INTEGRASI IOT DAN MACHINE LEARNING UNTUK KLASIFIKASI KONDISI TEKANAN DARAH BERBASIS PULSE RATE VARIABILITY (PRV) SINYAL PPG LED HIJAU=INTEGRATION OF IOT AND MACHINE LEARNING FOR CLASSIFICATION OF BLOOD PRESSURE CONDITIONS BASED ON PULSE RATE VARIABILITY (PRV) OF GREEN LED PPG SIGNALS

Pendahuluan. Tekanan darah merupakan parameter fisiologis penting dalam evaluasi kondisi kardiovaskular, namun metode pengukuran konvensional berbasis manset masih memiliki keterbatasan dalam pemantauan berkelanjutan. Oleh karena itu, diperlukan sistem pemantauan tekanan darah non-invasif yang lebih praktis dengan memanfaatkan sinyal photoplethysmography (PPG) dan teknologi Internet of Things (IoT). Tujuan. Penelitian ini bertujuan merancang dan mengembangkan sistem klasifikasi kondisi tekanan darah berbasis Pulse Rate Variability (PRV) dari sinyal PPG LED hijau yang terintegrasi dengan Machine Learning (ML) dan IoT. Metode. Akuisisi sinyal PPG dilakukan menggunakan Pulse Sensor Amped yang terhubung dengan mikrokontroler ESP32 dengan frekuensi sampling 100 Hz, dilanjutkan dengan tahap pre-processing, evaluasi kualitas sinyal menggunakan Signal Skewness Quality Index (SSQI), serta ekstraksi fitur PRV dan fitur statistik sinyal. Proses klasifikasi dilakukan menggunakan algoritma Random Forest, XGBoost, dan LightGBM yang dikombinasikan melalui metode Voting Ensemble. Dataset penelitian terdiri dari 90 subjek yang diklasifikasikan ke dalam kondisi tekanan darah normal dan tidak normal berdasarkan pengukuran tensimeter digital sebagai referensi. Hasil. Hasil penelitian menunjukkan bahwa model klasifikasi memperoleh akurasi sebesar 61,4% pada skema cross-validation dan sekitar 60% pada pengujian langsung, serta sistem mampu menampilkan hasil klasifikasi secara near real-time melalui aplikasi Blynk. Kesimpulan. Sistem klasifikasi kondisi tekanan darah berbasis sinyal PPG LED hijau yang terintegrasi dengan ML dan IoT berhasil diimplementasikan dan menunjukkan potensi sebagai sistem skrining awal tekanan darah non-invasif berbasis perangkat berdaya rendah.