SISTEM MONITORING KEBUGARAN KARDIORESPIRASI DENGAN

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 9, September 2018, hlm. 3400-3408

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Sistem Monitoring Kebugaran Kardiorespirasi dengan Pulse Sensor dan Load Sensor Menggunakan Non-Excercise Prediction Method Rifqi Anshari1, Rizal Maulana2, Dahnial Syauqy3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Kebugaran kardiorespirasi berhubungan dengan kemampuan fungsi dari jantung, pembuluh darah, paru – paru, dan otot untuk menyuplai oksigen saat melakukan aktivitas fisik. Terdapat bukti bahwa memiliki kebugaran kardiorespirasi yang baik dapat menurunkan penyakit kardiovaskular seperti serangan jantung, nyeri dada dan stroke. Oleh karena itu penting untuk memiliki kebugaran kardiorespirasi yang baik. Kebugaran kardiorespirasi dapat di ukur melalui seberapa besar maksimum oksigen yang bisa diambil oleh tubuh (VO2max). Terdapat metode untuk memprediksi VO2max tanpa melibatkan kegiatan fisik dengan menggunakan denyut nadi istirahat, berat badan dan umur yaitu non-excercise prediction method. Pengukuran denyut nadi dan berat badan dalam perhitungan VO2max dengan non-excercise prediction menggunakan 2 sensor yaitu pulse sensor dan load sensor. Untuk memudahkan dalam perhitungan sekaligus menampilkan hasil yang menarik maka digunakan perangkat berbasis OS android sebagai perantara dengan memanfaatkan modul bluetooth HC-05 sebagai media pertukaran data. Aplikasi yang dibangun pada perangkat berbasis OS android juga dilengkapi saran untuk meningkatkan VO2max yang baik sehingga dapat menjadi pemandu bagi pengguna. Pengujian terhadap sensor dalam pengukuran VO2max mendapatkan hasil error 8,12 % untuk pulse sensor dan hasil error 0,92% untuk load sensor. Jarak efektif maksimal yang dapat dilakukan modul bluetooth HC-05 yaitu 10 meter. Metode yang dilakukan dapat dengan mudah mengukur VO2max seseorang tanpa harus melakukan kegiatan fisik sehingga memudahkan dalam pengawasan kebugaran kardiorespirasi tubuh. Kata kunci: Kebugaran kardiorespirasi, VO2max, non-excercise prediction method, pulse sensor, load sensor

Abstract Cardiorespiratory fitness connected with the ability function of heart, blood vessel, lungs and muscle to supply oxygen when do physical activity. There is a proof that own good cardiorespiratory fitness can reduce cardiovascular disease like heart attack and stroke. Therefore it’s important to have good cardiorespiratory fitness. Cardiorespiratory fitness can be measured by level maximum oxygen body can take (VO2max). There is a method for prediction of VO2max without doing physical activity using heart rate rest, body weight and age (non-excercise prediction method). Measuring Heart rate and body weight for calculation VO2max with non-excercise prediction method use 2 sensors, pulse sensor and load sensor. In order to facilitate VO2max calculation and displaying attractive result, then used android OS-based devices as an intermediary by utilizing the HC-05 Bluetooth module as a medium of data exchange. Applications built on android OS based devices are also equipped with suggestions for improving good VO2max so that it can be a guide for users. Tests on sensors in VO2max measurements resulted in an error of 8.12% for pulse sensors and 0.92% error results for load sensor. The maximum effective range that can be done by the Bluetooth module HC-05 is 10 meters. The method performed can easily measure VO2max without having to do physical activity so as to facilitate in the supervision of cardiorespiratory fitness of the body. Keywords: Cardiorespiratory fitness, VO2max, non-excercise prediction method, pulse sensor, load sensor

1.

dengan kemampuan fungsi dari jantung, pembuluh darah, paru – paru, dan otot untuk menyuplai oksigen saat melakukan aktivitas

