Peningkatan teknologi sensor dan pemrosesan sinyal digital telah membawa kemajuan besar dalam pemantauan kesehatan. Salah satu inovasi menarik adalah ekstraksi sinyal PPG (Photoplethysmography) dari video untuk mengukur tekanan darah secara non-invasif. Dalam penelitian ini, kami mengusulkan pendekatan menggunakan metode XGBoost untuk mengidentifikasi tekanan darah dari sinyal PPG dalam video. Tujuan utama kami adalah mengeksplorasi bagaimana panjang sinyal mempengaruhi akurasi prediksi model XGBoost dalam mengenali tekanan darah. Melalui serangkaian eksperimen yang memvariasikan panjang sinyal PPG, kami menganalisis dampaknya terhadap kinerja model. Hasilnya memberikan wawasan penting tentang optimasi panjang sinyal dalam ekstraksi dan penerapannya dalam model XGBoost untuk prediksi tekanan darah. Penelitian ini menunjukkan bahwa panjang sinyal berpengaruh signifikan terhadap akurasi prediksi, dan dapat menjadi panduan bagi pengembangan sistem monitoring tekanan darah non-invasif yang lebih efektif. Dengan judul "Ekstraksi Video Menjadi Signal PPG Untuk Mengidentifikasi Tekanan Darah Dengan Metode XGBoost", penelitian ini menyoroti relevansi metode XGBoost dalam pemrosesan sinyal kesehatan untuk aplikasi diagnostik yang inovatif dan meningkatkan pemahaman kita tentang penggunaan teknologi untuk kesehatan. Penelitian ini memberikan landasan untuk penelitian lebih lanjut dalam pengembangan teknologi non-invasif dalam pemantauan kesehatan, serta menggarisbawahi pentingnya kolaborasi antara teknologi sensor dan metode machine learning dalam mendukung praktik medis yang lebih canggih dan efisien.