Penerapan Photoplethysmography pada Pengukuran Denyut Jantung Berbasis LSTM untuk Meningkatkan Akurasi Data

Andi Muhammad Yanwar, Dr. Mardhani Riasetiawan, SE Ak, M.T

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penelitian ini mengembangkan sistem embedded real-time berbasis ESP32 dan sensor MAX30102 untuk estimasi denyut jantung menggunakan algoritma LSTM guna mengatasi tantangan akurasi PPG pada kondisi dinamis. Sistem mengintegrasikan pipeline pemrosesan sinyal komprehensif meliputi multi-stage filtering, wavelet denoising, dan quality assessment. Arsitektur LSTM dioptimasi dengan layer normalization dan mekanisme dropout, kemudian di-deploy menggunakan TensorFlow Lite Micro dengan kuantisasi Float32. Hasil evaluasi menunjukkan model mencapai MAE 6,65 BPM dan R² 0,896 pada data kalibrasi, namun mengalami degradasi signifikan dalam kondisi nyata dengan eror rata-rata 16,8 BPM dan systematic overestimation hingga +25,7 BPM selama aktivitas intensif. Analisis mengungkap dramatic domain shift antara data hasil augmentasi dengan kondisi fisiologis nyata sebagai akar masalah, yang mengindikasikan perlunya pendekatan data-centric dengan fokus pada kualitas dan representativitas data dunia nyata untuk implementasi embedded AI dalam aplikasi biomedis.

This research develops a real-time embedded system based on ESP32 and MAX30102 sensors for heart rate estimation using the LSTM algorithm to overcome the challenge of PPG accuracy in dynamic conditions. The system integrates a comprehensive signal processing pipeline including multi-stage filtering, wavelet denoising, and quality assessment. The LSTM architecture is optimized with normalization layers and dropout mechanisms, then deployed using TensorFlow Lite Micro with Float32 quantization. Evaluation results show that the model achieves an MAE of 6.65 BPM and an R² of 0.896 on calibration data, but experiences significant degradation in real-world conditions with an average error of 16.8 BPM and systematic overestimation of up to +25.7 BPM during intense activity. Analysis revealed a dramatic domain shift between augmented data and real physiological conditions as the root cause of the problem, indicating the need for a data-centric approach focused on the quality and representativeness of real-world data for embedded AI implementation in biomedical applications.

Kata Kunci : Photoplethysmography, LSTM, Embedded System, ESP32, Motion Artifact, Domain Shift