PENDAHULUAN Kebugaran kardiorespirasi berhubungan

Fakultas Ilmu Komputer Universitas Brawijaya

3400

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

fisik. Terdapat bukti bahwa memiliki kebugaran kardiorespirasi yang baik dapat menurunkan penyakit kardiovaskular seperti serangan jantung, nyeri dada dan stroke karena kebugaran kardiorespirasi meningkatkan sensitivitas insulin, transportasi glukosa , memperbaiki fungsi sistem saraf dan menurunkan denyut jantung (Lee et al., 2010). Oleh karena itu penting untuk memiliki kebugaran kardiorespirasi yang baik. Kebugaran kardiorespirasi dapat ditingkatkan dengan latihan fisik. Latihan fisik yang dilakukan harus tepat dan tidak berlebihan sehingga terhindar dari resiko over Training yang mengakibatkan penurunan bukan peningkatan kemampuan dari tubuh. Latihan fisik yang dilakukan harus mengikuti Salah satu prinsip latihan yaitu meningkatkan secara bertahap beban saat latihan dengan tujuan tubuh akan terbiasa menghadapi beban tersebut. Dengan melakukan latihan fisik untuk meningkatkan kebugaran kardiorespirasi dapat membantu mencegah obesitas sampai 20 tahun ke depan karena dapat membantu menurunkan berat badan (Brien et al., 2007). Kebugaran kardiorespirasi dapat di ukur melalui seberapa besar maksimum oksigen yang bisa diambil oleh tubuh (VO2max). Monitoring kebugaran pada saat ini seperti 2,4 KM run test, quen college step test dan cooper VO2max test memerlukan serangkaian prosedur yang melibatkan kegiatan fisik serta perlu perhatian khusus untuk pelaksanaannya. Tetapi, terdapat metode untuk memprediksi VO2max tanpa melibatkan kegiatan fisik dengan menggunakan denyut nadi istirahat, berat badan dan umur (Rexhepi et al., 2014). Metode tersebut dipercaya dapat dengan mudah mengukur VO2max seseorang tanpa harus melakukan kegiatan fisik. Pada skripsi ini akan membuat sebuah alat bernama sistem monitoring kebugaran kardiorespirasi. Sistem monitoring kebugaran Kardiorespirasi adalah sistem yang memberitahu pengguna informasi kebugaran tubuh dan ditambah dengan informasi nilai indeks massa tubuh untuk menambah fitur dari sistem. Alat ini menggunakan pulse sensor untuk mengukur denyut nadi dan load sensor untuk mengukur berat badan. Sensor membantu perhitungan VO2max menggunakan non-excercise prediction method yang membutuhkan denyut nadi dan berat badan dari pengguna. Sistem monitoring kebugaran Kardiorespirasi juga dapat memberikan saran bagaimana mencapai Fakultas Ilmu Komputer, Universitas Brawijaya

3401

kebugaran kardiorespirasi yang baik dalam bentuk latihan yang dapat dilakukan dan saran berat badan yang ideal yang harus dicapai. Alat ini diharapkan dapat membantu pengguna dalam mengetahui kebugaran tubuh dan dapat menjadi acuan agar berlatih lebih giat untuk mencapai kebugaran kardiorespirasi yang optimal tanpa melakukan latihan yang berlebihan. 2.

PERANCANGAN IMPLEMENTASI

DAN

Perancangan dan implementasi menjelaskan perancangan dari sistem dan implementasinya. Perancangan sistem secara garis besar dijelaskan dalam diagram blok pada gambar 1. Sistem menggunakan 2 arduino nano untuk dapat menjalankan pulse sensor dan load sensor secara terpisah. Perangkat android menjadi pusat kontrol berjalannya sistem dan tempat penyimpanan data yang dibutuhkan.

Gambar 1 Diagram Blok Sistem

Pada implementasi semua perangkat keras dan perangkat lunak dipadukan untuk membuat sistem secara keseluruhan agar dapat digunakan. Secara umum bagaimana sistem digunakan oleh pengguna dijelaskan dalam desain sistem pada gambar 2.

