A. Project Title
Ekstraksi sinyal pada Rona Wajah Guna Memprediksi Sistem Pengukuran Tekanan Darah dengan Metode Non-invasive
B. Author Complete Name
Muhammad Rizky Ramadhan
C. Affiliation
Department of Mechanical Engineering, Faculty of Engineering, Universitas Indonesia
D. Abstract
Penelitian ini bertujuan untuk mengimplementasikan arsitektur CNN-LSTM dalam sistem pengukuran tekanan darah berbasis citra rona wajah. Data citra diperoleh melalui video wajah yang direkam dengan kamera beresolusi tinggi menggunakan Logitech C922 Pro, yang kemudian digunakan untuk mengekstraksi sinyal PPG dari intensitas warna hijau wajah. Sinyal ini diproses untuk memprediksi tekanan darah sistolik dan
diastolik. Sebanyak 60 video digunakan dalam penelitian ini, dengan 30 video dialokasikan untuk pelatihan dan validasi, serta 30 video untuk pengujian. Meskipun model ini menunjukkan keakuratan prediksi dalam menebak nilai aktual yang cukup baik, masih ada tantangan yang perlu diatasi, seperti adanya noise pada sinyal PPG dan jumlah data yang terbatas. Dengan peningkatan jumlah data dan teknik optimalisasi yang lebih baik, model ini memiliki potensi besar untuk diimplementasikan dalam sistem pengukuran tekanan darah otomatis yang lebih akurat dan dapat digunakan secara luas di masa mendatang
E. Author Declaration
- Deep Awarness of I
pemahaman yang lebih mendalam terhadap kondisi internal manusia yang pada umumnya tidak disadari secara langsung. Kondisi fisiologis seperti perubahan aliran darah dan denyut jantung berlangsung secara otomatis di dalam tubuh dan sulit diamati tanpa bantuan instrumen. Melalui sistem yang dikembangkan, sinyal fisiologis tersebut direpresentasikan secara objektif menggunakan pendekatan berbasis video, sehingga keadaan internal individu dapat diakses dan dianalisis tanpa kontak langsung. Dengan demikian, teknologi berperan sebagai sarana untuk mengeksternalisasi proses biologis internal menjadi data terukur, yang memungkinkan peningkatan kesadaran terhadap kondisi diri dari sudut pandang ilmiah dan kuantitatif. - Intention
tujuan yang jelas dalam setiap tahapan perancangan algoritma. Intention berfungsi sebagai prinsip pengarah yang menentukan pemilihan metode, mulai dari penggunaan video sebagai sumber data, pemilihan area wajah sebagai region of interest, pemanfaatan kanal warna tertentu, hingga penerapan metrik evaluasi seperti Mean Squared Error dan Peak Signal-to-Noise Ratio. Setiap keputusan komputasional tidak dilakukan secara acak, melainkan didasarkan pada niat untuk mengekstraksi informasi fisiologis yang paling relevan dan reliabel. Dengan adanya intention yang terdefinisi dengan baik, proses komputasi menjadi terstruktur, terarah, dan selaras dengan tujuan penelitian.
F. Pendahuluan
Pemeriksaan tekanan darah adalah hal yang sederhana namun penting dan sering dibutuhkan oleh banyak pasien, pemeriksaan tekanan darah merupakan pemeriksaan awal sebagai salah satu parameter penting dalam evaluasi Kesehatan seseorang. Dalam lingkungan dengan antrian yang panjang, pemeriksaan ini dapat menambah waktu tunggu pasien, dengan mempertimbangkan pengukuran tekanan darah secara cepat, pasien dapat mempersingkat waktu tunggu dan mendapatkan layanan kesehatan yang lebih efisien.
Pengukuran tekanan darah yang lebih cepat dapat membantu tenaga medis melayani lebih banyak pasien dalam waktu yang sama dan menghemat waktu layanan. Di berbagai fasilitas kesehatan di Indonesia untuk mengatasi antrian yang panjang maka diperlukan langkah-langkah untuk meningkatkan efisiensi pelayanan kesehatan. Kondisisaat ini masih menggunakan alat sphygmomanometer yang cenderung membutuhkan waktu yang cukup lama untuk mengukur tekanan darah yaitu 1-2 menit per orangnya berdasarkan saat kuliah kerja nyata yang dilakukan pada juli tahun 2023. Metode saat ini masih membutuhkan tenaga medis dalam mengukur tekanan darah yang bisa mengakibatkan lamanya antrian jika kurangnya alat dan sumber daya manusia.
