1

BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Tekanan darah atau blood pressure (BP) merupakan tekanan yang diberikan
oleh sirkulasi darah terhadap dinding arteri. Hal ini salah satu dari empat tanda
vital tubuh manusia bersama dengan suhu tubuh, denyut nadi, dan pernapasan,
oleh karena itu merupakan indikator penting untuk menilai kondisi kesehatan
seseorang [6]. Secara khusus, pengukuran BP digunakan untuk memantau fungsi
kardiovaskular tubuh. Tingkat tekanan darah yang tidak normal meningkatkan
risiko penyakit kardiovaskular (CVD), merusak organ dalam, dan akhirnya
berakibat fatal [7]. Sebagai contoh, hipertensi kronis atau tekanan darah tinggi,
dapat memicu beberapa penyakit seperti penyakit ginjal, serangan jantung, dan
stroke [8]. Bahkan, hipertensi adalah salah satu faktor risiko paling kritis untuk
CVD [9], dan menurut World Health Organisation (WHO), CVD adalah
penyebab utama kematian di seluruh dunia [10, 11]. Dengan demikian,
pemantauan BP tanpa manset dan terus menerus sangat penting untuk deteksi dini,
manajemen dan pengobatan CVD serta penyakit hemodinamik [12].

Metode pengukuran BP klinis saat ini bersifat invasif atau berbasis manset.
Pertama kali dikenal sebagai kateterisasi [13], ini memberikan pengukuran BP
terus menerus langsung untuk setiap detak jantung. Meskipun metode ini
dianggap sebagai pengukuran tekanan darah yang paling akurat, teknik seperti itu
hanya berlaku untuk pasien yang menjalani intervensi bedah. Namun, teknik
pengukuran BP yang paling umum digunakan dalam perawatan kesehatan
didasarkan pada perangkat tipe manset konvensional [14]. Pengukuran berbasis
manset dapat memberikan nilai Systolic Blood Pressure (SBP) dan Diastolic
Blood Pressure (DBP) untuk titik waktu tertentu secara noninvasif. Namun,
terlepas dari keuntungan ini, perangkat BP berbasis manset sebagian besar
terputus-putus, membosankan, dan tidak nyaman bagi pasien karena inflasi dan
deflasi manset yang berulang selama pengukuran.

Pengukuran BP tanpa manset telah menarik banyak perhatian selama beberapa

 2
dekade terakhir dan telah berkembang pesat dalam setiap aspek. Beberapa
pendekatan tersebut terutama didasarkan pada pemanfaatan sinyal fisiologis,
seperti Photoplethysmogram (PPG) dan Electrocardiogram (EKG). Pulse Transit
Time (PTT) adalah salah satu pendekatan yang telah dipelajari secara ekstensif
[15, 16, 17, 18, 19]. Ada korelasi terbalik yang sering terjadi antara BP dan PTT
[20]. PTT adalah waktu tunda gelombang tekanan untuk melakukan perjalanan
antara dua lokasi pada tubuh. Pulse Arrival Time (PAT) adalah pendekatan tanpa
manset lainnya dan mengacu pada interval waktu denyut nadi darah untuk
berjalan antara pembukaan katup aorta dan kedatangan gelombang nadi ke titik
periferal pada tubuh, seperti ujung jari, jari kaki, daun telinga, dll [21]. Kelemahan
utama dari pendekatan PTT dan PAT adalah kenyataan bahwa dua sensor
diperlukan untuk pengukuran simultan di dua lokasi berbeda pada tubuh. Hal ini
tidak mudah diterapkan dan membutuhkan lebih banyak usaha dan perhatian
selama penyetelan, karena sinyal yang diperoleh harus disinkronkan dengan
sempurna untuk deteksi puncak yang akurat, yang sangat penting untuk
memperkirakan parameter ini. Kelemahan penting lainnya adalah mereka
memerlukan perhitungan periode pre-ejection period (PEP) juga. Selain itu,
metode ini bergantung pada model propagasi gelombang arteri yang rumit (yaitu
elastisitas arteri menentukan kecepatan perjalanan pulsa tekanan) dan memerlukan
kalibrasi individu karena ketergantungannya pada karakteristik fisiologis pasien.
Semua alasan ini mencegah PTT dan PAT menjadi indikator praktis yang andal,
dan menggantikan metode pengukuran BP tradisional [22, 23].

