Deteksi dan Monitoring Hipertensi Menggunakan Sinyal Photoplethysmography dengan Metode Machine Learning dan Named Data Networking (NDN) untuk Rekam Medis - WRAP Entrepreneurship (Capstone)

THALITA DEWI RAHMANIAR

Informasi Umum

Kode

23.04.6969

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Pengolahan Sinyal Informasi

Dilihat

223 kali

Informasi Lainnya

Abstraksi

Hipertensi menjadi salah satu masalah kesehatan krusial di Indonesia karena merupakan penyebab kematian tertinggi dan diprediksi kasusnya akan meningkat 80% di tahun 2025. Saat ini masih banyak rumah sakit yang melakukan penanganan secara konvensional sehingga masih dianggap kurang efektif dan menimbulkan masalah dalam aspek kesehatan, teknologi, dan keamanan. Permasalahan dari ketiga aspek tersebut dilihat dari pengambilan data pasien yang masih dilihat dalam satu waktu, penyimpanan rekam medis konvensional yang masih terbatas jangka waktunya dan masih banyaknya pencurian data rekam medis pasien.

Berdasarkan permasalahan tersebut, dirancanglah sebuah sistem rekam medis berbasis website untuk deteksi dini serta monitoring hipertensi menggunakan machine learning dan jaringan Named Data Networking (NDN). Dataset yang digunakan dalam pembuatan sistem ini adalah data sekunder yang berisikan 657 sinyal Photoplethysmography dan 219 data informasi pasien yang akan di prediksi nilai SBP dan DBP nya serta diklasifikasikan ke dalam empat kelas, yaitu Normal, pra-hipertensi, hipertensi tingkat 1, hipertensi tingkat 2. Pre-processing menggunakan Moving Avarage untuk denoising, Butterworth Filter untuk filtering, dan Random Over Sampler untuk upsampling dengan machine learning metode convolutional neural network (CNN). Pengembangan website menggunakan HTML dan JavaScript dengan server dan keamanan menggunakan jaringan NDN. Untuk koneksi pada website ke router terdekat menggunakan Web Socket Secure (WSS) untuk menjamin keamanan koneksi. Pada bagian router menggunakan aplikasi forwarding dan pada server menggunakan forwarder dengan python sebagai bahasa pemrograman web server. Setiap sistem tersebut diintegrasikan menjadi satu sehingga menjadi satu kesatuan sistem E-Health yang utuh.

Setelah dilakukan pengujian dan penelitian untuk setiap sistemnya, model arsitektur terbaik menggunakan hyperparameter optimizer Adam, learning rate 0.005, batch 32, dan epochs 500 mendapatkan nilai akurasi yang didapat sebesar 95% dengan hasil pengujian prediksi SBP dan DBP memiliki selisih terkecil 0,019 dan selisih paling besar yaitu sebesar 7.913, serta dari 32 percobaan diagnosa kelas hipertensi terdapat perbedaan sebanyak 3 data dengan data aslinya. Keamanan website memiliki skor A dengan nilai 90-99, rata-rata waktu tunggu sebesar 61ms, dan speed index website 547 ms. Model terbaik machine learning telah terintegrasi dengan website dan server dan didapatkan bahwa sistem telah terimplementasi dengan sangat baik.

Kata Kunci: E-Health, Machine Learning, Photoplethysmography, NDN, Website