Materi Software ATEROSTOP

1Inti dalam 1 menit

ATEROSTOP adalah sistem deteksi dini aterosklerosis pada arteri karotis yang noninvasif dan portabel. Alat merekam sinyal PPG dari ujung jari dan suara leher, lalu AI di dalam alat memperkirakan tekanan darah, glukosa, dan kolesterol, mendeteksi bruit, dan mengklasifikasikan aterosklerosis. Hasilnya tampil di layar alat dan dikirim lewat cloud Supabase ke aplikasi Flutter. Aplikasi menampilkan hasil, riwayat, dan rekomendasi.

Tiga kalimat yang wajib diingat:

1. Alat yang mengukur dan menghitung. Aplikasi tidak pernah membuat angka klinis.
2. Alat dan aplikasi tidak terhubung langsung. Semua data lewat Supabase.
3. Hasilnya skrining awal, bukan diagnosis. Hasil positif tetap perlu dikonfirmasi ke dokter.

2Masalah yang dijawab

Kenapa ada 4 parameter? Tekanan darah, glukosa, dan kolesterol adalah faktor yang berperan dalam terbentuknya plak. Saat plak menyempitkan arteri, aliran darah menjadi turbulen dan bisa menimbulkan suara bruit. Jadi tiga parameter pertama menggambarkan faktor pemicunya, sedangkan bruit berpotensi menjadi tanda dari penyempitannya.

Angka yang dipakai di latar belakang: penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian per tahun (WHO, 2025), dan prevalensi strok di Indonesia 8,3 per 1.000 penduduk (Survei Kesehatan Indonesia 2023).

Kenapa arteri karotis? Arteri ini pemasok utama darah ke otak, aterosklerosisnya berkaitan erat dengan strok, dan letaknya relatif mudah dijangkau untuk pemeriksaan noninvasif.

3Gambaran sistem: tiga lapis

Bayangkan Supabase seperti kantor pos dan arsip. Alat menitipkan hasil, aplikasi mengambilnya. Keduanya tidak perlu saling bertemu.

      ALAT (Raspberry Pi)            CLOUD (Supabase)          APLIKASI (Flutter)
    +---------------------+       +-------------------+       +---------------------+
    | Rekam sensor        |       | Akun & login      |       | Akun & profil       |
    | Olah sinyal         | ====> | Database          | <===> | Pairing alat        |
    | Jalankan model AI   | HTTPS | Sinkron real-time | HTTPS | Hasil & riwayat     |
    | Tampilkan hasil     | <==== | Keamanan data     |  +WS  | Rekomendasi         |
    | Simpan saat offline |       | File update APK   |       | Ekspor CSV          |
    +---------------------+       +-------------------+       +---------------------+
               ^                                                         |
               |                 kamera HP memindai QR                   |
               +---------------- (bukan koneksi jaringan) ---------------+

Kenapa AI dijalankan di alat? Supaya pemeriksaan tetap berjalan tanpa internet. Internet baru dibutuhkan untuk mengirim hasil ke aplikasi.

3.1 Peran API

API adalah pintu resmi yang dipakai satu program untuk meminta layanan dari program lain. Aplikasi dan alat tidak membuka database secara langsung. Keduanya mengirim permintaan lewat API Supabase, lalu Supabase memeriksa siapa pengirimnya dan apakah permintaan itu boleh dijalankan.

Kenapa pairing memakai RPC? Pemeriksaan token, PIN, masa berlaku, dan kepemilikan harus terjadi di server. Kalau diperiksa di aplikasi, pemeriksaannya bisa dilewati.

Hak akses tiap pihak berbeda. Aplikasi berjalan sebagai pengguna yang login, sehingga dibatasi Row-Level Security. Menurut migrasi database, alat mendaftar lewat kunci sisi server service_role. Belum ada data Cara kunci alat disimpan perlu dipastikan dari kode Raspberry Pi.

