DETEKSI DENYUT JANTUNG MENGGUNAKAN
PHOTOPLETHYSMOGRAPHY (PPG) BERBASIS VIDEO
Kuncoro Triandono Mukti1, Desti Mina rahayu2 dan Anggunmeka Luhur Prasasti3
Sistem Komputer, Fakultas Teknik Elektro,
Telkom University
Bandung, Indonesia
1
kuncoroteem@gmail.com, 2 destyviola@gmail.com, 3 anggunmeka@gmail.com
Abstrak — Denyut nadi manusia
merupakan informasi penting untuk mengetahui
kondisi fisiologis maupun psikologis manusia.
Denyut nadi berkaitan secara langsung dengan
denyut jantung karena denyut nadi merupakan
dampak dari perubahan volume darah pada nadi
yang disebabkan oleh aktivitas jantung yang
memompa darah ke seluruh tubuh secara
periodik. Rasio denyut jantung berubah
bergantung pada kondisi fisiologis maupun
psikologis yang mempengaruhi. Pengukuran
rasio denyut jantung di dunia medis pada
umumnya menggunakan ECG
(Electrocardiogram) atau BPM (Blood Pressure
Measurement). Dengan menggunakan prinsip
pada teknik PPG maka terdapat kemungkinan
bahwa kamera juga dapat digunakan sebagai
sensor untuk menangkap perubahan warna
akibat perubahan volume pada pembuluh darah.
Dengan melakukan ekstraksi terhadap data
video yang memuat informasi aktivitas denyut
nadi maka dapat diperoleh sinyal PPG. Sinyal
PPG diperoleh dari perubahan warna yang
terjadi pada jaringan mikrovaskular dibawah
kulit akibat perubahan volume darah.
Pada makalah ini mengkaji berbagai
penelitian terkait dengan PPG based on video
untuk mengetahui rasio denyut jantung.
Kata Kunci — PhotoPlethysmoGraphy,
Heart Rate, Review
I. PENDAHULUAN
Denyut jantung (Heart Rate) manusia
menyimpan informasi penting untuk
mengungkapkan beberapa aspek kesehatan manusia.
Agar informasi yang berkaitan dengan denyut
jantung dapat diketahui maka denyut jantung harus
diukur. Denyut jantung diukur berdasarkan jumlah
denyut dalam satu menit (beat per minutes/bpm).
Pola dari denyut jantung yang diukur dapat
menunjukkan tingkat kebugaran, keberadaan
penyakit, stres atau kelelahan, dan penyumbatan di
arteri akibat diabetes atau kadar kolesterol tinggi [3].
Pengukuran denyut jantung untuk kepentingan
medis secara umum menggunakan
Electrocardiogram (ECG). Teknik pengukuran ini
sudah lazim digunakan pada standar medis, namun
mememerlukan perangkat khusus dan sumber daya
terlatih. Perangkat lain yang dapat digunakan untuk
mengukur denyut nadi adalah Blood Pressure
Measurement yang pada umumnya digunakan pada
lengan atau pergelangan tangan. Perkembangan
teknologi portable cukup pesat dan para peneliti
sudah mengembangkan teknik baru untuk mengukur
HR tanpa menggunakan sinyal ECG. Metode yang
digunakan untuk memperoleh data denyut jantung
adalah menggunakan data optik yang diperoleh dari
teknik pengukuran Photoplethysmograph (PPG).
Sensor optik pada kamera menangkap perubahan
warna kulit yang disebabkan oleh perubahan volume
pembuluh darah sebagai akibat dari aktivitas jantung
yang memompa darah ke seluruh tubuh [4].
Agar perubahan warna kulit dapat ditangkap
oleh sensor maka pada sebagian area kulit diberikan
iluminasi cahaya LED (Light Eminting Dioda).
Dengan menggunakan prinsip pada teknik PPG
maka terdapat kemungkinan bahwa kamera juga
dapat digunakan sebagai sensor untuk menangkap
perubahan warna akibat perubahan volume pada
pembuluh darah. Dengan melakukan ekstraksi
terhadap data video yang memuat informasi
aktivitas denyut nadi maka dapat diperoleh sinyal
PPG. Beat-to-beat data dari sinyal PPG memberikan
informasi tentang nilai HR yang dihitung
berdasarkan rata-rata jumlah denyut (pulse) dalam
satu satuan waktu. Jika nilai HR dapat diketahui
melalui data video yang diperoleh oleh kamera maka
terdapat kemungkinkan bahwa kamera dapat
digunakan sebagai alat monitoring kondisi
kesehatan yang mudah dan dapat digunakan oleh
setiap orang [9].
