<![CDATA[Hipertensi merupakan salah satu masalah kesehatan utama yang memerlukan pemantauan tekanan darah secara rutin. Metode pengukuran tekanan darah konvensional berbasis manset (cuff-based) memiliki keterbatasan dalam pemantauan kontinu. Oleh karena itu, pengembangan metode estimasi tekanan darah tanpa manset (cuffless blood pressure estimation) menjadi penting. Penelitian ini bertujuan untuk mengembangkan model prediksi tekanan darah non-invasif berbasis sinyal Photoplethysmography (PPG) menggunakan algoritma Light Gradient Boosting Machine (LightGBM). Tahapan penelitian meliputi pra-pemrosesan sinyal, segmentasi beat-to-beat, serta ekstraksi fitur statistik, perfusi, dan morfologi gelombang PPG. Fitur yang diperoleh digunakan sebagai masukan model regresi LightGBM untuk memprediksi tekanan darah sistolik, diastolik, dan denyut nadi. Hasil evaluasi menunjukkan nilai Mean Absolute Error (MAE) sebesar 13.89 mmHg untuk tekanan sistolik, 6.36 mmHg untuk tekanan diastolik, dan 7.87 bpm untuk denyut nadi. Hasil ini menunjukkan bahwa metode yang diusulkan memiliki potensi dalam estimasi tekanan darah non-invasif, meskipun masih diperlukan pengembangan lebih lanjut untuk meningkatkan akurasi, khususnya pada tekanan sistolik. Kata Kunci : Photoplethysmography, estimasi tekanan darah tanpa manset, LightGBM, machine learning, pemrosesan sinyal. ]]>
Copyrights © 2026
