IMPLEMENTASI ESTIMASI TEKANAN DARAH SISTOLIK DAN DIASTOLIK BERBASIS DEEP LEARNING DARI SINYAL PPG MENGGUNAKAN ARSITEKTUR CNN-BiLSTM

Muhamad Azis (Universitas Islam Sultan Agung Semarang)
Sri Mulyono (Universitas Islam Sultan Agung Semarang)

Vocational : Jurnal Inovasi Pendidikan Kejuruan
Vol. 6 No. 3 (2026)

ABSTRACT Cardiovascular disease, particularly hypertension, is a leading cause of global mortality, highlighting the need for accurate and continuous blood pressure monitoring methods. However, conventional cuff based methods have limitations in comfort and continuous monitoring. Photoplethysmography (PPG) signals offer a more practical non invasive alternative because they can be used in real time through wearable devices. This study developed a systolic blood pressure (SBP) and diastolic blood pressure (DBP) estimation model from PPG signals using a CNN-BiLSTM deep learning architecture. The dataset used was the MIMIC-III PPG Dataset consisting of 50,000 signal segments, which were divided into training, validation, and testing data. The preprocessing stage included bandpass filtering for noise reduction, Z-score normalization, and clinical outlier removal. The CNN model extracted local signal features, while BiLSTM modeled bidirectional temporal dependencies. The model was optimized using the Adam optimizer and evaluated using MAE, RMSE, and R², as well as validated based on BHS and AAMI standards. The results showed MAE values of 5.12 mmHg (SBP) and 3.87 mmHg (DBP), with R² values of 0.89 and 0.91, respectively. The low error values and R² values close to 1 indicate good model performance in predicting blood pressure. The model has the potential to be implemented in wearable devices for continuous blood pressure monitoring and can be further developed to improve prediction accuracy. ABSTRAK Penyakit kardiovaskular, khususnya hipertensi, merupakan penyebab utama kematian global sehingga diperlukan metode pemantauan tekanan darah yang akurat dan berkelanjutan. Namun, metode konvensional berbasis manset memiliki keterbatasan dalam kenyamanan dan pemantauan kontinu. Sinyal photoplethysmography (PPG) menjadi alternatif non invasif yang lebih praktis karena dapat digunakan secara real time pada perangkat wearable. Penelitian ini mengembangkan model estimasi tekanan darah sistolik (SBP) dan diastolik (DBP) dari sinyal PPG menggunakan arsitektur deep learning CNN-BiLSTM. Dataset yang digunakan adalah MIMIC-III PPG Dataset dengan 50.000 segmen sinyal, yang dibagi menjadi data pelatihan, validasi, dan pengujian. Tahap preprocessing meliputi bandpass filtering untuk mengurangi noise, normalisasi Z-score, dan penghapusan outlier klinis. Model CNN mengekstraksi fitur lokal sinyal, sementara BiLSTM memodelkan dependensi temporal dua arah. Model dioptimasi menggunakan Adam optimizer dan dievaluasi menggunakan MAE, RMSE, dan R², serta divalidasi berdasarkan standar BHS dan AAMI. Hasil menunjukkan MAE 5,12 mmHg (SBP) dan 3,87 mmHg (DBP), serta R² sebesar 0,89 dan 0,91. Nilai kesalahan yang rendah dan R² yang mendekati 1 menunjukkan performa model yang baik dalam memprediksi tekanan darah. Model berpotensi diterapkan pada perangkat wearable untuk pemantauan tekanan darah secara kontinu dan dapat dikembangkan lebih lanjut guna meningkatkan akurasi model.