II. SISTEM PEREDARAN DARAH PADA
JANTUNG
Jantung pada manusia merupakan organ yang
sangat penting karena berperan untuk memompa
darah yang membawa oksigen dan nutrisi ke seluruh
tubuh. Jantung manusia dikendalikan oleh
serangkaian pelepasan listrik dari node lokal tertentu
didalam otot jantung. Muatan listrik dari node
tertentu merambat melalui otot jantung dan
merangsang kontraksi secara terkoordinasi untuk
memompa darah yang terdeoksigenasi melalui paru-
paru (untuk oksigenasi) dan kembali ke dalam
sistem vaskular [8].
normal sebagai sumber penerangan [5,9,14,15,16].
PPG juga digunakan pada smartphone untuk
memantau fisiologis manusia [17,18].
Photoplethysmography menggunakan sumber
cahaya dari LED (Light Emitting Diode) dan PD
(Photo Detector) untuk mendeteksi adanya
perubahan volume darah dalam pembuluh darah.
Cahaya dapat ditransmisikan melalui jaringan
kapiler (capillary bed). Saat pulsasi arteri (arterial
pulsations) mengisi jaringan kapiler, perubahan
volume pembuluh mengubah penyerapan
(absorption), pantulan (reflection), dan hamburan
(scattering) cahaya. Sinyal PPG secara umum
memiliki bentuk yang berbeda dengan sinyal ECG.
Namun terdapat kesesuaian pola sinyal yang mampu
menunjukan R-R interval. Kesesuaian pola sinyal
PPG dan ECG ditunjukan pada Gambar 2.

Gambar 1. Sumber node rangsangan listrik pada

jantung [8]

Pada jantung normal, setiap denyut dimulai

dengan stimulasi node sinoatrial (SA) pada atrium
kanan (lihat Gambar 1) yang menyebabkan
depolarisasi dari otot jantung di wilayah ini. Impuls
menyebar dari node SA untuk mendepolarisasi
Gambar 2. Pola sinyal PPG dan ECG yang
atrium (atas dua rongga). Sinyal listrik kemudian bersesuaian
mencapai node atrioventrikular (AV), yang terletak
di atrium sebelah kanan. Kondisi ini menyebabkan Gambar 3 menunjukan bentuk sinyal
jantung berdenyut dengan frekuensi antara 100-120 Photoplethysmography yang terdiri dari komponen
bpm. Jika impuls dari node SA tidak sampai ke node sinyal Direct Current (DC) dan Alternating Current
AV maka node AV mengambil alih sebagian pemicu (AC). Komponen DC dari sinyal PPG berasal dari
jantung tetapi dengan frekwensi yang lebih rendah cahaya tetap yang ditransmisikan atau
yaitu antara 40-60 bpm [8]. direflektansikan dari jaringan tubuh. Komponen AC
menunjukkan perubahan volume darah yang terjadi
III. PHOTOPLETHYSMOGRAPHY antara fase sistolik dan diastolik siklus jantung.
frekuensi dasar dari komponen AC tergantung pada
Photoplethysmography adalah teknik optik denyut jantung dan ditumpangkan ke komponen
noninvasive [7] untuk mengukur perubahan volume DC.
darah berdasarkan variasi intensitas cahaya yang
lewat atau dipantulkan oleh organ tubuh manusia.
Cahaya yang dipancarkan pada jaringan tubuh dapat
diserap oleh substansi yang berbeda-beda, misalnya
pigmen kulit, tulang, darah arteri dan vena.
Perubahan aliran darah paling banyak terdapat pada
arteri dan arterioles [6]. Hanya saja Teknik PPG
cukup sensitive terhadap artefak gerak, pada
penelitian [13] diusulkan Teknik untuk mengurangi
efek dari gerak artefak menggunakan akselerometer.
Beberapa penelitian lainnya menggunakan kamera
digital dan Teknik PPG untuk mendeteksi SDM
dengan menggunakan cahaya sekeliling yang

Gambar 3. Variasi Penyerapan Cahaya oleh
Jaringan Tubuh [6]
Gambar 4. Mode konfigurasi PPG (a) mode
transmisi, (b) mode reflektansi [6]
Photoplethysmography memiliki dua mode,
yaitu mode transmisi dan mode reflektansi seperti
yang terlihat pada Gambar 4. Pada mode transmisi,
cahaya yang ditransmisikan melalui
medium/jaringan tubuh terdeteksi oleh PD (Photo
Dioda) berlawanan sumber LED. Mode transmisi ini
mampu memperoleh sinyal relatif lebih baik, tetapi
tempat pengukurannya terbatas. Agar efektif, sensor
mode transmisi harus terletak pada tubuh pada
bagian di mana cahaya yang ditransmisikan dapat
segera dideteksi, seperti jari, septum hidung, pipi,
lidah, atau daun telinga. Sementara dalam mode
reflektansi, PD mendeteksi cahaya yang kembali
tersebar atau dipantulkan dari jaringan, tulang dan /
atau pembuluh darah. Mode reflektansi
menghilangkan masalah yang terkait dengan
penempatan sensor, dan berbagai tempat
pengukuran yang dialiri darah dapat digunakan.
