun, “Cuff-free blood pressure estimation using pulse transit time and heart rate,†Int. Conf. Signal Process. Proceedings, ICSP, vol. 2015-Janua, no. October, pp. 115–118, 2014, doi: 10.1109/ICOSP.2014.7014980.
E. Susana, “Pengukuran Tekanan Darah Non-Invasive Tanpa Manset Menggunakan Metode Pulse Transit Time Berbasis Machine Learning Multivariat Regresi,†J. Kesehat., vol. 10, no. 1, p. 61, 2019, doi: 10.26630/jk.v10i1.1085.
Muhammad Nur Fariz and Jamaaluddin, “Design for Monitoring Blood Pressure, Non-Invasive Blood Sugar, Weight, and Body Temperature Based on Internet of Things,†Procedia Eng. Life Sci., vol. 1, no. 1, 2021, doi: 10.21070/pels.v1i1.814.
N. Hasanzadeh, M. M. Ahmadi, and H. Mohammadzade, “Blood Pressure Estimation Using Photoplethysmogram Signal and Its Morphological Features,†IEEE Sens. J., vol. 20, no. 8, pp. 4300–4310, 2020, doi: 10.1109/JSEN.2019.2961411.
G. SlapniÄar, M. LuÅ¡trek, and M. Marinko, “Continuous blood pressure estimation from PPG signal,†Inform., vol. 42, no. 1, pp. 33–42, 2018.
B. C. Casadei, A. Gumiero, G. Tantillo, L. Della Torre, and G. Olmo, “Systolic Blood Pressure Estimation from PPG Signal Using ANN,†Electron., vol. 11, no. 18, pp. 1–11, 2022, doi: 10.3390/electronics11182909.
T. P. Utomo and N. Nuryani, “Photoplethysmogram peaks detection based on moving window integration and threshold for heart rate calculation on android smartphone,†J. Phys. Conf. Ser., vol. 1825, no. 1, 2021, doi: 10.1088/1742-6596/1825/1/012032.
M. F. Akshya, “SISTEM PENGUKURAN DETAK JANTUNG MENGGUNAKAN ARDUINO DAN ANDROID BERBASIS FOTOPLETISMOGRAM,†Universitas Sebelas Maret, 2022.
H. Tjahjadi and K. Ramli, “Noninvasive blood pressure classification based on photoplethysmography using K-nearest neighbors algorithm: A feasibility study,†Inf., vol. 11, no. 2, 2020, doi: 10.3390/info11020093.
N. Nuryani, T. P. Utomo, N. Wiyono, A. D. Sutomo, and S. Ling, “Cuffless Hypertension Detection using Swarm Support Vector Machine Utilizing Photoplethysmogram and Electrocardiogram,†J. Biomed. Phys. Eng., vol. 13, no. 5, pp. 477–488, 2023, doi: 10.31661/jbpe.v0i0.2206-1504.
R. M. R. Clinton and S. Sengkey, “Purwarupa Sistem Daftar Pelanggaran Lalulintas,†J. Tek. Elektro dan Komput. Vol.8, vol. 8, no. 3, pp. 181–192, 2019.
S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,†Semin. Nas. Teknol. Inf. dan Komun., vol. 2016, no. Sentika, pp. 2089–9815, 2016.
R. Alejo, J. M. Sotoca, R. M. Valdovinos, and P. Toribio, “Edited Nearest Neighbor Rule for Improving Neural,†pp. 303–310.
D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,†Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
T. Ahmad and M. N. Aziz, “Data preprocessing and feature selection for machine learning intrusion detection systems,†ICIC Express Lett., vol. 13, no. 2, pp. 93–101, 2019, doi: 10.24507/icicel.13.02.93.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,†J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.
R. G. Whendasmoro and J. Joseph, “Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN,†JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, p. 872, 2022, doi: 10.30865/jurikom.v9i4.4526.
X. Gao and G. Li, “A KNN Model Based on Manhattan Distance to Identify the SNARE Proteins,†IEEE Access, vol. 8, pp. 112922–112931, 2020, doi: 10.1109/ACCESS.2020.3003086.
M. Hardjianto, “Pengembangan Deteksi Jatuh pada Manusia Menggunakan Metode Threshold Berbasis Data Akselerometer pada Smartphone,†J. Edukasi dan Penelit. Inform., vol. 10, no. 1, p. 128, 2024, doi: 10.26418/jp.v10i1.72594.
N. Lestari, Tursina, and E. E. Pratama, “Penerapan Seleksi Fitur Particle Swarm,†Penerapan Sel. Fitur Part. Swarm Optim. pada Klasifikasi Teks (Studi Kasus Komentar Cyberbullying Instagram)," J. Edukasi dan Penelit. Inform., vol. 9, no. 2, pp. 323–330, 2023.