4Alur besar dari awal sampai hasil

 PERSIAPAN (sekali di awal)
 Buat akun -> Buat profil keluarga -> Pairing alat (QR + PIN)
                                |
                                v
 PEMERIKSAAN (di layar alat)
 Pilih mode online/offline -> Pilih profil, atau isi umur & jenis kelamin
 -> Pilih kondisi glukosa -> Tekan Mulai
                                |
                                v
 PEREKAMAN BERURUTAN
 PPG di ujung jari 120 detik -> Suara leher 8 detik
                                |
                                v
 PEMROSESAN DI ALAT
 Olah dan cek sinyal -> Ekstraksi fitur -> Cek fitur -> Model AI -> Klasifikasi
                                |
                                v
 HASIL TAMPIL DI LAYAR ALAT
                |                                   |
          mode ONLINE                         mode OFFLINE
                |                                   |
  Terkirim ke Supabase dan              Tersimpan di alat, diunggah
  langsung ditautkan ke profil          saat ada internet, lalu pengguna
                |                       memilih profilnya di aplikasi
                |                                   |
                +-----------------+-----------------+
                                  v
 APLIKASI: Beranda -> Rekomendasi -> Riwayat -> Ekspor CSV

Diagram ini menunjukkan hubungan antartahap, bukan jadwal komputasi. Sebagian pengolahan bisa berjalan saat perekaman masih berlangsung.

5Alur tiap bagian

5.0 Jenis cara kerja sistem

Ada tiga pilihan yang menentukan jalannya pemeriksaan: mode koneksi, identitas pasien, dan kondisi glukosa.

Mode pemeriksaan

Kondisi glukosa yang dipilih di layar alat

Kenapa kondisi glukosa harus dipilih? Kadar glukosa berubah setelah makan, jadi angka yang sama bisa berarti berbeda. Misalnya 130 mg/dL termasuk Diabetes pada kondisi puasa, tetapi Normal pada kondisi sewaktu.

Keadaan hasil yang mungkin muncul

5.1 Akun dan masuk aplikasi

1. Saat pertama dibuka, pengguna melihat layar pengenalan, lalu layar Masuk.
2. Daftar: isi email dan kata sandi dua kali. Akun langsung aktif.
3. Lupa kata sandi: kode OTP dikirim ke email, lalu pengguna membuat kata sandi baru.
4. Setiap perpindahan halaman diperiksa aplikasi. Tanpa sesi login, pengguna diarahkan ke halaman Masuk.

5.2 Profil keluarga

Satu akun bisa memiliki banyak profil. Setiap hasil masuk ke profil yang dipilih, sehingga hasil anggota keluarga tidak tercampur. Umur dan jenis kelamin saat pemeriksaan ikut disimpan bersama hasil, jadi hasil lama tidak berubah konteks walau profil diedit nanti.

5.3 Pairing: menautkan alat ke akun

Tujuannya agar sistem tahu alat ini milik akun siapa.

 1. Alat meminta kode pairing ke Supabase
 2. Supabase membuat PIN 6 digit + token (berlaku 10 menit)
 3. Layar alat menampilkan QR + PIN
 4. HP memindai QR  -> mendapat ID alat dan token
 5. Pengguna mengetik PIN
 6. Aplikasi mengirim ID alat + token + PIN ke Supabase
 7. Supabase memeriksa:
      token cocok? belum kedaluwarsa? tidak terkunci? PIN benar? bukan milik orang lain?
 8. Lolos -> alat menjadi milik akun, dan alat langsung mendapat kabar

Kenapa perlu QR dan PIN? QR menunjukkan alat yang dituju, sedangkan PIN membuktikan pengguna melihat langsung layar alatnya. Foto QR saja tidak cukup untuk merebut alat. Alat yang sudah dimiliki orang lain juga ditolak, sampai pemiliknya menekan Putuskan di aplikasi.

5.4 Pemeriksaan online

 Aplikasi/layar alat            Supabase                  Alat
 ------------------            --------                  ----
 Pilih profil aktif  --->  simpan profil aktif  --->  menampilkan profil itu
                                                      Pilih kondisi glukosa
                                                      Tekan Mulai
                                                      Rekam dan proses
                           simpan hasil        <---   Kirim hasil
 Dapat kabar hasil baru <- kabar real-time
 Ambil data, tampilkan

• Profil aktif bisa dipilih dari aplikasi atau layar alat, dan pilihan terakhir yang berlaku.
• Tombol Mulai hanya ada di alat. Aplikasi tidak punya tombol ukur.
• Kalau koneksi real-time putus, aplikasi tetap memuat ulang data saat tab dibuka atau aplikasi kembali dibuka.