Sehingga pengguna bisa menggunakan perangkat
PPG dimanapun tempatnya seperti pergelangan
tangan. Pada PPG terdapat Interaksi optikal yang
kompleks antara cahaya dan struktur jaringan pada
kulit yang meliputi penyebaran (scattering),
penyerapan (absorption), pemantulan (reflection),
dan perpindahan (transmission). Intensitas cahaya
yang diterima oleh PD dipengaruhi oleh volume
darah, gerakan pada dinding pembuluh darah, dan
orientasi sel darah merah. Semakin besar volume di
dalam pembuluh maka semakin menghambat
penyebaran cahaya yang mengakibatkan semakin
kecil intensitas cahaya yang diterima oleh PD [7].
Perubahan intensitas cahaya yang diterima oleh PD
maka menghasilkan sebuah sinyal yang kemudian
disebut dengan sinyal PPG.
IV. PLETHYSMOGRAPHY VIDEO
Kamera video dapat digunakan sebagai Photo
Detector (PD) sinyal PPG, oleh karenanya disebut
juga dengan Video Plethysmography [6]. Oleh
karena itu kamera smartphone atau webcam dapat
digunakan sebagai sensor PPG. Terdapat dua cara
untuk membuat kamera dapat digunakan sebagai
detektor sinyal PPG yaitu contact measurement dan
contactless measurement. Pada contact
measurement pengukuran dilakukan dengan
menempelkan jari pada lensa dengan sebagian jari
mengenai flash LED yang menyala. Kamera
bertindak sebagai PD dan flash LED sebagai sumber
cahaya yang merefleksikan sinyal PPG. Pada
contactless measurement, pengukuran dapat
dilakukan pada jarak yang cukup jauh (>1m)
menggunakan cahaya ambient [6].
Prinsip dasar video plethysmography sama
dengan prinsip dasar PPG. Perbedaan paling
mendasar pada video plethysmography adalah
menggunakan image processing untuk mengolah
data dan mengekstrak data tersebut menjadi sebuah
sinyal yang merepresentasikan aktivitas denyut nadi
manusia. Colour space (ruang warna) yang
digunakan pada sebagian besar perangkat perekam
video adalah RGB (Red Green Blue). Pada ruang
warna ini, warna direpresentasikan sebagai
percampuran antara merah, hijau, dan biru. Colour
space disebut juga dengan colour coordinate system
(system koordinat warna) yang direpresentasikan
dalam system koordinat tiga dimensi seperti pada
Gambar 5 (a). R=G=B=0 merepresentasikan warna
hitam sedangkan Rmax=Gmax=Bmax=Max
merepresentasikan warna putih atau intensitas
maksimum. Kombinasi nilai R, G, dan B yang
berbeda menimbulkan visualisasi warna yang juga
berbeda seperti yang terlihat pada Gambar 5 (b).

(a)
(b)
Gambar 5. (a) Representasi warna RGB dalam
system koordinat tiga dimensi, (b) visualisasi
warna dalam RGB
Pada kasus perekaman menggunakan
perangkat smartphone, LED yang digunakan adalah
LED berwarna putih. Cahaya putih tersebut diserap,
disebarkan, dan dipantulkan melalui jaringan kulit
dan mikrovaskular yang didominasi oleh sel darah
merah sehingga intensitas cahaya yang diterima oleh
sensor kamera juga didominasi oleh warna merah.
Pada makalah ini juga akan mengkaji penelitian
terkait seperti pada penelitian [9] yang
menggunakan Smartphone sebagai alat pendeteksi
HR tanpa bantuan sensor maupun perangkat
tambahan.
Tabel 1. Wearable Device pengukur Heart Rate [9]
BRAND FITUR
Sensor PPG pada jari,
AliveCor
terkoneksi smartphone app
ECG Sensor PPG pada jari,
Check terkoneksi smartphone app
ECG (1 channel, 256Hz), Heart
Rate: 30-220 BPM, 1Hz, QRS
event detection: 4ms resolution,
RR intervals: 4ms resolution HRV
analysis, Quality assessment
channels:
Hexoskin
Disconnection detection, 50-60Hz
noise detection, Saturated ECG
signal Detection
Movement artifact detection,
Rrintervals reliability detection
Sensors: Optical heart-rate sensor
LifeBEAM
& 3-axis accelerometer, Max.
