Perpustakaan Digital ITB

Penyakit Parkinson merupakan gangguan neurodegeneratif yang memengaruhi sistem motorik, khususnya pola berjalan (gait). Abnormalitas gait menjadi indikator penting untuk mendeteksi dan menilai tingkat keparahan penyakit. Instrumen konvensional seperti motion capture dan gait analysis system dinilai kurang praktis karena biaya tinggi dan keterbatasan mobilitas. Penelitian ini bertujuan mengembangkan sistem wearable sensor berbasis mikrokontroler ESP32 dengan sensor tekanan FSR, serta membangun pipeline analisis gait berbasis machine learning untuk mendeteksi dan mengklasifikasikan tingkat abnormal gait pada pasien Parkinson. Sistem terdiri atas empat subsistem utama, yaitu: (1) catu daya berbasis baterai LiPo 3,7 V dengan modul step-up; (2) sensor berupa tiga FSR yang ditempatkan pada area tumit, tengah telapak, dan ujung kaki; (3) unit pemrosesan berbasis ESP32 Devkit V4 dengan komunikasi UDP; serta (4) antarmuka perangkat lunak untuk akuisisi dan analisis data. Data gait diproses melalui digital filtering, segmentasi berdurasi 5 detik, dan ekstraksi 20 fitur statistik maupun kinematik. Hasil pengujian menunjukkan perangkat mampu merekam sinyal gait dengan konsistensi yang baik, dengan coefficient of variation (CV) fitur utama pada rentang 2,7–6,8%. Model machine learning terbaik diperoleh dari algoritma Random Forest, yang setelah dilakukan remapping label H&Y menjadi tiga kelas (normal gait: H&Y 0 & 2, mild abnormal gait: H&Y 2,5, medium abnormal gait: H&Y 3) menghasilkan akurasi validasi 84% dan akurasi pengujian 81,6%, dengan nilai precision, recall, dan F1-score konsisten di atas 80%. Analisis confusion matrix menunjukkan tantangan utama dalam membedakan kelas normal dan mild, yang dapat dijelaskan oleh kesamaan profil gait pada H&Y 0–2. Pada pengujian langsung dengan 10 subjek sehat, sebagian besar prediksi mengarah ke kelas normal, meskipun beberapa masih terklasifikasi sebagai mild, yang menandakan potensi perbaikan melalui perluasan dataset dan optimasi sensor. Secara keseluruhan, penelitian ini menunjukkan bahwa sistem wearable berbasis ESP32 mampu menangkap parameter gait secara stabil dan valid, serta mendukung klasifikasi tingkat abnormal gait menggunakan machine learning. Kebaruan penelitian terletak pada integrasi perangkat sederhana dengan pipeline analisis yang komprehensif, sementara kontribusinya adalah menyediakan dasar pengembangan perangkat portabel, ekonomis, dan potensial untuk digunakan dalam monitoring progresivitas Parkinson di luar laboratorium klinis.