Gambar 2 Desain Sistem


Perangkat terpisah menjadi dua yaitu perangkat untuk mengukur denyut nadi yang digunakan pada ujung jari dan perangkat untuk mengukur berat badan yang digunakan dengan cara berdiri di atasnya. Masing – masing perangkat dikendalikan oleh perangkat berbasis OS android untuk melakukan pengukurannya. Untuk dapat melakukan pertukaran data masing – masing perangkat dilengkapi dengan modul bluetooth dan mempunyai alamat masing – masing sebagai penanda. Sistem melakukan beberapa perhitungan untuk mencapai tujuan pembuatan sistem. Perhitungan tersebut meliputi perhitungan VO2max dan Indeks massa tubuh beserta klasifikasinya. 1. Perhitungan dan Klasifikasi VO2max Perhitungan VO2max menggunakan nonexcercise prediction method berbentuk persamaan yang terdapat pada persamaan (1). 𝑉𝑂2𝑚𝑎𝑥 = 3,542 + (−0,014 × 𝑈𝑚𝑢𝑟) + (0,015 × 𝐵𝑒𝑟𝑎𝑡𝑏𝑎𝑑𝑎𝑛) + (−0,011 × 𝐻𝑅𝑟𝑒𝑠𝑡) (1) Hasil dari pada persamaan (1) adalah nilai VO2max dalam satuan L/min, untuk dapat klasifikasi nilai dari VO2max satuan tersebut harus diubah menjadi ml/kg/min dengan persamaan (2). 𝑉𝑂2𝑚𝑎𝑥 (𝑚𝑙/𝑘𝑔/𝑚𝑖𝑛) = 𝑉𝑂2𝑚𝑎𝑥 (𝐿/𝑚𝑖𝑛)×1000 (2) 𝐵𝑒𝑟𝑎𝑡𝑏𝑎𝑑𝑎𝑛

Tabel 1 Klasifikasi VO2max Perempuan Umur

Jelek

Cukup

Baik

Baik sekali

Sangat tinggi

20-29

<36

36–39

40-43

44-49

>49

30-39

<34

34–36

37-40

41-45

>45

40-49

<32

32–34

35-38

39-44

>44

50-59

<25

25–28

29-30

31-34

>34

60-69

<26

26–28

29-31

32-35

>35

70-79

<24

24-26

27-29

30-35

>35

Sumber: Brianmac.co.uk Tabel 2 Klasifikasi VO2max Laki - laki Jelek

Cukup

Baik

20-29

<42

42-45

4650

30-39

<41

41-43

4447

48-53

>53

40-49

<38

38-41

4245

46-52

>52

50-59

<35

35-37

3842

43-49

>49

60-69

<31

31-34

3538

39-45

>45

70-79

<28

28-30

3135

36-41

>41

Sumber: Brianmac.co.uk

2. Perhitungan dan Klasifikasi Indeks massa tubuh (IMT) Perhitungan IMT sebagai tambahan informasi dalam mendukung kinerja sistem. Perhitungan IMT menggunakan persamaan (3). 𝐵𝑒𝑟𝑎𝑡𝑏𝑎𝑑𝑎𝑛(𝑘𝑔)

𝐼𝑀𝑇 = (𝑇𝑖𝑛𝑔𝑔𝑖𝑏𝑎𝑑𝑎𝑛(𝑚))2

(3)

Hasil nilai dari perhitungan IMT memiliki beberapa kategori yang harus diketahui untuk pencegahan penyakit yaitu pada tabel 3. Tabel 3 Kategori IMT IMT

Kategori

< 18,5

Kurang berat badan

18,5 – 22,9

Berat badan normal

≥ 23,0

Kelebihan berat badan

23,0 – 24,9

Berisiko obes

25,0 – 29,9

Obes I

≥ 30,0

Obes II

Sumber: Center for Obesity Research and Education

Klasifikasi yang dilakukan oleh sistem berdasarkan pada tabel 1 dan tabel 2. Klasifikasi akan berbeda hasilnya bergantung pada nilai VO2max, umur dan jenis kelamin.

Umur

3402

Baik sekali 51-55

Sangat tinggi >55

Fakultas Ilmu Komputer, Universitas Brawijaya

Implementasi pada sistem terbagi menjadi dua yaitu implementasi perangkat keras dan implementasi perangkat lunak. 2.1 Implementasi Perangkat Keras Implementasi perangkat keras menjelaskan bagaimana 2 arduino nano dan perangkat pendukung lainnya masing - masing terhubung. Pada gambar 3 menjelaskan bagaimana arduino nano dengan pulse sensor. Pada gambar 3 perangkat diletakan dalam kubus terbuat dari acrylic. Perangkat didukung dengan power bank sebagai sumber tenaga untuk menjalankan arduino nano, modul bluetooth dan pulse sensor. Pada gambar 4 menjelaskan bagaimana arduino nano dengan load sensor dirangkai pada tempat timbangan yang sudah di modifikasi sehingga hanya load sensor pada timbangan


yang dapat digunakan.

pembuatan aplikasi berbasis OS menggunakan MIT APP Inventor.