Cycling
readable heart rate: 220 BPM,
Helmet
Min. readable heart rate: 30 BPM.
Perangkat perekam HR seperti pada Tabel 1
dapat terhubung dengan smartphone dan disediakan
pula user interface (UI) untuk menampilkan data.
Akan tetapi perangkat tersebut merupakan sensor
PPG yang terpisah dengan smartphone. Samsung
Galaxy S5 memiliki sensor PPG yang build-in
dengan smartphone tetapi perangkat tersebut
merupakan sensor khusus yang tidak semua
smartphone memiliki sehingga penggunaannya
terbatas.
V. DASAR TEORI
Adapun perangkat pendukung yang dapat
digunakan dalam pengimplementasian PPG
diantaranya :
A. Analog to Digital Converter (ADC),
adalah proses mengubah input berupa data
analog menjadi data digital. Pada ADC
terdapat dua hal utama yaitu sampling dan
resolusi. Kecepatan sampling menentukan
seberapa sering data analog diubah menjadi
data digital pada suatu selang waktu.
Sedangkan resolusi menentukan ketelitian
dari nilai hasil konversi data ADC. ADC
bekerja dengan cara melakukan
mencuplikan sinyal pada kecepatan
tertentu. Kecepatan pengambilan data dari
sinyal analog yang akan dikonversi harus
memenuhi kriteria Nyquist yaitu:
𝑓𝑠 > 2𝑓𝑖𝑛 𝑚𝑎𝑥
 Frekuensi sampling (fs) minimum harus
lebih besar dari dua kali nilai frekuensi
input (fin) maksimum yang akan
dikonversi. Apabila kriteria Nyquist tidak
terpenuhi maka akan muncul efek aliasing
dimana frekuensi tertentu terlihat seperti
frekuensi lain [10].
B. Light Emitting Diode (LED), Dioda
pemancar cahaya atau Light Emitting
Diode (LED) adalah dioda yang
memancarkan cahaya bila diberi forward
bias. Dengan menggunakan bahan
semikonduktor campuran dapat dihasilkan
LED yang dapat meradiasikan bermacam
warna seperti merah, hijau, kuning, biru,
oranye, atau inframerah (tak tampak) [11].
Gambar 6. LED
C. Photodioda, walau tidak digunakan pada
penelitian terkait dengan video, PD
merupakan dasar dari perkembangan
pengimplementasian PPG. Photodioda
adalah sebuah piranti elektronika yang
memiliki fungsi sebagai pendeteksi cahaya.
Saat tidak terkena cahaya, photodioda tidak
dapat menghasilkan arus listrik. Namun
saat terkena cahaya, photodioda menyerap
photon, mengakibatkan photodioda on
sehingga arus listrik akan mengalir [11].
Gambar 7. Photodioda
D. Independent Component Analysis
(ICA), sebuah teknik statistik yang
digunakan untuk mengungkap sinyal
sumber independen dari sekumpulan
campuran yang diamati, digunakan untuk
menyelesaikan pemisahan sumber buta
(BSS) [20, 21]. BSS bertujuan untuk
memulihkan sinyal yang tidak teramati dari
seperangkat pengamatan yang diasumsikan
sebagai campuran linier dari beberapa
sumber yang mendasarinya. Properti
"blind" dari BBS bergantung pada fakta
bahwa tidak diketahui bahwa mereka
bercampur. "Cocktail party problem " bisa
menafsirkan BBS dengan sangat baik [22].
Dalam model ini, sekelompok mikrofon
berkisar di ruang pesta koktail, di mana
orang berbicara bersamaan, mencatat suara
yang merupakan campuran suara orang di
ruangan itu (lihat gambar 8). BBS
digunakan untuk memisahkan suara dari
semua mikrofon lainnya, untuk
menghilangkan polusi dari suara orang
lain, dan sama sekali sesuai dengan suara
aslinya.
Gambar 8. The cocktail party problem
E. Fast Fourier Transform (TTF),
Transformasi Fourier (FT) adalah
transformasi matematis yang digunakan
mengubah sinyal antara domain waktu dan
domain frekuensi [12]. Dalam prakteknya,
transformasi sering terjadi dalam sampel
sinyal terpisah, dan transformasi hanya
terjadi pada satu set frekuensi diskrit.
