<![CDATA[Pemantauan fungsi ekstremitas atas merupakan bagian penting dalam rehabilitasi pascastroke, tetapi penilaian secara konvensional masih bergantung pada pengamatan tenaga kesehatan dan sulit dilakukan secara berkelanjutan. Penelitian ini bertujuan mengembangkan prototipe hand wearable sensor berbasis Internet of Things untuk mengklasifikasikan kualitas gerakan tangan berdasarkan skor Action Research Arm Test (ARAT). Perangkat dibangun menggunakan mikrokontroler ESP32 dan dua sensor MPU6050 yang ditempatkan pada punggung tangan dan lengan bawah untuk merekam data akselerometer dan giroskop dari 10 subjek sehat pada tujuh gerakan ARAT yang mencakup kategori gross movement dan grip. Fitur statistik diekstraksi dari sinyal sensor dan ketidakseimbangan data pada setiap kelas ditangani sebelum tujuh model Random Forest dikembangkan secara terpisah untuk memprediksi skor ARAT 0–3 pada setiap gerakan. Hasil pengujian menunjukkan rata-rata akurasi sebesar 89%, presisi makro 0,83, recall makro 0,84, dan F1-score makro 0,84, dengan model gerakan tangan ke belakang kepala mencapai performa tertinggi (akurasi 94%, F1-score 0,90). Hasil tersebut menunjukkan bahwa sistem mampu mengenali pola kualitas gerakan secara menjanjikan sebagai prototipe pendukung pemantauan rehabilitasi, meskipun validasi klinis pada pasien pascastroke masih diperlukan sebelum sistem digunakan dalam pelayanan kesehatan.]]>
Copyrights © 2026