3403 android

2.2.1 Implementasi perangkat lunak pada arduino nano Algoritma dari sistem dibuat menggunakan arduino IDE. Arduino nano yang terpasang pada masing – masing sensor berjalan secara terpisah dan memiliki tujuan masing – masing sehingga memiliki algoritma yang berbeda – beda. Implementasi perangkat lunak pada arduino nano dijelaskan secara umum dalam bentuk flowchart. Pada gambar 5 dijelaskan alur kerja dari arduino nano yang terpasang dengan pulse sensor. Gambar 3 Arduino Nano Dengan Pulse Sensor

Gambar 4 Arduino Nano Dengan Load Sensor

Perangkat arduino nano, modul bluetooth dan HX711 dimasukan ke dalam tempat yang sama sehingga bisa ditutup dengan rapi menyatu dengan timbangan digital. Load sensor tersebar di 4 sisi timbangan dan dirangkai menggunakan prinsip wheatstone bridge kemudian dihubungkan ke HX711 yang bertindak sebagai analog to digital converter (ADC) dan sebagai amplifier. HX711 membantu arduino nano untuk membaca dengan baik hasil dari load sensor. Perangkat menggunakan power bank sebagai sumber tenaga untuk menjalankannya. 2.2 Implementasi Perangkat Lunak Implementasi perangkat lunak menjelaskan bagaimana praktek dari diagram alir yang dijelaskan pada bab perancangan perangkat lunak. Implementasi perangkat lunak terbagi menjadi dua yaitu implementasi perangkat lunak pada arduino nano menggunakan arduino IDE dan implementasi perangkat lunak untuk Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 5 Arduino nano dengan Pulse Sensor

Ketika perangkat mendapatkan perintah dari aplikasi ditandai dengan menerimanya pesan berupa “a” melalui modul bluetooth maka


arduino nano akan mulai menjalankan pulse sensor. Pulse sensor untuk menemukan denyut nadi dalam 60 detik (BPM) dengan bantuan interupt yang berjalan diluar program utama sehingga program utama hanya menunggu hasil dari perhitungan BPM. Interupt yang digunakan dalam menghitung BPM berjalan dengan cara menemukan denyut nadi dalam bentuk gelombang thresh sebagai penanda awal denyut akan terjadi dan peak sebagai penanda denyut telah terjadi, Kemudian menghitung rata – rata waktu antara gelombang denyut nadi saat terjadi dalam waktu 60 detik. Pada gambar 6 menjelaskan alur kerja dari arduino nano dengan load sensor.

3404

2.2.2 Implementasi perangkat lunak pada MIT APP Inventor Algoritma pada aplikasi berperan sebagai pemberi masukan data dari pengguna sekaligus pengontrol jalannya sistem. Alur kerja dari aplikasi dijelaskan pada gambar 7. Masukan dari pengguna terbagi menjadi dua yaitu masukan tinggi, umur, jenis kelamin dan masukan yang melibatkan sensor. Masukan dari sensor akan memberikan aplikasi informasi denyut nadi dan berat badan. Untuk mendapatkan data sensor pengguna harus terhubung ke sensor melalui bluetooth. Ketika semua informasi yang dibutuhkan telah tersimpan maka pengguna dapat menampilkan hasil dari perhitungan VO2max dan IMT sekaligus saran untuk mendapatkan nilai yang ideal.

Gambar 6 Arduino Dengan Load Sensor

Ketika perangkat mendapatkan perintah dari aplikasi ditandai dengan menerimanya pesan berupa “b” maka arduino nano akan mulai menjalankan load sensor. Perhitungan berat badan menggunakan pustaka dari HX711 sehingga program utama hanya memanggil pustaka untuk mendapatkan data berat badan.


