PENGEMBANGAN ALAT UKUR GULA DARAH BERBASIS NON-INVASIVE MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) DAN REGRESI LINEAR

Raffi, Zahrandhika Putra and Fitrilina, Fitrilina and Faisal, Hadi (2023) PENGEMBANGAN ALAT UKUR GULA DARAH BERBASIS NON-INVASIVE MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) DAN REGRESI LINEAR. Undergraduated thesis, Universitas Bengkulu.

Archive (Thesis) Skripsi Raffi Zahrandhika Putra G1D019043_Teknik Elektro - Raffi Zahrandhika Putra.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons GNU GPL (Software). Download (10MB)

Abstract

Diabetes merupakan penyakit yang ditandai dengan meningkatnya kadar gula darah dalam tubuh melebihi batas normal. Pengukuran kadar gula darah umumnya dilakukan secara invasive atau melukai jari pasien. Oleh karena itu, penelitian ini bertujuan merancang alat ukur kadar glukosa secara non-invasive menggunakan metode K-Nearest Neighbor (KNN) dan Regresi Linear. Perancangan alat menggunakan Mikrokontroler ESP32, LED Inframerah, sensor Potodioda OPT101, dan sistem monitoring jarak jauh menggunakan Internet of Things (IoT). Metode KNN digunakan untuk mengklasifikasikan nilai dari pembacaan sensor, sementara regresi linear berfungsi memprediksi nilai kadar gula darah (mg/dl). Kinerja alat dianalisa menggunakan Clarke Error Grid (CEG). Pengujian dilakukan terhadap 250 sampel pasien diabetes dan normal. Hasil pengujian menunjukkan persamaan regresi linear untuk pasien diabetes memiliki determinasi (R²=0,7829), dan pasien normal memiliki determinasi (R²=0,9708). Rata-rata error persamaan regresi linear pasien diabetes sebesar 4,6%, dan untuk pasien normal sebesar 2,28%. Penelitian ini juga melakukan klasifikasi kelas pengguna alat menggunakan metode KNN dengan variasi seperti Simple KNN (K=1), Medium KNN (K=10), dan Weighted KNN (K=1, dan bobot=0,5). Selain itu, variasi data training juga dianalisis dengan jumlah data 25, 50, 75, dan 100. Hasil pengujian confusion matrix menunjukkan metode KNN dengan variasi Simple dan Weighted KNN lebih baik dalam mengklasifikasikan data dibandingkan dengan Medium KNN, dan juga peningkatan jumlah data training meningkatkan performa metode KNN dalam klasifikasi. Analisis kinerja alat menggunakan metode CEG menunjukkan hasil pengukuran alat berada di zona A dan B untuk glukosa darah pasien diabetes, dan zona A untuk glukosa darah pasien normal, yang menandakan alat dapat digunakan secara klinis dan sesuai dengan standar ISO 15197. Penelitian ini juga berhasil merancang sistem monitoring berbasis IOT menggunakan web server (website). Pengguna dapat memeriksa dan mengontrol kadar gula darah melalui website. Data hasil pemeriksaan tersimpan di database dan pengguna dapat berkonsultasi menggunakan fitur chatting. Kata Kunci: Diabetes, Non-Invasive, K-Nearest Neighbor (KNN), Regresi Linear, Clarke Error Grid (CEG).

Actions (login required)

View Item