Perpustakaan Digital ITB

Atrial Fibrillation (AF) merupakan salah satu gangguan irama jantung yang dapat menyebabkan stroke. Tugas akhir ini bertujuan untuk mengembangkan metode deteksi AF yang optimal menggunakan sinyal Photoplethysmography (PPG) dari perangkat wearable. Permasalahan utama yang dikaji adalah optimalisasi deteksi AF dari data PPG berukuran besar dengan kualitas sinyal atau Signal Quality Index (SQI) yang rendah. Data yang digunakan memiliki rata-rata nilai SQI sebesar 58,99%. Terdapat 10 fitur sinyal PPG yang digunakan dalam deteksi AF. Metode yang dikembangkan mencakup serangkaian eksperimen untuk mengoptimalkan konfigurasi dalam deteksi AF. Metode deteksi AF dilakukan dengan tahap penyaringan sinyal dengan pustaka pyPPG, persiapan data, penerapan SQI threshold, dan inferensi hasil dengan model yang dipilih. Hasil eksperimen menunjukkan bahwa penerapan SQI threshold dengan nilai threshold sebesar 98% terbukti meningkatkan kinerja deteksi AF sebesar 18,25% dengan metrik harmonic mean antara sensitivity dan specificity. Kombinasi fitur yang optimal adalah set fitur dengan panjang 7, 8, 9, dan 10. Besar jendela yang optimal adalah 5 atau 10 detik. Model terbaik berdasarkan eksperimen tugas akhir adalah LGBM Classifier. Konfigurasi optimal untuk model ini menggunakan besar jendela 10 detik, nilai SQI threshold sebesar 98%, dan set fitur dengan panjang 10. Kinerja dari model ini memiliki akurasi 93,67%, sensitivity 98,78%, specificity 93,64%, dan harmonic mean 96,14%. Total waktu deteksi AF mulai dari tahap preprocessing hingga inferensi model adalah 119,84 milliseconds untuk 1.000 baris data sinyal PPG dengan 10 fitur.