5.5 Pemeriksaan offline

 1. Alat tanpa internet -> ketik umur & jenis kelamin di alat -> pilih kondisi glukosa
 2. Rekam dan proses seperti biasa, karena AI ada di dalam alat
 3. Hasil tampil di alat dan disimpan lokal
 4. Internet tersedia -> alat mengunggah data pemeriksaan
 5. Di aplikasi: Pengaturan -> Sinkronisasi Offline -> Pilih Profil
 6. Hasil masuk ke Beranda dan Riwayat profil tersebut

• Kenapa profil dipilih manual? Alat tidak tahu siapa pemilik hasil offline, dan sistem tidak boleh menebak nama pasien.
• Tanggal yang tampil adalah waktu periksa, bukan waktu unggah.
• Data yang sudah terkirim bisa terlihat oleh pemilik baru. Saat alat dipasangkan ke akun lain, riwayat alat itu ikut terbaca. Hal ini perlu diperhatikan kalau alat dipakai bergantian.

5.6 Dari hasil menjadi rekomendasi

 Hasil dari alat
      |
      v
 Bandingkan angka dengan pedoman klinis
      |
      v
 Tentukan label tiap parameter (Normal, Meningkat, Darah Tinggi, ...)
      |
      v
 Tentukan status kartu (Normal, Waspada, Perlu Evaluasi)
      |
      v
 Pilih saran dari aturan yang sudah ditulis
      |
      v
 Tampilkan: saran prioritas tinggi lebih dulu

Rekomendasi tidak memakai AI generatif dan bukan resep obat. Isinya berasal dari aturan tetap: hasil yang sama selalu menghasilkan saran yang sama.

6Di dalam alat: cara AI bekerja

Bagian ini digarap tim alat dan model. Tim aplikasi tetap perlu paham garis besarnya.

 PPG ujung jari, 120 detik                  Suara leher, 8 detik
          |                                         |
 Cek kualitas, resampling,                  Cek kelayakan rekaman,
 filter Chebyshev II                        filter Butterworth 20-800 Hz
          |                                         |
 Ekstraksi dan cek fitur denyut             Pilih segmen, cari fase sistolik,
          |                                 ekstraksi dan cek fitur
    +-----+------+                                  |
    |            |                                  |
   GPR          MLP                         Regresi logistik
 Tekanan     Glukosa &                      Bruit ya/tidak
  darah      kolesterol                             |
    |            |                                  |
    +-----+------+----------------------------------+
          |
          +<--- mode pemeriksaan glukosa
          v
       XGBoost
 Aterosklerosis: ya/tidak

Regresi menghasilkan angka, misalnya tekanan darah 122 mmHg. Klasifikasi menghasilkan kategori, misalnya ya atau tidak. Inilah sebabnya ATEROSTOP memakai model yang berbeda untuk tiap keluaran. Regresi logistik termasuk klasifikasi meski namanya memuat kata regresi, karena dipakai untuk membedakan dua kelas.

6.1 Sensor tidak langsung membaca kadar

Sensor hanya merekam sinyal, lalu model memperkirakan nilainya:

 Cahaya masuk ke jari -> perubahan cahaya diterima sensor -> angka digital
 -> gelombang -> fitur -> pemeriksaan fitur -> model -> estimasi

Jadi MAX30105 tidak membaca molekul glukosa atau kolesterol. Model menerapkan hubungan yang dipelajari dari data latih, dan ketepatannya tetap harus diuji terhadap alat pembanding.

Pada jalur suara, chestpiece ditempelkan di area karotis. Suara lalu diteruskan lewat selang ke mikrofon di ujung selang. Adanya suara tidak otomatis berarti ada bruit, karena rekaman juga bisa memuat napas, gesekan, atau bicara.

6.2 Pengolahan tiap jalur

• Sampling rate dan rentang filter adalah dua hal berbeda. 200 Hz berarti target 200 sampel per detik, sedangkan filter 0,5–8 Hz menentukan frekuensi sinyal yang dipertahankan.
• Angka sampling PPG ada tiga jenis: 200 Hz adalah target akuisisi, 191,36 Hz hasil pengujian, sedangkan 125 Hz dan 100 Hz adalah frekuensi setelah resampling.
• Filternya berbeda karena tiap model dikembangkan dengan pengolahan tertentu. Perubahan filter bisa mengubah bentuk sinyal dan nilai fitur.
• Zero-phase berarti data disaring maju-mundur untuk menghindari pergeseran fase akibat filter. Letak puncak tetap bisa berubah karena bentuk sinyal ikut berubah.