Dalam upaya untuk mengatasi keterbatasan tersebut, memperkirakan BP

menggunakan sinyal fisiologis tunggal, yaitu, PPG, telah mendapatkan perhatian
yang meningkat selama beberapa tahun terakhir, karena kesederhanaannya, dan
kemampuan untuk memberikan pengukuran terus menerus dan tanpa manset.
Dalam pendekatan ini, sinyal atau fitur PPG mentah yang diekstraksi dari bentuk
gelombang dan turunannya membentuk input untuk pembelajaran mesin dan
model jaringan saraf. Berbagai estimator telah digunakan termasuk regresi linier,
support vector regression (SVR), random forest (RF), feedforward neural
network, convolutional neural network (CNN) serta kombinasi dari CNN dan
model jaringan saraf berulang lainnya [24, 25, 26, 27, 28]. Namun, banyak dari
 3
studi ini tidak berfokus pada pengoptimalan set fitur atau mempelajari dampak
setiap fitur pada keluaran target. Fitur yang tidak signifikan dan redundan dapat
berdampak negatif pada model, dan selanjutnya mengurangi akurasi estimasinya.
Selain itu, hanya sedikit penelitian yang mempertimbangkan pemodelan variasi
fitur PPG sehubungan dengan waktu, namun mayoritas didasarkan pada
pendekatan PTT atau PAT [29, 30, 31], oleh karena itu, diperlukan dua sinyal.

Interval pulsa PPG juga telah digunakan untuk memperkirakan variabilitas

denyut jantung atau biasa disebut heart rate variability (HRV) (Kinnunen et al.,
2020). Pemantauan HRV adalah pendekatan alternatif baru untuk hipertensi yang
memungkinkan pengguna untuk memantau Kesehatan mereka dengan cara yang
tidak diganggu, seperti saat tidur (Ni et al., 2019). HRV juga merupakan
perubahan interval waktu antara denyut. Ini diproduksi oleh sistem saraf otonom,
termasuk saraf simpatik atau Sympatic Neuro System (SNS) dan sistem saraf
parasimpatis atau Parasympatic Neuro System (PNS) (Terathongkum & Pickler,
2004). HRV bisa dinyatakan dalam bentuk domain waktu dan domain frekuensi.
Domain waktu HRV lebih mudah digunakan karena didasarkan pada ukuran
statistic umum. Berbeda dengan metode domain waktu, perhitungan metode
domain frekuensi HRV ditentukan dengan menggunakan analisis spectral untuk
mengukur kandungan frekunesi sinyal (Tarvainen et al., 2014).

Indeks domain waktu HRV mengkuantifikasi jumlah variabilitas dalam ukuran

interval interbeat (IBI), lamanya waktu antara detak jantung berturut-turut
(Tarvainen et al., 2014). Analisis domain waktu memungkinkan penggalian
banyak pengukuran dari sinyal interval RR mentah. Pengukuran domain frekuensi
menghitung distribusi daya absolut atau relative dalam empat pita frekuensi.
Empat pita frekuensi tersebut adalah osilasi denyut jantung (HR), frekuensi sangat
rendah (VLF), frekuensi rendah (LF) dan frekuensi tinggi (HF).

Selain itu, standar global untuk pengukuran BP tanpa manset, yang ditetapkan
oleh American National Standards of the Association for the Advancement of
Medical Instrumentation (AAMI), tidak diikuti secara ketat dalam hal jumlah
minimum subjek yang diperlukan untuk evaluasi. AAMI mensyaratkan mean
error (ME) dan standard deviation (SD) tidak lebih besar dari 5±8 mmHg yang
dievaluasi pada setidaknya 85 subjek. Namun, sebagian besar penelitian yang
 4
dipublikasikan sejauh ini gagal memenuhi kedua persyaratan AAMI yaitu evaluasi
teknik yang diusulkan pada 85 subjek dan mencapai kesalahan di bawah 5±8
mmHg. Oleh karena itu, teknik sederhana yang andal untuk pemantauan BP tanpa
manset dan terus menerus menggunakan satu sensor belum ditetapkan dalam
praktik klinis. Oleh karena itu, pendekatan PPG memerlukan penyelidikan lebih
lanjut untuk menemukan rangkaian fitur yang paling relevan.

Berdasarkan latar belakang di atas, maka pada penelitian ini akan dilakukan
pengembangan model estimasi tekanan darah tinggi dengan HRV dari
Photoplethysmogram (PPG) domain waktu dan domain frekuensi untuk
memenuhi persyaratan AAMI. Klasifikasi yang digunakan pada penelitian ini
menggunakan Long Short-Term Memory (LSTM), Multilayer Perceptron (MLP),
Support Vector Regression (SVR), Random Forest dan AdaBoost yang di
implementasikan menggunakan google colaboratory. Google colaboratory
merupakan layanan cloud dari google yang menyediakan runtime Pyhthon 3.10.

B. Batasan Masalah
Pada penelitian ini menggunakan batasan-batasan permasalahan sebagai
berikut:

1. Algoritma machine learning yang digunakan untuk identifikasi tekanan darah

tinggi dalam penelitian ini dengan fitur HRV menggunakan Long Short-Term
Memory (LSTM) dengan memvariasikan jenis algoritma forget gate, input gate
dan output gate. Multilayer Perceptron (MLP) dengan memvariasikan kernel
LBFGS dan penurunan gradien stokastik. Support Vector Regression (SVR)
dengan memvariasikan kernel linear, polynomial dan RBF. Random Forest
dengan memvariasikan jenis criterion yaitu criterion gini dan criterion
entropy. AdaBoost memanfaatkan bagging dan boosting untuk
mengembangkan peningkatan akurasi predictor.