3. Initial thinking
perumusan masalah secara mendasar sebelum solusi teknis dirancang. Pada tahap ini, permasalahan dipahami sebagai keterbatasan metode konvensional dalam mengukur sinyal fisiologis yang umumnya memerlukan sensor kontak langsung, yang berpotensi menimbulkan ketidaknyamanan dan keterbatasan mobilitas subjek. Dari pemahaman awal tersebut, muncul kebutuhan akan pendekatan alternatif yang mampu mengekstraksi informasi fisiologis secara non-kontak, akurat, dan efisien. Video wajah dipandang sebagai sumber data yang kaya karena mengandung informasi perubahan intensitas cahaya pada kulit yang berkorelasi dengan aliran darah. Pemikiran awal ini menjadi dasar dalam menentukan bahwa permasalahan utama bukan sekadar pemrosesan citra, melainkan bagaimana mengubah data visual menjadi representasi sinyal biologis yang bermakna.
G. Methods & Procedures
4. Idealization
a. Tujuan Ideal Sistem
Secara ideal, sistem yang dikembangkan mampu mengekstraksi informasi fisiologis internal manusia secara non-kontak, otomatis, dan konsisten, hanya dengan memanfaatkan rekaman video wajah. Sistem diharapkan dapat merepresentasikan perubahan aliran darah melalui sinyal optik yang stabil dan mudah dianalisis tanpa memerlukan sensor fisik tambahan.
b. Karakteristik Sistem Ideal
Secara konseptual, sistem ideal memiliki karakteristik berikut:
- Mampu membaca video dengan berbagai durasi dan resolusi secara stabil
- Mampu mengekstraksi seluruh frame tanpa kehilangan informasi temporal
- Dapat mengisolasi area wajah yang relevan sebagai sumber sinyal fisiologis
- Mampu memanfaatkan informasi bit-level (bitplane) untuk meningkatkan kualitas sinyal
- Menghasilkan sinyal deret waktu yang merepresentasikan dinamika fisiologis internal
- Menyediakan metrik kuantitatif (Mean Amplitude, MSE, PSNR) untuk evaluasi kualitas
- Menghasilkan output yang terdokumentasi dengan baik dalam bentuk CSV dan visualisasi
Karakteristik ini menjadi acuan dalam setiap keputusan desain algoritma yang diterapkan pada kode program.
c. Idealisasi Representasi Data
Dalam kondisi ideal, seluruh kompleksitas visual pada video direduksi menjadi representasi data yang paling relevan, yaitu satu nilai intensitas per frame yang berasal dari ROI terpilih. Dengan pendekatan ini, informasi spasial dan warna yang tidak berkontribusi terhadap sinyal fisiologis dieliminasi, sehingga sistem hanya mempertahankan data yang berhubungan langsung dengan tujuan ekstraksi sinyal.
d. Idealisasi Kinerja Sistem
Sistem diidealkan mampu meminimalkan noise akibat gerakan subjek dan variasi pencahayaan, serta menghasilkan sinyal dengan rasio signal-to-noise yang tinggi. Oleh karena itu, proses normalisasi, filtering, dan evaluasi kualitas menjadi bagian integral dari sistem ideal yang dirancang.
5. Instruction Set
a. Intruksi Tingkat Tinggi (High-Level Instruction)
Secara umum, sistem mengikuti instruksi komputasional berikut:
- Ambil input berupa file video wajah
- Ekstrak seluruh frame dari video
- Lakukan prapemrosesan citra
- Ekstrak bitplane dari setiap frame
- Tentukan region of interest (ROI)
- Hitung nilai intensitas rata-rata ROI per frame
- Bentuk sinyal deret waktu
- Lakukan normalisasi dan filtering sinyal
- Hitung parameter kualitas sinyal
- Simpan dan visualisasikan hasil
Instruksi ini mencerminkan terjemahan langsung dari tujuan ideal sistem ke dalam langkah yang dapat dieksekusi oleh komputer.