Untuk proyek kami, informasi RGB dari
frame bersifat diskrit. Metode komputasi
ini disebut sebagai Discrete Fourier
Transform (DFT). Fast Fourier Transform
(FFT) adalah algoritma cepat untuk
mengimplementasikan DFT. Formula DFT
yaitu [9] :
𝑁−1
−𝑗2𝑝𝑖𝑘𝑛
𝐹[𝑛] = ∑ 𝑓[𝑘]𝑒 𝑁
𝑘=0
(𝑛 = 0: 𝑁 − 1)
𝐹[𝑛] = Matrik data PPG dalam domain
Frekuensi, 𝑁 = DFT size (ukuran data
DFT),
𝑓[𝑘] = Matrik data PPG dalam domain
waktu, 𝑛 = Index data PPG dalam domain
frekwensi, 𝑘 = Index data PPG dalam
domain waktu.
 VI. PENELITIAN TERKAIT
Pada penelitian [4], melakukan penelitian
tentang korelasi antara nilai HR yang diperoleh dari
dua smartphone yang berbeda (Droid dan iPhone 4s)
dengan nilai HR yang diperoleh dari sinyal ECG.
Analisis dilakukan menggunakan metode Pearson
Correlation. Hasil penelitian menjukkan bahwa
terdapat hubungan linier antara pengukuran HR
berbasis sinyal PPG smartphone dengan pengukuran
HR berbasis sinyal ECG. Hasil penenelitian
menyatakan bahwa smartphone dapat digunakan
sebagai alat pengukuran HR secara real-time.
Pada penelitian [5], penulis membahas
bagaimana citra video wajah yang diambil
menggunakan webcam bisa digunakan pada
pengukuran denyut jantung. Secara umum, sistem
pada penelitian ini akan mengektrak informasi
Photoplethysmography dari citra video wajah
masukan melalui analisis dan postprocessing
menggunakan pustaka emguCV untuk mendeteksi
wajah. menentukan Region of Interest (ROI)
pengukuran, dan separasi ROI pada tiap frame
menjadi 3 kanal warna yaitu R (merah), G (hijau), B
(biru). Kemudian tiap kanal diproses menggunakan
metoda Independent Component Analysis hingga
diperoleh nilai denyut jantung sebagai hasil
pengukuran. Hasilnya akan dibandingkan dengan
pulse oximeter digital, yaitu alat ukur sinyal
fisiologis standar berbasis photoplethysmography
untuk menentukan tingkat akurasi dari hasil
pengukuran. Post-processing dan analisis dari video
dan rekaman fisiologis dilakukan dengan
menggunakan perangkat lunak yang dibuat
menggunakan bahasa pemmrograman C# dan kakas
pengembangan Visual Studio 2010 Ultimate
(Microosoft Corp.). kemudian digunakan pelacak
wajah otomatis untuk mendeteksi wajah dalam
frame video dan melokalisasi daerah pengukuran
(Region of Interest = ROI) untuk setiap frame video.
Pada tahap implementasi, pustaka emguCV
digunakan untuk mendapatkan koordinat lokasi
wajah [19]. Untuk mencegah kesalahan segmentasi
wajah agar tidak mempengaruhi kinerja algoritma,
koordinat wajah dari frame sebelumnya digunakan
jika tidak ada wajah yang terdeteksi. Kemudian ROI
dipisahkan ke tiga kanal dan dihitung rata-rata setiap
kanal untuk mendapatkan titik pengukuran merah
(R), biru (B) dan hijau (G) untuk setiap frame.
Kemudian Fast Fourier Transform (FFT)
diimplementasikan pada sinyal sumber untuk
mendapatkan power spectrum. Untuk mengatasi
derau yang terjadi pada perhitungan frekuensi
denyut nadi maka digunakan proses estimasi historis
dari frekuensi pulsa untuk menolak artefak dengan
menetapkan ambang batas (threshold) untuk
perubahan maksimum dalam denyut nadi antara
pengukuran berturut-turut (diambil 1 detik secara
terpisah). Berdasarkan hasil penelitian
memnunjukkan bahwa Hasil pengukuran denyut
jantung yang dihasilkan dengan ICA mendekati
hasil pengukuran menggunakan pulse oximeter
sebagai referensi.
Pada penelitian [9], Pada penelitian ini akan
dilakukan penelitian terkait deteksi denyut nadi
menggunakan kamera smartphone yang tujuannya
adalah dapat monitoring kondisi kesehatan dengan
mudah serta dapat digunakan oleh setiap orang.
Teknik serta perhitungan yang digunakan adalah
Photoplethysmography dan Discrete Fourier
Transform (DFT).
