Ilustrasi AIP (Artikel Ilmiah Populer) (Foto: UNAIR NEWS)

SVM dengan Grid Search Berbasis Kernel pada Perangkat Medis Terintegrasi FO untuk Pemeliharaan di Rumah Sakit

18 Views•4 minutes read

Meningkatnya penggunaan perangkat listrik di rumah sakit meningkatkan risiko arus bocor yang dapat membahayakan pasien. Pemantauan arus sisa (residual current) pada perangkat medis sangat penting untuk mencegah risiko yang mengancam keselamatan. Penelitian ini bertujuan untuk mengembangkan strategi pemeliharaan preventif berdasarkan arus sisa dengan memanfaatkan Support Vector Machine (SVM) berbasis kernel yang dioptimalkan menggunakan Grid Search. Kinerja sistem divalidasi menggunakan beberapa perangkat medis khususnya dua monitor pasien dan satu syringe pump untuk menguji kemampuan adaptasi sistem terhadap berbagai perangkat medis yang berbeda. Metode yang diusulkan menggunakan RCD dan NI myDAQ untuk menangkap sinyal induksi dalam jendela waktu 2,44 ms. Akuisisi cepat ini memberikan margin keamanan yang memadai untuk pengambilan keputusan yang sigap, bahkan saat mendeteksi arus bocor kritis hingga 200 mA. Setelah pengumpulan data, sinyal disegmentasi ke dalam jendela-jendela waktu sebelum dilakukan ekstraksi fitur statistik dan klasifikasi berbasis SVM menggunakan tiga jenis kernel: linear, radial basis function (RBF), dan polinomial. Optimasi hiperparameter melalui Grid Search Cross-Validation (CV) menunjukkan bahwa sistem berbasis SVM yang diusulkan mencapai akurasi tinggi hingga 99,70% untuk monitor pasien dan 98,78% untuk syringe pump hanya dengan menggunakan kernel linear. Hasil penelitian mengindikasikan bahwa sistem mampu beradaptasi secara efektif terhadap karakteristik perangkat keras yang berbeda, dengan memanfaatkan kernel linear maupun non-linear untuk mempertahankan kinerja klasifikasi yang tinggi pada berbagai perangkat yang dipantau. Selain itu, pendekatan berbasis kernel ini dapat digunakan untuk mengindikasikan perlunya pemeliharaan preventif pada perangkat medis, terutama ketika kernel polinomial dengan derajat lebih tinggi dari 1 digunakan.

Gambar 1 Diagram blok yang menggunakan serat optik untuk meningkatkan akurasi deteksi arus sisa.

Gambar 1 menunjukkan penggunaan RCD tipe digital. Pada tipe ini, terdapat rangkaian digital yang mengklasifikasikan sinyal arus sisa yang terbaca. Nilai setiap beban dianalisis secara individual. Selanjutnya, berdasarkan hasil analisis tersebut, nilai prediksi status arus bocor ditentukan dalam rentang nilai 0 hingga 1. Nilai prediksi ini kemudian dikirimkan melalui serat optik dengan kecepatan tinggi dalam bentuk sinyal cahaya. Setiap status tersebut dikirimkan secara efisien menggunakan wavelength division multiplexer (WDM). Dengan skema ini, aliran daya tidak perlu diputus secara langsung. Status setiap beban listrik ditransmisikan melalui satu sinyal optik untuk dianalisis lebih lanjut. Pengendali beban tunggal atau server kemudian dapat melakukan pemantauan berkecepatan tinggi demi menjamin keselamatan pasien. Penelitian yang diusulkan ini menyempurnakan metode yang ada dengan menerapkan Support Vector Machine (SVM) berbasis kernel dan Grid Search untuk mencapai akurasi yang lebih tinggi, serta dirancang agar dapat beradaptasi untuk digunakan pada berbagai perangkat.

Hasil dan Diskusi

Gambar 2 Pengaturan Eksperimen RCD Digital dengan PMon dan SPump.

Gambar 2 mengilustrasikan pengaturan eksperimen yang terdiri dari RCD Digital dan beban yang terhubung. Untuk memperhitungkan variabilitas antar perangkat, dataset mencakup dua monitor pasien (PMon A dan PMon B) dari produsen yang berbeda dan satu pompa jarum suntik (SPump) untuk perbandingan dengan berbagai jenis catu daya. Perbandingan kedua PMon tersebut menunjukkan variasi dalam fluktuasi sinyal induksi arus residualnya.

Studi ini menerapkan pendekatan SVM dengan Grid Search untuk mengidentifikasi arus bocor pada dua monitor pasien yang berbeda, yang disebut sebagai PMon A dan PMon B, dan sebuah pompa jarum suntik (SPump), menggunakan dataset yang diperoleh melalui antarmuka RCD dan NI myDAQ. Dataset dipartisi menjadi 61 jendela titik, masing-masing mewakili durasi 2,44 ms. Sistem mengekstrak fitur statistik penting, seperti: Rata-rata, Varians, Std. Deviasi, Amplitudo, Kemiringan, Kurtosis, RMS, dan Entropi, memungkinkan representasi kinerja perangkat yang sangat detail di seluruh PMon A, PMon B, dan SPump. SVM dioptimalkan melalui Validasi Silang Pencarian Grid untuk mengevaluasi berbagai kernel dan kinerja masing-masing. Analisis menunjukkan bahwa kernel linier paling efektif untuk PMon A, menghasilkan skor uji rata-rata 99,70%. Demikian pula, SPump juga mampu mencapai 98,78%. Hasil ini selanjutnya dikonfirmasi hanya dengan model polinomial derajat pertama. Hal ini memungkinkan penggunaan formulasi kernel linier yang mendukung komputasi kecepatan tinggi, memungkinkan hasil diperoleh dalam waktu 10 ms. Namun, PMon B menunjukkan karakteristik non-linier. Persyaratan untuk akurasi yang lebih tinggi dengan kernel linier ini menyoroti perbedaan yang jelas dalam kualitas sinyal dan konsistensi antara kedua PMon. Namun, kinerja yang sebanding masih dapat dicapai pada jenis perangkat lain, seperti SPump, sekaligus memberikan wawasan diagnostik berbasis kernel untuk strategi pemeliharaan preventif untuk perangkat medis. Kegunaan praktis model ini meluas ke komunikasi optik di mana hasil deteksi dapat dikonversi menjadi cahaya. Pendekatan ini, yang didukung oleh teknologi WDM untuk transmisi paralel jarak jauh, cocok untuk diagnostik kecepatan tinggi di seluruh jaringan terdistribusi. Penelitian di masa mendatang dapat berfokus pada penyelidikan hubungan antara kondisi aktual perangkat dan strategi inspeksi pemeliharaan, sehingga memungkinkan upaya pemeliharaan yang lebih tepat sasaran.

Penulis: Erwin Sutanto

Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://ieeexplore.ieee.org/document/11646597

Accessibility ✕
Bahasa Indonesia Bahasa Indonesia English English
Universitas Airlangga
Excellence with Morality
Scroll to Top