Gambar 7 Alur Kerja Pada Aplikasi

Implementasi dari alur kerja pada aplikasi dilakukan oleh MIT APP Inventor sebagai pembuat dari aplikasi. Gambar 8 menjelaskan antarmuka dari aplikasi ke pengguna.


3405 Tabel 4 Hasil Pengujian Pulse Sensor

(a)

(b)

No

Pengukuran Manual (BPM)

Pengukuran Sensor (BPM)

Persentase Kesalahan (%)

1

64

80

25 %

2

64

80

25 %

3

64

75

17,19 %

4

64

65

1,56 %

5

64

64

0%

6

64

62

3,12 %

7

64

62

3,12 %

8

64

67

4,68 %

9

64

65

1,56 %

10

64

64

0%

Rata – Rata

8,12 %

Kesalahan yang terjadi dikarenakan pulse sensor sangat dipengaruhi oleh posisi ujung jari pada sensor dan tekanan yang diberikan pada sensor sehingga sebagian pembacaan terdapat kesalahan. Selain masalah tersebut pulse sensor juga membutuhkan waktu untuk stabil dalam pembacaan ketika pengguna pertama kali memegang sensor. 3.2 (c) Gambar 8 Antarmuka Aplikasi

Pada gambar 8(a) adalah ketika pengguna memasukan informasi pribadi meliputi umur, tinggi badan dan jenis kelamin. Pada gambar 8(b) adalah ketika pengguna memasukan data dari denyut nadi dan berat badan menggunakan bantuan sensor. Pada gambar 8(c) adalah ketika pengguna ditampilkan hasil dari perhitungan VO2max dan IMT beserta klasifikasinya menggunakan informasi yang sudah tersimpan oleh sistem. 3

HASIL PENGUJIAN

Pengujian dan analisis menjelaskan bagaimana sistem diuji setelah implementasi selesai dilakukan kemudian menganalisis hasil pengujian tersebut untuk mencari kesimpulan dari kinerja sistem. 3.1

Pengujian Pulse Sensor

Tujuan dari pengujian ini adalah untuk mengetahui akurasi dari pulse sensor apakah memiliki akurasi yang baik atau tidak. Hasil dari pengujian pada pulse sensor dimuat dalam tabel 4. Fakultas Ilmu Komputer, Universitas Brawijaya

Pengujian Load Sensor

Tujuan dari pengujian ini adalah untuk mengetahui akurasi dari load sensor apakah memiliki akurasi yang baik atau tidak. Hasil dari pengujian pada load sensor dimuat dalam tabel 5. Tabel 5 Hasil Pengujian Load Sensor No

Pengukuran Manual (Kg)

Pengukuran Sensor (Kg)

Persentase Kesalahan (%)

1

55,5

54,8

1,26 %

2

67,6

67

0,88 %

3

46,5

45,8

1,5 %

4

59,9

59,2

0,11 %

5

68,4

67,8

0,88 %

Rata – Rata

0,92 %

Kesalahan yang terjadi dikarenakan load sensor memiliki kesalahan komprehensif 0,05 mv/V sehingga dapat terjadi ketidakakuratan pembacaan pada sensor. Saat pengguna meletakan kaki, posisi kaki yang sejajar atau bertumpu dengan baik pada perangkat juga dapat menjadi pengaruh karena sensor akan kesulitan dalam menstabilkan hasil yang keluar.


3.3

Pengujian Modul Bluetooth

Tujuan dari pengujian ini adalah untuk mengetahui jarak maksimal dari modul dalam mengirimkan data. Pengujian dilakukan pada jarak 10 meter dan 12 meter. Hasil dari pengujian pada modul bluetooth dimuat dalam tabel 6 dan tabel 7.