Gambar 9. Diagram Blok penelitian [9]
Terdapat beberapa langkah yang dilakukan pada
penelitian ini seperti yang dapat dilihat pada gambar
9, yaitu:
1. Pengambilan data, merupakan langkah
pertama yang dilakukan pada penelitian ini
dengan data uji berupa video dengan spesifikasi
30 fps yang dihasilkan oleh perangkat
smartphone. Secara teknis pengambilan data
dilakukan dengan menempelkan jari diatas
lensa kamera dengan Flash LED perangkat
dalam kondisi menyala. Iluminasi cahaya oleh
Flash LED menyebabkan perubahan warna
pada video terlihat jelas saat volume darah pada
jaringan kulit berubah. Perubahan warna
tersebut adalah fitur untuk mengetahui
informasi tentang PPG. Hasil dari pengambilan
data dapat dilihat pada gambar 8.
 Gambar 8. Contoh hasil pengambilan data Jumlah polynomial diatur secara manual
penelitian [9] menyesuaikan pola sinyal. Sinyal dengan
rentang aplitudo yang tinggi cenderung
2. Ekstraksi data, Ekstraksi data yang dilakukan memerlukan jumlah polynomial yang lebih
berupa mengekstrak fitur pada frame video dan besar demikian juga sebaliknya. Hasil filter data
mengkonversinya menjadi sinyal. Fitur yang menggunakan PCF terkadang membuat pola
digunakan adalah perubahan warna yang sinyal tidak halus atau memiliki noise. Oleh
mengindikasikan perubahan volume darah pada karena itu, sinyal hasil filterisasi menggunakan
mikrovaskular sebagai akibat dari aktifitas PCF harus diproses lebih lanjut untuk
denyut jantung manusia. Proses ekstraksi data menghaluskan sinyal.
pada penelitian ini memuat tiga tahap yaitu
penentuan Region of Interest (ROI), ekstraksi
frame, dan konversi dari nilai pixel ke Noise
gelombang sinyal. Region of Interest (ROI)
digunakan untuk mencari bagian citra yang
memuat fitur perubahan warna paling signifikan
[5]. ROI pada penelitian ini dilakukan dengan
melakukan pemindaian pada salah satu bagian
frame yang ditentukan. Image pada frame yang
terpilih dibagi menjadi 4x3 blok, Pada setiap
blok dilakukan perhitungan nilai rata-rata pixel
(𝑃̅ ). Blok yang memiliki nilai pixel paling Gambar 11. Noise yang muncul setelah filtering
heterogen ditandai dengan nilai 𝑃̅ yang paling data
mendekati 255/2. Blok yang memenuhi kriteria
Proses penghalusan sinyal pada penelitian ini
tersebut dipilih sebagai area acuan ekstraksi
dilakukan dengan menggunakan Savitzky-Golay
video. Lalu dilakukan pemindaian pada setiap
(S-G) filtering. S-G filtering melakukan
blok untuk mencari bagian yang memuat nilai
pemindaian dalam sebuah rentang data secara
pixel paling heterogen. Bagian tersebut
berurut sepanjang data yang tersedia. Kemudian
diguanakan sebagai area acuan untuk
menghilangkan noise yang terdapat pada sinyal
melakukan ekstraksi seperti yang terlihat pada
dengan memotong sinyal, membuang bagian
gambar 10.
yang mengandung noise dan setelah itu
menyambungnya kembali menjadi sinyal utuh
yang dapat dilihat pada gambar 12.

Gambar 10. Blok terpilih yang digunakan sebagai

area acuan melakukan ekstraksi sinyal PPG
3. Filtering data, Sinyal yang dihasilkan dari
ekstraksi video tidak selalu stabil. Pergerakan
atau perubahan tekanan jari (motion artifact)
saat menyentuh kamera menyebabkan
perubahan intensitas cahaya yang diterima oleh
kamera. Hal ini juga menyebabkan amplitude
berubah saat dilakukan ekstraksi video. Filter
data pada penelitian ini bertujuan untuk
membuat sinyal memiliki amplitude yang lebih
4.
stabil. Filter data pada penelitian ini
menggunakan Polynomial Curve Fitting (PCF).
Gambar 12. Pola sinyal PPG yang stabil
Pada Gambar diatas, sinyal berwarna biru
menunjukkan data asli sedangkan sinyal
berwarna merah menunjukkan data yang telah
mengalami penyaringan (filtering)
menggunakan S-G filtering. Pada gambar
tersebut terlihat bahwa data yang memuat noise
dapat tereduksi dengan baik.