6.3 Quality gate tiap model

Lolos gate belum berarti hasilnya akurat. Gagal mendapatkan hasil juga bukan hasil normal: kolesterol yang gagal diestimasi tidak boleh dibaca sebagai kolesterol normal, dan rekaman bruit yang gagal dianalisis tidak otomatis berarti negatif.

Angka ambang gate sengaja tidak dicantumkan karena harus mengikuti versi program yang terpasang di alat.

6.4 Kaitan tiap tahap dengan aspek medis

Asal durasi rekaman

• Suara 8 detik dan 8 kHz: mengikuti rekaman data latih bruit.
• PPG 120 detik: sama dengan durasi rekaman 2 menit pada dataset kolesterol, dan data primer tim merekam 12 segmen 10 detik. Belum ada data Alasan resminya perlu dikonfirmasi tim model.

6.5 Ambang keputusan model

Skor model diubah menjadi ya atau tidak memakai ambang. Pada pengujian, ambang bruit 0,35 dan ambang aterosklerosis 0,677. Ambang berbeda dari ambang klinis di bagian 7C, karena ambang ini berlaku pada skor model, bukan pada angka kesehatan.

7Sumber data dan pedoman, serta hubungannya

Ini bagian yang paling sering tertukar. Ada empat jenis sumber dengan peran berbeda:

 (A) DATASET LATIH ------> melatih model AI
                                |
 (B) SENSOR SAAT PERIKSA ------> model AI ------> angka & klasifikasi
                                                        |
 (C) PEDOMAN KLINIS -----------------------------> label, status, rekomendasi

 (D) ALAT PEMBANDING ----> menguji seberapa dekat hasil ATEROSTOP dengan acuan

Cara mudah mengingat: dataset membuat model pintar, sensor memberi data orang yang diperiksa, pedoman membantu menafsirkan angka, dan alat pembanding menguji hasilnya.

A. Dataset untuk melatih model

Window adalah potongan sinyal. Satu subjek bisa menghasilkan banyak window.

Slide presentasi juga mencantumkan Glukosa Rasio sebagai masukan XGBoost, sedangkan Laporan dan Artikel tidak menyebutnya. Belum ada data Arti fitur ini perlu dijelaskan tim model.

7A.1 Karakteristik dataset dan alasan pemakaiannya

Dua cara evaluasi yang dipakai

• Subject-wise holdout: subjek uji dipisah penuh dari subjek latih. Tujuannya agar model tidak dinilai pada orang yang sudah pernah dilihatnya. Cara ini dipakai saat data banyak.
• Nested cross-validation: data dibagi bergantian untuk latih dan uji, dengan pemilihan pengaturan di putaran dalam. Cara ini dipakai saat data sedikit agar semua data ikut terpakai tanpa menilai model dengan data latihnya sendiri.

Kenapa dataset berbeda dari Proposal? Proposal merencanakan dataset lain untuk tekanan darah dan glukosa. Dataset tekanan darah lama hanya punya 127 subjek dengan satu pengukuran per orang, dan hasil modelnya sangat lemah (R² sekitar 0,05), sehingga tim beralih ke PulseDB yang jauh lebih besar. Dataset glukosa lama hanya 23 subjek. Belum ada data Alasan resmi penggantian dataset glukosa dan bruit belum tertulis.

Kenapa data dari sensor lain tetap dipakai? Bentuk gelombang PPG sama-sama mencerminkan denyut, sehingga sinyal alat diolah mengikuti cara data latih. Namun sensor berbeda tetap bisa menurunkan ketepatan, dan inilah alasan Laporan menyarankan pengumpulan data primer.

B. Data saat pemeriksaan

C. Pedoman klinis di aplikasi

Aplikasi membandingkan angka dari alat dengan ambang berikut. Angka yang bukan berasal dari pedoman ditandai sebagai ketentuan tim atau aplikasi.

Tekanan darah (mmHg)

Sumber: KMK No. HK.01.07/MENKES/303/2026, Tata Laksana Hipertensi Dewasa, Tabel 2 kolom Office BP (hlm. 9), yang mengutip ESC 2024. Aplikasi memeriksa dari atas ke bawah, dan kondisi pertama yang cocok yang dipakai.

