<![CDATA[Tekanan darah merupakan indikator fisiologis utama dalam penilaian kondisi kardiovaskular. Metode konvensional berbasis manset memiliki keterbatasan pada pemantauan kontinu. Penelitian ini mengusulkan sistem prediksi tekanan darah non-invasif berbasis sinyal Photoplethysmography (PPG) menggunakan sensor MAX30102 dan algoritma Random Forest. Dataset diperoleh dari 78 subjek dengan 234 rekaman sinyal PPG. Sinyal diproses melalui band-pass filter (0,5–4 Hz) dan diekstraksi fitur morfologi serta temporal. Evaluasi dilakukan menggunakan Group K-Fold CrossValidation untuk mencegah data leakage antar subjek. Hasil pengujian menunjukkan MAE sebesar 9,414 mmHg (SBP), 7,439 mmHg (DBP), dan 7,327 bpm (Pulse) dengan R² sebesar 0,165, 0,095, dan 0,393 secara berurutan. Model prediksi denyut nadi mencapai R² tertinggi sebesar 0,393, sedangkan prediksi SBP dan DBP masih terbatas akibat distribusi data yang tidak merata. Penelitian ini menunjukkan potensi sensor PPG berbiaya rendah untuk estimasi tekanan darah non-invasif, meski diperlukan pengembangan dataset yang lebih beragam untuk meningkatkan generalisasi model. Kata Kunci— Photoplethysmography, Estimasi tekanan darah tanpa manset, Random Forest, Machine learning, Pemrosesan sinyal. ]]>
Copyrights © 2026
