Ekstraksi Fitur Sinyal Sensor Photoplethysmography Dalam System Estimasi Tekanan Darah Manusia Dengan Metode Second Derevative Photoplethysmography(APG)

Penelitian ini bertujuan untuk mengekstraksi fitur sinyal Photoplethysmography (PPG) dan membangun model estimasi tekanan darah secara non-invasif menggunakan metode Second Derivative Photoplethysmography (APG). Data diperoleh dari 30 partisipan menggunakan sensor PPG dalam kondisi istirahat, kemudian dilakukan proses pra-pemrosesan berupa filtering untuk mengurangi noise serta perhitungan turunan pertama dan kedua untuk menghasilkan sinyal APG. Dari sinyal tersebut diekstraksi fitur berupa amplitudo puncak a, b, c, d, dan e serta rasio antar puncak (b/a, c/a, d/a, e/a) yang digunakan sebagai variabel dalam pemodelan. Metode pemodelan yang digunakan adalah Multiple Linear Regression (MLR) dan Support Vector Regression (SVR) dengan pembagian data latih dan data uji sebesar 80:20. Hasil penelitian menunjukkan bahwa metode SVR memiliki performa yang lebih baik dibandingkan MLR berdasarkan nilai Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) yang lebih kecil. Namun, nilai koefisien determinasi (R2) yang diperoleh masih bernilai negatif, yang menunjukkan bahwa model belum mampu memodelkan hubungan antara fitur APG dan tekanan darah secara optimal. Oleh karena itu, diperlukan pengembangan lebih lanjut pada kualitas data, jumlah sampel, dan optimasi model untuk meningkatkan akurasi estimasi tekanan darah berbasis sinyal PPG
Kata kunci: APG, ekstraksi fitur, machine learning, Photoplethysmography (PPG), Support Vector Regression (SVR), tekanan darah