Tabel 2 hanya punya tiga kategori. Batas 180/110 di KMK muncul di hlm. 38–39 dalam konteks tindakan operasi, sehingga Darah Tinggi Berat jangan disebut sebagai kategori Tabel 2.

Glukosa darah (mg/dL)

Sumber: Pedoman Pengelolaan dan Pencegahan DM Tipe 2 Dewasa di Indonesia, PERKENI 2024, Tabel 3 (hlm. 7). Ambangnya mengikuti kondisi saat diperiksa. Di semua kondisi, hasil di bawah 70 berlabel Rendah. Ini ketentuan aplikasi, karena rentang normal PERKENI dimulai dari 70.

Label Sewaktu sengaja tidak memakai kata Diabetes karena satu angka gula sewaktu belum cukup untuk menegakkan diagnosis. PERKENI mensyaratkan ≥200 disertai keluhan klasik, sedangkan alat tidak menanyakan keluhan itu. Ambang gula sewaktu masih menunggu konfirmasi dokter.

Kolesterol total (mg/dL)

Sumber: Panduan Pengelolaan Dislipidemia di Indonesia, PERKENI 2021, Tabel 3 (hlm. 6).

ATEROSTOP hanya memperkirakan kolesterol total. LDL, HDL, dan trigliserida ada di tabel yang sama, tetapi tidak diukur alat ini.

Bruit dan aterosklerosis tidak memakai ambang pedoman, karena hasilnya berasal dari model AI.

D. Alat pembanding saat pengujian

8Cara aplikasi membaca hasil

8.1 Dua keputusan yang berbeda

Akibatnya seseorang bisa mendapat hasil Tidak Terindikasi tetapi tetap Waspada, misalnya model menyatakan tidak ada indikasi aterosklerosis sementara kolesterolnya 240 mg/dL.

8.2 Status di kartu Beranda

Aplikasi memeriksa kondisi berikut secara berurutan, dan kondisi pertama yang cocok yang dipakai:

Laporan menyebut tiga tingkat status tindak lanjut: normal, waspada, dan perlu evaluasi. Ulangi pengukuran adalah keadaan khusus ketika hasil belum bisa dinilai.

8.3 Contoh saran

8.4 Dasar penetapan jenis klasifikasi

Kenapa bruit otomatis dianggap terindikasi? Tinjauan pustaka Laporan menyebut bruit karotis dapat menjadi indikator awal aterosklerosis, sehingga aplikasi memilih sisi yang aman dan mengarahkan pengguna untuk konfirmasi. Belum ada data Pendapat dokter pendamping tentang aturan ini belum tercatat.

9Fitur aplikasi

10Teknologi yang dipakai

Dua jalur komunikasi yang perlu dibedakan:

• HTTPS: untuk permintaan biasa, misalnya login, mengambil data, atau menyimpan data.
• WebSocket: koneksi yang tetap terbuka agar server bisa langsung mengabarkan perubahan. Inilah yang membuat hasil terasa real-time.

11Semua angka waktu

12Data dan keamanan

12.1 Tujuh tabel database

 akun --< profil --< pemeriksaan --- hasil --< rekomendasi
 akun --< alat   --< pemeriksaan

Tanda --< berarti satu ke banyak. Satu pemeriksaan hanya boleh memiliki satu hasil, sehingga unggah ulang tidak menggandakan data.

12.2 Lapisan keamanan

12.3 Etik dan data pribadi

• Etik: penelitian memperoleh persetujuan KEPK RSUD dr. Soedarso, No. 056/RSUD/KEPK/VI/2026.
• Data kesehatan sensitif: data tersimpan dengan pembatasan akses per pemilik, tetapi aplikasi ini masih prototipe.
• Yang belum dibangun di aplikasi: alur persetujuan pemeriksaan, karena aplikasi tidak memakai tabel measurement_consents, serta pemisahan riwayat saat alat berpindah pemilik.
• Uji keamanan: logbook mencatat pengujian keamanan sistem pada 16 Agustus 2026. Belum ada data Hasilnya tidak tertulis di Laporan.

