Electronic Theses and Dissertation

Hemoglobin merupakan parameter vital dalam menilai kesehatan darah, di mana
ketidakseimbangannya dapat mengindikasikan berbagai gangguan klinis seperti
anemia. Saat ini, standar pengukuran hemoglobin masih dilakukan secara invasif
melalui pengambilan sampel darah. Metode ini dinilai kurang efisien karena sering
kali menimbulkan ketidaknyamanan, memiliki risiko infeksi, serta membutuhkan
tenaga medis profesional. Untuk mengatasi permasalahan tersebut, penelitian ini
telah mengembangkan sebuah sistem prediksi kadar hemoglobin secara non-invasif
berbasis analisis sinyal optik Photoplethysmography (PPG) menggunakan
algoritma Extreme Gradient Boosting (XGBoost). Tahap pelatihan model
memanfaatkan dataset PPG sekunder (Figshare) yang telah melalui tahapan
filtering, segmentasi, dan ekstraksi fitur utama dari gelombang PPG. Evaluasi tahap
awal dilakukan menggunakan k-fold cross-validation guna mengoptimalkan kinerja
algoritma, yang mana pengujian pada data sekunder ini menghasilkan performa
terbaik dibandingkan dengan model-model yang diusulkan sebelumnya dengan
nilai Koefisien Determinasi (R²) sebesar 0,999, Root Mean Square Error (RMSE)
sebesar 0,002, dan Mean Absolute Error (MAE) sebesar 0,001. Selanjutnya,
validasi akhir model dieksekusi secara langsung menggunakan dataset primer dari
populasi lokal guna menguji tingkat akurasi dan kemampuan generalisasi sistem di
lapangan. Evaluasi performa pada data validasi lokal ini menghasilkan nilai R²
sebesar 0,952, RMSE sebesar 0,324, MAE sebesar 0,299, dan juga MAPE sebesar
2,21%. Secara keseluruhan, hasil penelitian ini mengindikasikan bahwa pendekatan
pemodelan XGBoost mampu memprediksi kadar hemoglobin secara cepat dan
sepenuhnya non-invasif. Kecepatan dan efisiensi sistem ini dibuktikan secara
kuantitatif dengan total waktu operasional yang cukup singkat, yakni 71,90 detik
yang terdiri dari 9,97 detik input data manual, 60,01 detik perekaman PPG, dan 1,91
detik proses prediksi, menjadikannya alternatif yang sangat potensial untuk
implementasi pemantauan medis secara mandiri.

Hemoglobin is a vital parameter in assessing blood health, where an imbalance can indicate various clinical disorders such as anemia. Currently, the standard measurement of hemoglobin is still performed invasively through blood sampling. This method is considered inefficient as it often causes discomfort, carries a risk of infection, and requires professional medical personnel. To address these issues, this study has developed a non-invasive hemoglobin level prediction system based on the analysis of optical Photoplethysmography (PPG) signals using the Extreme Gradient Boosting (XGBoost) algorithm. The model training phase utilized a secondary PPG dataset (Figshare) that had undergone filtering, segmentation, and principal feature extraction from the PPG waveforms. An initial evaluation was conducted using k-fold cross-validation to optimize the algorithm's performance, where the testing on this secondary data yielded the best performance compared to previously proposed models, with a Coefficient of Determination (R²) of 0.999, a Root Mean Square Error (RMSE) of 0.002, and a Mean Absolute Error (MAE) of 0.001. Subsequently, the final validation of the model was executed directly using a primary dataset from a local population to assess the system's accuracy and generalization capabilities in a real-world setting. The performance evaluation on this local validation data resulted in an R² of 0.952, an RMSE of 0.324, MAE of 0.299 and an MAPE of 2,21%. Overall, the findings of this study demonstrate that the XGBoost modeling approach is capable of predicting hemoglobin levels rapidly and entirely non-invasively. The system's efficiency is evidenced by a highly brief total operational time of only 71.90 seconds consisting of 9.97 seconds for manual data input, 60.01 seconds for PPG recording, and 1.91 seconds for prediction, making it a highly viable alternative for the implementation of independent medical monitoring.