Klasifikasi Level Kesembuhan Pasien Stroke Motorik Berbasis Flex Sensor Dengan Menggunakan Metode Fuzzy Logic

Habibi, Anang (2019) Klasifikasi Level Kesembuhan Pasien Stroke Motorik Berbasis Flex Sensor Dengan Menggunakan Metode Fuzzy Logic. Masters thesis, INSTITUT TEKNOLOGI SEPULUH NOPEMBER.

Text 07111750050003_Master_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kementerian Kesehatan Republik Indonesia dalam risetnya mengungkapkan bahwa hipertensi merupakan salah satu penyebab utama kematian di Indonesia, yang berkontribusi terhadap sekitar 45% kematian akibat penyakit jantung dan 51% kematian akibat stroke. Jumlah kematian akibat penyakit kardiovaskular, terutama penyakit jantung koroner dan stroke, diperkirakan terus meningkat hingga mencapai 23,3 juta kematian pada tahun 2030. Sistem monitoring pergelangan tangan, khususnya bagi pasien stroke, telah banyak dikembangkan di berbagai negara menggunakan berbagai jenis sensor, seperti Inertial Measurement Unit (IMU), Leap Motion, flex sensor, dan force sensor. Namun, sistem-sistem tersebut umumnya hanya mampu mendeteksi perubahan data tanpa melakukan klasifikasi tingkat atau tahap kesembuhan. Penelitian ini mengombinasikan flex sensor dan force sensor dengan metode klasifikasi fuzzy untuk membangun sistem monitoring yang mampu menentukan tahap atau tingkat kesembuhan pasien. Tingkat kesembuhan yang ditampilkan diharapkan dapat menjadi sumber motivasi bagi pasien stroke untuk lebih giat berlatih serta membantu tim medis, khususnya dokter, dalam melakukan evaluasi dan menentukan tahapan terapi selanjutnya. Dataset untuk masing-masing flex sensor dan force sensor diperoleh dari 50 kali pengujian pada pengguna yang berbeda, sehingga setiap sensor memiliki karakteristik dataset yang berbeda. Gaya tekan yang diukur oleh force sensor, semula dalam satuan kilogram, dikonversi ke satuan Newton dengan menggunakan percepatan gravitasi bumi sebesar 9,80665 m/s². Tahap kesembuhan diklasifikasikan menjadi tiga kategori, yaitu lemah, sedang, dan normal. Hasil pengujian sistem fuzzy pada tangan kanan pengguna sehat yang belum pernah mengalami stroke menunjukkan pembacaan data yang baik dengan error sebesar 0%. Pembacaan FlexiForce sensor masih dinilai kurang sensitif sehingga diperlukan tambahan sponge untuk meningkatkan ketebalan kontak sensor. Selain itu, metode fuzzy memberikan hasil klasifikasi yang lebih baik dibandingkan K-Nearest Neighbor (KNN), dengan tingkat akurasi sebesar 83% pada gerakan pertama dan 87% pada gerakan kedua. Meskipun demikian, waktu eksekusi program KNN lebih cepat dibandingkan metode fuzzy, dengan waktu komputasi sebesar 130,5 ms.
====================================================================================================================================
The Indonesian Ministry of Health reported that hypertension is one of the leading causes of death in Indonesia, contributing to at least 45% of deaths from heart disease and 51% of deaths from stroke. The number of deaths caused by cardiovascular diseases, particularly coronary heart disease and stroke, is projected to continue increasing and reach 23.3 million by 2030. Wrist monitoring systems for stroke patients have been developed in several countries using various sensors, including Inertial Measurement Unit (IMU), Leap Motion, flex sensors, and force sensors. However, existing monitoring systems generally only detect changes in sensor data and do not provide classification of recovery stages. This study combines flex sensors and force sensors with a fuzzy classification method to develop a monitoring system capable of determining the patient's recovery stage. The displayed recovery level is expected to motivate stroke patients during rehabilitation and assist medical personnel, particularly physicians, in evaluating patient progress and determining the subsequent rehabilitation program. The dataset for each flex sensor and force sensor was obtained from 50 experimental trials involving different users, resulting in distinct characteristics for each sensor. The force measured by the force sensor, originally expressed in kilograms, was converted into Newtons by applying the Earth's gravitational acceleration coefficient of 9.80665 m/s². Recovery was classified into three categories: weak, moderate, and normal. Experimental results of the fuzzy system on the right hand of healthy users with no history of stroke showed accurate readings with a 0% error rate. The FlexiForce sensor was found to be insufficiently sensitive and required an additional sponge layer to improve measurement performance. Furthermore, the fuzzy method outperformed the K-Nearest Neighbor (KNN) algorithm, achieving accuracies of 83% for the first movement and 87% for the second movement. However, KNN exhibited a faster execution time than the fuzzy method, with a computation time difference of 130.5 ms.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Health Level, Motor Stroke, Flex sensor, Force sensor, Fuzzy Logic
Subjects:	R Medicine > RV Botanic, Thomsonian, and eclectic medicine
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Anang Habibi
Date Deposited:	05 Aug 2026 08:30
Last Modified:	05 Aug 2026 08:30
URI:	http://repository.its.ac.id/id/eprint/69717

Actions (login required)

View Item