Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika
UGI, LYRA VEGA
Unknown Affiliation
Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Status Tekanan Darah memanfaatkan Sinyal Photoplethysmograph berbasis Metode Random Forest SUNARYA, UNANG; UGI, LYRA VEGA
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 12, No 3: Published July 2024
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v12i3.687

Abstract

ABSTRAKBerbagai teknik pengukuran tekanan darah telah banyak dilakukan salah satunya melalui metode tidak langsung (noninvasive) dengan pemasangan sensor-sensor pada bagian tubuh tertentu, kemudian hasilnya dianalisis dengan algoritma kecerdasan buatan. Namun, masih terdapat banyak kendala pada pemilihan algoritma yang tepat untuk mencapai hasil akurasi klasifikasi yang tinggi. Pada penelitian ini dilakukan klasifikasi status tekanan darah dengan menggunakan sinyal photoplethysmograph (PPG) yang pengukurannya dilakukan secara noninvasive dari 219 pasien. Algoritma random forest digunakan untuk mengklasifikasikan status pasien ke dalam empat kelas yaitu normal, prehypertension, stage 1 prehypertension dan stage 2 prehypertension. Untuk perbandingan, dataset juga diklasifikasikan dengan algoritma KNN dan SVM. Hasil menunjukkan bahwa algoritma random forest memberikan kinerja terbaik dengan akurasi sebesar 98,63%, presisi 98,72% dan recall 98.60%.Kata kunci: tekanan darah, CVD, random forest, KNN, SVM ABSTRACTVarious ways for measuring blood pressure have been employed, including noninvasive techniques that include placing senosrs on specific body areas and analyzing the finding using artificial intelligence algorithms. Nevertheless, there are numerous challenges in choosing the appropriate algorithms that yiled high accuracy in classification. In this study, blood pressure status was classified using photoplethysmograph (PPG) signals, which were measured non-invasively from 219 patients. The random forest algorithm was used to classify patient status into four classes, namely normal, prehypertension, prehypertension stage 1 and prehypertension stage 2. For comparison, the dataset was also classified using the KNN and SVM algorithms. The results show that the random forest algorithm provides the best performance with an accuracy of 98.63%, precision of 98.72% and recall of 98.60%, respectively.Keywords: blood pressure, CVD, random forest, KNN, SVM
Analisis Fitur Domain Waktu ECG Heart Rate Variability Berdasarkan Gain Informasi SUNARYA, UNANG; UGI, LYRA VEGA
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.419

Abstract

ABSTRAKSalah satu analisis yang sering digunakan untuk mendeteksi berbagai penyakit yang terkait fungsi jantung adalah dengan menghitung rasio tidur dan terjaganya seseorang saat tidur pada malam hari. Namun dalam praktiknya sering ditemukan kendala baik pada saat akuisisi data ataupun pada saat pemrosesan data untuk menyimpulkan sebuah hasil analisis. Salah satu penyebabnya adalah kurang tepatnya dalam pemilihan fitur ECG untuk proses implementasi. Oleh karena itu, pada penelitian ini dilakukan seleksi fitur ECG pada domain waktu dan klasifikasi kondisi tidur dan terjaga dari 10 subjek berdasarkan fitur Heart Rate Variability (HRV) dengan menggunakan algoritma random forest. Wavelet digunakan untuk mendapatkan komponen sinyal ECG yang tepat sedangkan gain informasi digunakan untuk memilih fitur ECG yang dominan. Hasil akhir dari implementasi menunjukkan nilai akurasi rata-rata sebesar 80,26 % dengan fitur terbaik adalah median nearest neighbor index.Kata kunci: ECG wavelet, HRV, domain waktu, gain informasi, akurasi  ABSTRACTOne of the most frequent methods to detect heart-related diseases is by calculating the ratio of total sleep and awake of someone during night sleep. However, it is often encountered problems either in data acquisition or data processing to output the results of the analysis. One of the reasons is selecting ECG features improperly during implementation. Therefore, this study has been conducted ECG features selection in the time domain and classification of sleep and awake states across 10 subjects based on Heart Rate Variability (HRV) features obtained using a random forest algorithm. Wavelet was used to get the proper ECG signal components while information gain was used to select the dominant ECG features. The implementation results showed an average accuracy of 80.26 % with the median nearest neighbor index as the best feature.Keywords: ECG, wavelet, HRV, time-domain, information gain, accuracy 
Co-Authors Unang Sunarya