13Hasil pengujian

Sensor

Semua angka ini menilai kualitas perekaman, bukan akurasi klinis:

Estimasi (35 subjek, 149 pasang pengukuran per parameter)

MAE adalah rata-rata besar selisih. Sistolik MAE 9,83 berarti rata-rata hasilnya meleset sekitar 10 mmHg dari tensimeter. Bias menunjukkan kecenderungan: positif berarti cenderung lebih tinggi, negatif berarti cenderung lebih rendah.

Klasifikasi (5 subjek, 25 pemeriksaan per model)

Confusion matrix aterosklerosis: TP = 4, FN = 1, FP = 4, TN = 16.

• Recall 0,8: dari 5 pemeriksaan positif, 4 tertangkap.
• Specificity 0,8: dari 20 pemeriksaan negatif, 16 benar.
• Precision 0,5: dari 8 hasil positif, 4 benar. Inilah alasan hasil positif harus dikonfirmasi.

Penerimaan masyarakat

Survei 175 responden menghasilkan indeks penerimaan 89,72%, kategori sangat tinggi. Skor tertinggi ada pada kepuasan dan penerimaan (91,50%), dan terendah pada kenyamanan dan kesesuaian (88,29%). Indeks ini dihitung dari skor: 12.561 ÷ (175 × 20 × 4 = 14.000) × 100%. Jadi artinya bukan 89,72% orang setuju. Survei menunjukkan penerimaan pengguna, bukan akurasi model atau keselamatan klinis. Instrumennya valid dan reliabel: korelasi item 0,354–0,570 (di atas r kritis 0,148) dan Cronbach's alpha 0,876.

Yang bisa dihitung juri dari lampiran

Angka di bawah adalah hitungan tim dari Lampiran 3.4 dan dokumentasi model, tidak tertulis di Laporan. Tujuannya agar tim tidak kaget kalau ditanya.

Dibandingkan menebak rata-rata referensi (pembanding ini sedikit menguntungkan tebakan, karena rata-ratanya baru diketahui setelah uji)

Pola lain yang terlihat

• Prediksi mengumpul: 90 dari 149 prediksi sistolik berada di 117–121, dan 77 dari 149 prediksi diastolik berada di 54–57.
• Nilai tinggi belum tertangkap: ada 23 referensi diastolik ≥90 (prediksi tertinggi 84), 21 referensi glukosa ≥126 (prediksi tertinggi 123,4), dan 20 referensi kolesterol ≥200 (prediksi tertinggi 187). Tidak ada referensi sistolik ≥140.
• Standar AAMI (rata-rata selisih ≤5, SD ≤8): sistolik lolos rata-rata selisih (4,52) tetapi SD-nya 10,92. Diastolik belum lolos keduanya.
• Klasifikasi: kelima hasil positif berasal dari satu subjek, dan empat positif palsu berasal dari dua subjek. Prediksi bruit dan aterosklerosis sama pada 25 dari 25 pemeriksaan, sehingga metriknya identik.
• Laporan Kemajuan ke Akhir: data 46 pasang Kemajuan adalah 46 pasang pertama Laporan Akhir, dengan inisial yang berbeda. MAE sistolik membaik dari 12,91 ke 9,83, sedangkan diastolik, glukosa, dan kolesterol memburuk dari 11,57, 15,22, dan 19,17 menjadi 14,11, 18,52, dan 23,98.
• Saat pengembangan: model bruit memiliki AUC 0,70–0,715, recall 0,74, dan specificity 0,50. Dokumentasi kolesterol mencatat MAE 38,87 berbanding 42,00 kalau menebak konstan. Versi model kolesterol final perlu dikonfirmasi.

Cara menjawab yang disarankan

"Prototipe ini sudah membuktikan bahwa seluruh alur berjalan terpadu, dari perekaman sampai aplikasi. Ketepatan individualnya memang belum memadai, terutama karena model dilatih dari sensor dan populasi yang berbeda. Karena itu hasilnya kami sebut estimasi skrining yang perlu dikonfirmasi, dan langkah berikutnya adalah melatih ulang dengan data dari sensor alat ini serta menguji pada subjek yang lebih banyak."