Data terkirim

Data diterima

Status

1

”Data terkirim 1”


Berhasil

2



Berhasil

3



Berhasil

4



Berhasil

5



Berhasil

Berat Badan : 54,8 Kg

Berat Badan : 54 Kg

Intensitas Latihan : 0 kali/Minggu


Nilai VO2max (ml/Kg/min) : 60


Tingkat Kebugaran : Sangat Tinggi


2

Tabel 6 Pengujian Modul Bluetooth Pada Jarak 10 Meter No

3406

Umur : 22 Denyut Nadi : 64 BPM

Denyut Nadi : 64 BPM

Berat Badan : 71 Kg






Tingkat Kebugaran : Baik Sekali


3

Tabel 7 Pengujian Modul Bluetooth Pada Jarak 12 Meter



Berat Badan : 47 Kg

Berat Badan : 48 Kg

No

Data terkirim

Data diterima

Status

1



Berhasil



2



Berhasil




-

Gagal




-



3 4 5

4 Gagal Terlambat

Terdapat kesalahan pengiriman data pada tabel 6 dijarak 12 meter. Kesalahan pada pengiriman diakibatkan oleh jangkauan maksimal dari modul sendiri yaitu kurang lebih 10 meter. Maka untuk mendapatkan fungsi maksimal dari modul penggunaan harus dalam jangkauan jarak 10 meter. 3.4

Pengujian Tingkat Kebugaran Kardiorespirasi

Pengujian bertujuan untuk menguji dampak dari latihan yang dijalani terhadap kebugaran kardiorespirasi. Hasil dari pengujian dimuat dalam tabel 8. Tabel 8 Hasil Tingkat Kebugaran Terhadap Pengujian Yang Dilakukan No 1

Data Subjek Sebelum Metode Pengujian Dilakukan

Data Subjek Setelah Metode Pengujian Dilakukan














5



Berat Badan : 47 Kg








Menurut perbandingan pada hasil pengujian di tabel 8 terdapat peningkatan nilai VO2max terhadap subjek 1 dan 2. Subjek 2 yang melakukan 15/15 interval running mengalami peningkatan yang lebih tinggi dari pada subjek 1 yang melakukan long slow distance running, hal ini dikarenakan metode latihan yang dilakukan subjek 2 lebih berat dari pada subjek 1. Pada subjek 3 dan 5 terjadi peningkatan berat badan


karena subjek mengurangi latihan yang biasa dilakukan kecuali pada subjek 4 yang mengalami peningkatan pada denyut nadi dan berat badan. Perubahan yang terjadi pada subjek 3 dan 5 mengakibatkan sedikit penurunan nilai VO2max tetapi pada subjek 4 tidak terjadi penurunan yang berarti sehingga nilai VO2max tetap stabil. 4

KESIMPULAN

Garis besar dari perancangan sistem sampai dengan hasil pengujian dan analisis yaitu : 1. Sistem dapat mengukur denyut nadi dengan memanfaatkan pulse sensor sebagai perantara yang digunakan pada ujung jari pengguna. 2. Sistem dapat mengukur berat badan dengan memanfaatkan load sensor sebagai perantara dibantu dengan ADC HX711 untuk membantu perhitungan. Pengguna harus berdiri di atas sensor untuk mendapat perhitungan berat badan. 3. Sistem dapat melakukan perhitungan kebugaran kardiorespirasi dengan memanfaatkan persamaan yang tersedia dan ditambah dengan perhitungan indeks masa tubuh untuk melengkapi jalannya sistem. Sistem juga dapat memberikan saran sehubungan dengan hasil yang diberikan sehingga pengguna mengerti bagaimana mencapai kebugaran yang baik. 4. Arduino nano dapat terhubung dengan perangkat berbasis OS android dengan memanfaat modul bluetooth dengan jarak maksimal 10 meter. 5. Pembuatan sistem untuk pengukuran denyut nadi dan berat badan menggunakan mendapatkan hasil akurasi yang tergolong baik dengan rata – rata error pada pulse sensor sebesar 8,12 % dan load sensor sebesar 0,92 %. DAFTAR PUSTAKA American College of Sport Medicine, 2008. ACSM's Health-Related Physical Fitness Manual 2nd ed. Philadelphia, PA: Lippincott Williams & Wilkins [electronic print] Tersedia di: < http://ebook30.com/science/medicine/5095 9/acsr-nshealthrelated-physical-fitnessassessmdnt-manual.html > [Diakses 18 september 2016] Fakultas Ilmu Komputer, Universitas Brawijaya