Identifikasi Sinyal PPG. Untuk mengetahui
informasi mengenai sinyal PPG dapat diketahui
jika sinyal diubah ke domain frekuensi. Untuk
 mengubah sinyal dalam domain waktu ke
domain frekuensi maka digunakan perhitungan
Discrate Fourirer Transform (DFT), persamaan
DFT dapat dilihat pada 5.E. Sinyal PPG pada
domain frekwensi memiliki tiga sinyal
harmonic. Sinyal harmonic pertama memiliki
nilai power tertinggi dan mengindikasikan
aktifitas denyut nadi (heart beat)
Gambar 13. Sinyal harmonic dalam domain
frekuensi
Untuk mengetahui perkiraan nilai Heart Rate
(HR) pada sinyal hasil proses deteksi PPG maka
dilakukan deteksi puncak untuk mengetahui
nilai R-R Interval. R-peak adalah puncak sinyal
yang menandakan beat-beat nadi manusia.
Adapun metode yang digunakan untuk
Pengukuran HR adalah metode Pengukuran
Heart rate Variability (HRV) dalam domain
waktu.
Hasil dari penelitian [9] ini menunjukkan bahwa
nilai HR yang diperoleh menggunakan algoritma
yang diusulkan yaitu 72 bpm tidak jauh berbeda
dengan nilai HR data referensi yaitu sebesar 70 bpm.
Nilai tersebut hanya berbeda 2 bpm jika
dibandingkan dengan data referensinya.
Pada penelitian [25], melakukan penelitian
tentang ekstraksi Heart Rate Variability (HRV) dari
sinyal berbasis PPG pada smartphone. Penelitian
tersebut mengeksplorasi 16 parameter HRV yang
mencakup domain waktu, domain frekwensi, dan
non-linier parameter. Dari 30 sample yang diuji
diperoleh hasil bahwa 14 parameter HRV dari sinyal
PPG memiliki nilai korelasi yang tinggi (r > 0.7, P <
0.001) terhadap data yang diperoleh dari sinyal
ECG. Penelitian menggunakan red-channel video
untuk memperoleh sinyal PPG. Hasil pengamatan
menyatakan bahwa nilai pixel pada G-channel dan
B-channel cenderung nol dan perubahan warna pada
R-channel terlihat jelas dibandingkan dengan
channel G dan B.
VII. KESIMPULAN
Semakin majunya teknologi dan penelitian
dibidang teknologi membuat berbagai media yang
sebelumnya dipikir tidak dapat melakukan “itu”
menjadi bisa melakukannya. Seperti beberapa
penelitian sebelumnya dapat kita ketahui jika
kamera juga dapat dijadWikan sebagai media untuk
mengukur denyut nadi manusia, dan data yang
didapatkan bisa digunakan sebagai infromasi yang
baru yang dapat dipakai dalam bidang lain
semisalnya tingkat kesetresan pengguna terutama
pada bidang Psycology.
Objek yang ditelit pun tidak hanya jari, pada
penelitian [2, 5], [23-25] yang menggunakan wajah
sebagai objek penelitian untuk menentukan HR.
Berdasarkan penelitian-penelitian sebelumnya
membuktikan jika video dapat diolah menggunakan
video processing maupun image processing.
Beberapa metode yang sangat berguna diantaranya
yaitu ROI (Region of Interest), Thresholding, dan
mode warna RGB/TrueColor.
VIII. REFERENSI
[1] Riza Yulian, Bambang Suprianto.
Rancang Bangun Photoplethysmography
(PPG) Tipe Gelang Tangan untuk
Menghitung Detak Jantung Berbasis
Arduino. Jurnal Teknik Elektro UNESA
Vol 6, No 3. 2017
[2] Weihua Lin. Measuring heart rate using
computer vision techniques on Android
based mobile phone. Institute of Sensors,
Signals and Systems School of
Engineering and Physical Sciences Heriot-
Watt University. August 2014
[3] Yong-Poh Yu, Ban-Hoe Kwan, Chern-
Loon Lim, Siaw-Lang Wong, P.
Raveendran. Video-Based Heart Rate
Measurement Using Shorttime Fourier
Transform. Intelligent Signal Processing
and Communications Systems (ISPACS).
2013
[4] Jeffrey B. Bolkhovsky, Christopher G.
Scully, Student Member, IEEE, and Ki H.