14Batasan yang harus dijelaskan dengan jujur

1. Skrining, bukan diagnosis. Hasil positif perlu konfirmasi klinis.
2. Subjek uji klasifikasi masih sedikit. Hanya 5 subjek, jadi generalisasinya belum bisa disimpulkan.
3. Rentang kesesuaian masih lebar. Contohnya kolesterol memiliki LoA -66,23 sampai +47,82 mg/dL. Satu hasil individual belum bisa menggantikan alat ukur klinis.
4. Diastolik cenderung lebih rendah dari alat pembanding, dengan bias -11,2 mmHg.
5. Data latih bukan berasal dari sensor alat ini. Karena itu laporan menyarankan pengumpulan data primer.
6. Belum tersertifikasi sebagai alat kesehatan. Pengujian klinis yang lebih luas masih perlu dilakukan.
7. Berhasil memproses data tidak sama dengan terbukti akurat. Sinyal yang bagus dan model yang berjalan belum membuktikan ketepatan klinis.
8. Estimasi belum menangkap nilai tinggi dengan baik. Prediksi cenderung mengumpul di sekitar nilai tertentu (lihat bagian 13).
9. Kasus positif pada uji klasifikasi sangat sedikit. Lima pemeriksaan positif berasal dari satu subjek.
10. Label bruit data latih berbeda dari acuan uji. Data latih memakai pendengaran dokter, sedangkan uji memakai USG Doppler.

15Pertanyaan yang mungkin muncul

16Menyamakan penjelasan saat presentasi

Laporan Akhir dan Artikel Ilmiah sudah dikumpulkan dan tidak berubah lagi, jadi yang kita pertahankan adalah isi dokumen itu. Bagian ini hanya menyamakan cara menjelaskan beberapa hal, agar jawaban tim seragam. Saat menjelaskan, gunakan kolom Jelaskan seperti ini.

Kalau ditanya sumber ambang klinis: Laporan Akhir menyebut pedoman Kemenkes dan PERKENI tanpa tahun, sedangkan Artikel hanya menyebut "ambang klinis". Jawab dengan nama pedoman, tabel, dan halaman di bagian 7C. Kalau juri menanyakan kenapa pedoman itu tidak ada di Daftar Pustaka, akui saja bahwa memang belum tercantum, lalu tunjukkan sumber lengkapnya.

17Potensi sistem

17.1 Manfaat

17.2 Potensi penerapan

• Fasilitas kesehatan tingkat pertama, seperti puskesmas (Artikel).
• Pemantauan mandiri sehari-hari (Artikel). Buku Panduan juga menyasar pengguna umum, petugas puskesmas, kader kesehatan, dan keluarga di rumah.
• Daerah dengan internet terbatas, karena pemeriksaan tetap berjalan offline dan hasil diunggah belakangan.
• Komersialisasi melalui kerja sama dengan IBT UNTAN (slide 31). Belum ada data Bentuk dan tahap kerja samanya belum tertulis.

17.3 Perbandingan dengan alat yang ada

Sumber: slide 8.

Belum ada data Harga DSA, NIVA, dan USG Doppler, serta sumber angka durasinya, belum tersedia.

17.4 Keunggulan dan kekurangan

17.5 Tahapan setelah PKM

Isi tahap 1–4 berasal dari Laporan 5.2, sedangkan urutannya adalah saran penyusun materi.

Yang sudah berjalan: uji awal pada 13 rekaman data primer tim, pengajuan paten sederhana, dan draf artikel ilmiah.

17.6 Ide pengembangan software

Bagian ini ide, belum ada di aplikasi. Jangan disampaikan sebagai fitur yang sudah jadi.

• Dasbor untuk puskesmas atau kader, agar banyak pasien bisa dipantau.
• Alur persetujuan pemeriksaan di aplikasi dan pemisahan riwayat saat alat berpindah pemilik.
• Menampilkan rentang perkiraan, bukan hanya satu angka.
• Pengiriman model AI baru ke alat lewat internet.
• Rilis ke Play Store dan integrasi dengan rekam medis elektronik setelah alat tersertifikasi.

18Skenario demo

Cadangan

• Internet di lokasi mati: jalankan mode offline, lalu jelaskan alur sinkronisasinya.
• Waktu terbatas: pemeriksaan penuh butuh sekitar 3 menit 21 detik, jadi siapkan hasil demo yang sudah tersimpan.
• Alat bermasalah: siapkan video demo.
• Sinyal gagal: jelaskan bahwa quality gate memang bertugas menolak rekaman yang tidak layak.

19Bagian yang masih butuh bahan

20Daftar sumber