3407

Brien SE, Katzmarzyk PT, Craig CL and Gauvin L, 2007. Physical activity, cardiorespiratory fitness and body mass index as predictors of substantial weight gain and obesity: the Canadian physical activity longitudinal study. Can J Public Health 98: 121–124. Brian Mac Sport Coach., 2016. Heart Rate Zones. [online] Brian Mac Sport Coach. Tersedia di: [Diakses 11 November 2016] Brian Mac Sport Coach., 2016. Maximum Heart Rate. [online] Brian Mac Sport Coach. Tersedia di: < https://www.brianmac.co.uk/maxhr.htm> [Diakses 11 November 2016] Brian Mac Sport Coach., 2016. VO2 Max. [online] Brian Mac Sport Coach. Tersedia di: [Diakses 11 November 2016] Center for Obesity Research and Education.,2017. Body Mass Index: BMI Calculator. [Online] Tersedia di: [ Diakses 8 Maret 2017] Danial et al., 2011. Proporsi Indeks Massa Tubuh (IMT) Penderita Penyakit Jantung Koroner Di RSUP Haji Adam Malik, Medan [pdf] Tersedia di: [Diakses 20 Januari 2017] GitHub., 2017. An Arduino library to interface the Avia Semiconductor HX711 24-Bit Analog-to-Digital Converter (ADC) for Weight Scales. [online] Bogde. Tersedia di: [Diakses 14 Juli 2017] Hanum.Misra, 2004. Pengaruh Latihan Aerobik Terhadap Ambilan Oksigen Maksimum (Vo2 max) Pada Fase-Fase Siklus Menstruasi Wanita Usia 18-24 Tahun Yang Tidak Terlatih [pdf] Tersedia di: [Diakses 20 Januari 2017] Heywood, V., 2006. The Physical Fitness Specialist Manual, The Cooper Institute for Aerobics Research. Dallas : TX.


Helgerud, Jan et al., 2007. Aerobic HighIntensity Intervals Improve VO2max More Than Moderate Training. [pdf] Tersedia di: [Diakses 3 Oktober 2017] Howley et al ,1995. Criteria for maximal oxygen uptake: review and commentary. Med Sci Sports Exerc. Jackson, A.S. et al., 2007. Estimating Maximum Heart Rate From Age: Is It a Linear Relationship? Medicine & Science in Sports & Exercise, 39(5), p. 822-829 Jheri Turnley, B.S., 2010. VO2max: How Can An Endurance Athlete Use It To Obtain Peak Performance? [pdf] Tersedia di: [Diakses 3 Oktober 2017] Karvonen, J. and Vuorimaa, T, 1988. Heart rate and exercise intensity during sports activities. Sports Medicine Lee et al., 2010. Mortality trends in the general population: the importance of cardiorespiratory fitness. [pdf] Tersedia di: < https://www.ncbi.nlm.nih.gov/pmc/articles /PMC2951585/> [Diakses 8 Maret 2017] Olivia, Wilhelmina., 2012. Hubungan Indeks Massa Tubuh dengan Kebugaran Fisik pada Mahasiswa Laki-Laki Fakultas Kedokteran Universitas Sumatera Utara Tahun Masuk. [pdf] Tersedia di: [Diakses 20 April 2016] Pulse Sensor., 2016. Pulse Sensor Amped. [online] Pulse Sensor. Tersedia di: < https://pulsesensor.com/pages/pulsesensor-amped-arduino-v1dot1> [Diakses 8 Maret 2017] Rahayu, Indri., 2013. Kebugaran Jasmani Lanjutan [pdf] Tersedia di: http://file.upi.edu/Direktori/FPOK/JUR._P END._KESEHATAN_&_REKREASI/PR ODI._KEPERAWATAN/1981101920031 22NUR_INDRI_RAHAYU/KEBUGARAN_ JASMANI_LANJUTAN_ARTIKEL.pdf [Diakses 20 April 2016] Fakultas Ilmu Komputer, Universitas Brawijaya

3408

Rexhepi et al., 2014. Prediction of VO2max based on age, body mass, and resting heart rate [pdf] Tersedia di: < https://www.degruyter.com/downloadpdf/j/ humo.2014.15.issue/humo-20140003/humo-2014-0003.pdf> [Diakses 11 Juli 2017] Sparkfun Electronics., 2017. Getting Started with Load Cells. [online] Sparkfun Electronics. Tersedia di: [Diakses 20 November 2017]

SISTEM MONITORING KEBUGARAN KARDIORESPIRASI DENGAN

Recommend Documents