Septia Khairunnisa atau Septi, mahasiswa Magister Teknik Biomedis Sekolah Pascasarjana UGM, telah berhasil menyelesaikan penelitiannya yang inovatif dalam bidang perangkat medis dengan judul tesis “Screening Pulse Oximeter pada Uji Fungsi Pra-Kalibrasi Pulse Oximeter Jari dengan Analisis Response Time Menggunakan Machine Learning Model”. Septi telah lulus dengan predikat cumlaude dan mengikuti wisuda pascasarjana pada 24 Oktober 2024.
Penelitian ini dilatarbelakangi oleh kebutuhan akan metode kalibrasi pulse oximeter yang lebih akurat dan efisien, terutama setelah melonjaknya variasi alat tersebut di pasaran selama pandemi COVID-19. Saat ini, metode pengukuran waktu respons (response time/RT) pulse oximeter yang menggunakan simulator SpO₂ dan stopwatch belum memiliki standar dan ambang batas yang jelas.
Dengan dibimbing oleh Dr. Indah Soesanti, S.T., M.T. dari Fakultas Teknik sebagai pembimbing utama dan dr. Dyah Listyarifah, M.Sc., D.Med.Sci dari FKG, Septi telah lulus dengan predikat cumlaude dan mengikuti wisuda pascasarjana pada 24 Oktober 2024.
“Pengukuran waktu respons pulse oximeter dengan menggunakan simulator SpO₂ dan stopwatch belum memiliki metode standar dan ambang batas yang tepat,” ujar Septi. “Oleh karena itu, dibutuhkan metode alternatif untuk meminimalkan kesalahan dan meningkatkan efisiensi proses kalibrasi.” tambahnya.
Dalam penelitiannya, Septi menguji waktu respons dari 104 pulse oximeter jari, terdiri dari 22 jenis monitor pasien, 20 jenis handheld, dan 38 jenis fingertip. Uji dilakukan dengan melakukan simulasi enam jenis pengkondisian saturasi dan desaturasi menggunakan simulator SpO₂, dan mengukur Respon Time/ RT menggunakan stopwatch. Hasil pengukuran dikumpulkan untuk melakukan analisis kuantitatif dan penentuan nilai ambang batas awal guna memudahkan pelabelan data.
Data yang telah dilabeli kemudian dianalisis menggunakan berbagai algoritma machine learning, seperti Logistic Regression, Linear Discriminant Analysis, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Decision Tree, Random Forest, dan Neural Networks.
Model Neural Networks menunjukkan performa terbaik dengan akurasi sebesar 87%, spesifisitas 91,8%, presisi 77,5%, recall 73,5%, dan f1-score 72,3%. Hasil ini menegaskan bahwa pendekatan machine learning dapat menjadi alat bantu yang kuat dalam pengujian dan kalibrasi alat medis secara efisien.
Penelitian ini diharapkan dapat menjadi kontribusi penting dalam pengembangan metode kalibrasi pulse oximeter yang lebih akurat dan andal, serta mendorong adopsi teknologi kecerdasan buatan dalam bidang perangkat medis di Indonesia.
Kegiatan ini juga selaras dengan pelaksanaan SDGs ke 3 tentang Kehidupan Sehat dan Sejahtera, Nomor 4 tentang Pendidikan Berkualitas.
Penulis : Arni W
Editor : Dr. Rini Dh, Septia