PERANCANGAN ALAT UKUR GLUKOSA DARAH NON�INVASIVE BERBASIS SINYAL PHOTOPLETHYSMOGRAPHY (PPG) MENGGUNAKAN METODE ENSEMBLE LEARNING DAN REGRESI LINEAR BERGANDA

Diabetes merupakan salah satu dari 10 penyebab kematian tertinggi di dunia.
Monitoring kadar glukosa secara rutin merupakan salah solusi bagi penderita
diabetes untuk mencegah komplikasi penyakit yang mengancam jiwa. Metode yang
sangat umum digunakan adalah metode invasif dan memiliki berbagai kelemahan,
namun lebih akurat dibandingkan metode non-invasive. Penelitian ini bertujuan
untuk mengembangkan metode untuk meningkatkan akurasi estimasi nilai kadar
glukosa darah secara non-invasive menggunakan sinyal photoplethysmography
dengan pendekatan machine learning. Metode klasifikasi yang digunakan adalah
ensemble learning dengan algoritma bagged trees dan metode prediksi yang
digunakan regresi linear berganda. Hasil pengujian menunjukkan bahwa model
klasifikasi ensemble learning dengan algoritma bagged trees menggunakan teknik
validasi resubtitution mencapai akurasi 100 % pada data training dan testing.
Sementara itu, teknik validasi menggunakan K-fold cross validation menghasilkan
nilai akurasi sebesar 97,5% pada data training dan 100% pada data testing. Model
regresi linear berganda menunjukkan performa yang lebih baik pada data
stratifikasi, dengan nilai mean absolute relative difference (MARD) sebesar 11,5%,
root mean squared error (RMSE) 28,2 mg/dL, dan clark error grid analysis
(CEGA) 63% di region A, 32% di region B, 5% di region C. Sebaliknya pada data
gabungan, performa model mengalami penurunan dengan nilai mean absolute
relative difference (MARD) sebesar 26,5%, root mean squared error (RMSE) 54,4
mg/dL, dan clark error grid analysis (CEGA) 26,5% di region A, 42,5% diregion
B, 31% di region C. Dengan demikian, pengembangan metode non-invasive
menggunakan sinyal photoplethysmography dengan pendekatan pemodelan
machine learning menunjukkan potensi yang signifikan dalam estimasi kadar
glukosa darah dengan tingkat akurasi yang kompetitif.
Kata kunci: kadar glukosa darah, Non-Invasive, photoplethysmography, machine
learning, regresi linear.