b. Instruksi Operasional Detail (Low-Level Instruction)
- Input dan Akuisisi Data
- Baca file video menggunakan modul pemrosesan video
- Ambil informasi frame rate dan jumlah frame
- Validasi keberhasilan pembacaan video
2. Ekstraksi Frame
- Lakukan pembacaan frame secara berurutan
- Simpan frame ke dalam folder terstruktur
- Pastikan urutan temporal frame terjaga
3. Prapemrosesan Citra
- Konversi setiap frame ke citra grayscale
- Sesuaikan ukuran citra jika diperlukan untuk efisiensi komputasi
4. Ekstraksi Bitplane
- Pisahkan nilai intensitas grayscale ke dalam bit ke-0 hingga ke-7
- Simpan bitplane sebagai citra atau array numerik
- Pilih bitplane yang relevan untuk analisis lanjutan
5. Penentuan ROI
- Tentukan koordinat ROI pada area wajah
- Pastikan ROI konsisten pada seluruh frame
- Ekstrak ROI dari setiap bitplane atau frame grayscale
6. Ekstraksi Nilai Intensitas
- Hitung nilai rata-rata intensitas piksel pada ROI
- Simpan nilai tersebut sebagai satu elemen sinyal per frame
7. Pembentukan Sinyal Deret Waktu
- Susun nilai intensitas sesuai urutan frame
- Kaitkan indeks frame dengan waktu berdasarkan frame rate
8. Normalisasi dan Filtering
- Hilangkan tren dan offset pada sinyal
- Terapkan normalisasi untuk menyamakan skala
- Terapkan filtering untuk mengurangi noise frekuensi tinggi atau rendah
9. Evaluasi Kualitas Sinyal
- Hitung Mean Amplitude sebagai ukuran kekuatan sinyal
- Hitung Mean Squared Error sebagai ukuran kesalahan
- Hitung Peak Signal-to-Noise Ratio sebagai ukuran kualitas sinyal
10. Penyimpanan dan Visualisasi
Simpan hasil visualisasi atau video output jika diperlukan
Simpan seluruh hasil dalam format CSV
Visualisasikan sinyal dalam bentuk grafik
H. Results & Discussion
Hasil yang diperoleh dari sistem yang dikembangkan menunjukkan bahwa pendekatan berbasis video dan pemrosesan citra mampu menghasilkan sinyal fisiologis yang terstruktur dan dapat dianalisis secara kuantitatif. Proses ekstraksi frame, pemisahan bitplane, dan pemilihan region of interest (ROI) berhasil mengubah data visual mentah menjadi sinyal deret waktu yang merepresentasikan perubahan intensitas cahaya pada area kulit wajah. Sinyal yang dihasilkan menunjukkan pola fluktuasi periodik yang konsisten dengan karakteristik sinyal fotopletismografi (PPG), yang mengindikasikan adanya korelasi antara perubahan intensitas optik dan dinamika aliran darah.
Analisis lebih lanjut melalui tahap normalisasi dan filtering menunjukkan peningkatan stabilitas sinyal dengan berkurangnya noise akibat gerakan dan variasi pencahayaan. Penggunaan metrik evaluasi seperti Mean Amplitude memberikan gambaran mengenai kekuatan sinyal yang berhasil diekstraksi, sementara Mean Squared Error (MSE) dan Peak Signal-to-Noise Ratio (PSNR) digunakan untuk menilai kualitas sinyal dan tingkat distorsi yang terjadi selama proses ekstraksi. Nilai MSE yang relatif rendah dan PSNR yang lebih tinggi pada konfigurasi tertentu menunjukkan bahwa pemilihan bitplane dan ROI memiliki pengaruh signifikan terhadap kualitas sinyal yang dihasilkan.
I. Acknowledgments
Penulis mengucapkan terima kasih yang sebesar-besarnya kepada Prof. Ir. Ahmad Indra Siswantara, Ph.D, dari Departemen Teknik Mesin, Universitas Indonesia, yang telah memperkenalkan kerangka kerja DAI5, sehingga memungkinkan pendekatan yang holistik dalam pemecahan masalah rekayasa dan memberikan kontribusi penting terhadap pengembangan penelitian ini.
Link Google Drive: https://drive.google.com/drive/folders/1lht4_t4LdDkIfH-tWr9B0SxGZIkRf2Qy