Chon, Senior Member, IEEE. Statistical
Analysis of Heart Rate and Heart Rate
Variability Monitoring Through the Use of
Smart Phone Cameras. Annual
International Conference of the IEEE
EMBS San Diego, California USA, 28
August - 1 Septembe. 2012
[5] Rofiqi Setiawan1, Achmad Rizal [14] Poh M Z, McDuff D J, Picard R W. Non-
S.T.,M.T., Fazmah Arief Yulianto, S.T., contact, automated cardiac pulse
M.T. Penanggulangan Derau measurements using video imaging
Photoplethysmography menggunakan and blind source separation”. Optics
Independent Component Analaysis pada Express, 2010, 18(10): 10762-10774.
pengukuran Denyut Jantung berdasarkan
Video Wajah.. Tugas Akhir, Fakultas [15] Bousefsaf F, Maaoui C, Pruski A. Remote
Informatika Institut Teknologi Telkom. assessment of the heart rate variability to
2010 detect mental stress. Proceedings of the
7th International Conference on Pervasive
[6] Toshiyo Tamura, Yuka Maeda, Masaki Computing Technologies for Healthcare.
Sekine dan Masaki Yoshida. Wearable ICST (Institute for Computer Sciences,
Photoplethysmographic Sensors—Past Social-Informatics and
and Present. MDPI Electronics 2014, 3, Telecommunications Engineering), 2013:
282-302. 2014. 348-351.

[7] John Allen. Photoplethysmography and its [16] Takano C, Ohta Y. Heart rate
application in clinical physiological measurement based on a time-lapse image.
measurement. Physiol. Meas. 28 (2007) Medical engineering & physics, 2007,
R1–R39. 2007 29(8): 853-857.

[8] GD Clifford. Signal Processing Methods [17] Scully C, Lee J, Meyer J, et al.
for Heart Rate Variability. Thesis Doctor Physiological parameter monitoring from
of Philosophy University of Oxford. 2002 optical recordings with a mobile phone.
Biomedical Engineering, IEEE
[9] Farid Suryanto, DETEKSI DENYUT Transactions on, 2012, 59(2): 303-306.
NADI MANUSIA BERBASIS
PHOTOPLETHYSMOGRAPHY (PPG) [18] Jonathan E, Leahy M. Investigating a
PADA VIDEO MENGGUNAKAN smartphone imaging unit for
DISCRETE FOURIER TRANSFORM photoplethysmography. Physiological
(DFT). TESIS – TE142599 INSTITUT measurement, 2010, 31(11): N79.
TEKNOLOGI SEPULUH NOPEMBER.
2017 [19] GNU FDL license., “emgu Computer
Vision Library”. GNU Free
[10] Hary. (t.t). Modul Codec dan Sampling. Documentation. (2001)
Dalam Lecturer Pens Home Page. Diakses
pada 17 Desember 2017 dari [20] Cardoso J F. Blind signal separation:
http://www.bima.lecturer.pens.ac.id/.../ps statistical principles. Proceedings of the
2_codec_sampling.pdf IEEE, 1998, 86(10): 2009-2025.

[11] Chitra Annisa Pratiwi, Putri Madona dan [21] Comon P. Independent component
Yusmar Palapa Wijaya. Akuisisi Data analysis, a new concept?. Signal
Sinyal Photoplethysmograph (PPG) processing, 1994, 36(3): 287-314.
Menggunakan Photodioda. Jurnal
ELEMENTER. Vol. 2, No. 2, Nov 2016 [22] A. Hyv¨arinen and Shubhendu Trivedi.
Blind source separation in magnetic
[12] Burrus C S S, Parks T W. DFT/FFT and resonance images. Diakses pada 17
Convolution Algorithms: theory and Desember 2017 di
Implementation John Wiley & Sons, Inc., http://onionesquereality.wordpress.com/2
1991. 010/01/30/blind-source-separation-in-ma
gnetic-resonance-images/.
[13] Poh M Z, Swenson N C, Picard R W.
Motion-tolerant magnetic earring sensor [23] YungChien Hsu, Yen-Liang Lin, Winston
and wireless earpiece for wearable Hsu. Learning-based heart rate detection
photoplethysmography. Information from remote photoplethysmography
Technology in Biomedicine, IEEE features. International Conference on
Transactions on, 2010, 14(3): 786-794. Acoustic, Speech and Signal Processing
(ICASSP). 2014.
[24] Xiaohua Wu, Xin Li, Yulin Xu, and Lang
Zhang. A Noncontact Measurement of
Cardiac Pulse Based on
PhotoPlethysmoGraphy. LSMS 2017,
ICSEE 2017

[25] Peng, R.-C., Zhou, X.-L., Lin, W.-H. &

Zhang, Y.-T., 2015. Extraction of Heart
Rate Variability from Smartphone
Photoplethysmograms. Computational
and Mathematical Methods in Medicine,
Volume 2015, Article ID 516826(11), pp.
1-11.