Seleksi Fitur Pada Sinyal Photoplethysmograph Untuk Permodelan Regresi Menggunakan Machine Learning

Atoil Haq, Faris (2023) Seleksi Fitur Pada Sinyal Photoplethysmograph Untuk Permodelan Regresi Menggunakan Machine Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Photoplethysmograph (PPG) merupakan metode non-invasif dengan cara membaca morfologi dari bentuk gelombang yang mirip dengan bentuk gelombang tekanan darah arteri. PPG merupakan metode untuk mengukur jumlah cahaya yang diserap atau dipantulkan oleh pembuluh darah. Beberapa penelitian telah menggunakan sinyal PPG sebagai subyek penelitian, salah satunya untuk mendiagnosis penyakit melalui fingertip pulse wave. PPG lebih responsif terhadap perubahan volume darah. Hal ini dikarenakan jumlah penyerapan atau refleksi optik bergantung pada jumlah darah yang melalui jalur optik tersebut.
Penelitian ini mengusulkan pendekatan baru untuk mengoptimalisasi fitur data regresi yang dihasilkan oleh sinyal PPG. Perangkat fingertip pulse wave digunakan untuk mengambil sampel sinyal PPG pada subyek jari manusia untuk didapatkan sinyal PPG tersebut. Sampel sinyal yang telah diperoleh kemudian diterapkan pada metode machine learning untuk dihasilkan fitur yang terdapat pada sinyal PPG. Metode machine learning yang digunakan antara lain Support Vector Regression, Decision Tree, dan XGBoost dengan pemilihan hyperparameter digunakan sebagai model machine learning untuk menerapkan model dari hasil pemrosesan ekstraksi dan seleksi fitur terhadap fitur data regresi dari sinyal PPG tersebut. Beberapa algoritma feature selection yang digunakan yaitu antara lain: Forward Feature Selection Algorithm, Sequential Input Selection dan Genetic Algorithm.
Pengujian pada beberapa metode algoritma seleksi fitur yang diusulkan, diperoleh performa yang cukup baik. Hasil pengujian tersebut didapatkan nilai error berdasarkan data prediksi yang didapatkan. Nilai error tersebut didapatkan menggunakan MAPE. Nilai MAPE yang diperoleh sudah mengalami penurunan nilai error, yaitu diangka 18%. Hal ini disebabkan penggunaan dari fitur yang saling berkorelasi dan juga kombinasi dari beberapa model machine learning seperti XGBoost, Decision Tree, dan Support Vector Regression melalui beberapa pengujian metode sehingga didapatkan hasil fitur yang tepat melalui algoritma seleksi fitur.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.31 Haq s-1 2023
Uncontrolled Keywords:	Photoplethysmography (PPG), Machine Learning, XGBoost, Support Vector Regression, Photoplethysmography (PPG), Machine Learning, XGBoost, Support Vector Regression
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Faris Atoil Haq
Date Deposited:	03 Aug 2023 06:50
Last Modified:	10 Jan 2024 02:36
URI:	http://repository.its.ac.id/id/eprint/101622

Actions (login required)

View Item