2. Penggunaan HRV domain waktu dan domain frekuensi sebagai fitur pada
deteksi tekanan darah.

3. Kinerja system identifikasi tekanan darah tinggi berupa akurasi dari masing-
masing algoritma machine learning.
 5
C. Rumusan Masalah
Berdasarkan uraian latar belakang dan tujuan penelitian yang telah dijelaskan,
maka dapat dituliskan perumusan masalah sebagai berikut:
1. Bagaimana cara merancang sistem identifikasi tekanan darah tinggi
menggunakan Long Short-Term Memory (LSTM), Multilayer Perceptron (MLP),
Support Vector Regression (SVR), Random Forest dan AdaBoost?
2.
3. Bagaimana penyelesaian persamaan Schrodinger-Cosmic string bagian radial
dengan position dependent of mass dalam koordinat bola untuk potensial
Inverse Quadratic menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA)
?
4. Bagaimana penyelesaian persamaan Schrodinger-Cosmic string bagian sudut
dengan position dependent of mass dalam koordinat bola untuk potensial Scarf
menggunakan metode Nikiforov Uvarov Functional Analysis (NUFA) ?
5. Bagaimana analisis energi, fungsi gelombang, sifat termodinamika, dan sifat
magnet bagian radial untuk potensial Inverse Quadratic dan bagian sudut untuk
potensial Scarf menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA) ?
6. Bagaimana visualisasi energi, fungsi gelombang, sifat termodinamika, dan sifat
magnet bagian radial untuk potensial Inverse Quadratic dan bagian sudut untuk
potensial Scarf menggunakan software Matlab R2022a ?
 6

D. Tujuan Penelitian
Dari latar belakang yang mendasari penelitian ini, maka tujuan dari penelitian
ini adalah sebagai berikut :
1. Memperoleh penyelesaian persamaan Schrodinger-Cosmic string bagian radial
dengan position dependent of mass dalam koordinat bola untuk potensial
Inverse Quadratic menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA).
2. Memperoleh penyelesaian persamaan Schrodinger-Cosmic string bagian sudut
dengan position dependent of mass dalam koordinat bola untuk potensial Scarf
menggunakan metode Nikiforov Uvarov Functional Analysis (NUFA).
3. Mendapatkan analisis energi, fungsi gelombang, sifat termodinamika, dan sifat
magnet bagian radial untuk potensial Inverse Quadratic dan bagian sudut untuk
potensial Scarf menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA).
4. Mendapatkan visualisasi energi, fungsi gelombang, sifat termodinamika, dan
sifat magnet bagian radial untuk potensial Inverse Quadratic dan bagian sudut
untuk potensial Scarf menggunakan software Matlab R2022a.

E. Manfaat Penelitian
Adapaun manfaat dilakukannya penelitian ini adalah :
1. Memperoleh penyelesaian persamaan Schrodinger-Cosmic string bagian radial
dengan position dependent of mass dalam koordinat bola untuk potensial
Inverse Quadratic menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA).
2. Memperoleh penyelesaian persamaan Schrodinger-Cosmic string bagian sudut
dengan position dependent of mass dalam koordinat bola untuk potensial Scarf
menggunakan metode Nikiforov Uvarov Functional Analysis (NUFA).
3. Dapat mengembangkan dan melatih kemampuan bagi peneliti dalam
menyelesaikan persamaan energi dan fungsi gelombang bagian radial untuk
potensial Inverse Quadratic menggunakan metode Nikiforov Uvarov
Functional Analysis (NUFA).
 7

4. Dapat mengembangkan dan melatih kemampuan bagi peneliti dalam

menyelesaikan persamaan energi dan fungsi gelombang bagian sudut untuk
potensial Scarf menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA).
5. Dapat memberikan informasi kepada pembaca tentang analisis energi, fungsi
gelombang, sifat termodinamika dan sifat magnet bagian radial untuk potensial
Inverse Quadratic menggunakan metode Nikiforov Uvarov Functional Analysis
(NUFA).
6. Dapat memberikan informasi kepada pembaca tentang analisis energi, fungsi
gelombang, sifat termodinamika dan sifat magnet bagian sudut potensial Scarf
menggunakan metode Nikiforov Uvarov Functional Analysis (NUFA).
7. Memberikan kemudahan kepada pembaca dalam memahami fisika kuantum
dalam bentuk penyelesaian persamaan Schrodinger dengan visualisasi energi,
fungsi gelombang, sifat termodinamika, dan sifat magnet untuk potensial
Inverse Quadratic dan bagian sudut untuk potensial Scarf.