Abdufattah Yurianta (2022) Perancangan Perangkat Lunak Klasifikasi Kadar Gula Darah Non-Kontak dengan Metode Support Vector Machine. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (HALAMAN JUDUL) 081811733044_HALAMAN JUDUL.pdf Download (1MB)
	Text (BAB I) 081811733044_BAB I.pdf Download (670kB)
	Text (FULLTEXT) 081811733044_FULLTEXT.pdf Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Diabetes merupakan salah satu penyakit yang sering terjadi di Indonesia. Penyakit ini dikatakan cukup berbahaya dikarenakan dapat menyebabkan komplikasi dan komorbiditas. Upaya pencegahan dan intervensi terhadap penyakit ini sangat penting. Salah satu caranya adalah dengan melakukan pengukuran kadar gula darah, baik secara invasive maupun non-invasif. Saat ini, salah satu metode pengukuran non-invasif yang sedang berkembang adalah imaging photoplethysmography (IPPG). Metode ini dilakukan dengan menggunakan prinsip kerja PPG, namun secara non-kontak. Penelitian terdahulu telah menyebutkan efektifitas metode pengukuran ini dalam melakukan klasifikasi atau regresi tekanan darah dan/atau detak jantung. Namun, belum ada penelitian yang menerapkan metode ini pada pengukuran kadar gula darah. Oleh karenanya, peneliti berusaha untuk menerapkan IPPG untuk klasifikasi kadar gula darah. Peneliti mendefinisikan IPPG sebagai sinyal pantulan dari kulit wajah yang bersumber dari cahaya buatan (seperti lampu) maupun cahaya lingkungan yang berkorespondensi dengan hemoglobin (representasi warna hijau) Penelitian ini bertujuan untuk membuat model klasifikasi kadar gula darah dan mengetahui akurasinya. Peneliti melakukan pengambilan data terhadap 37 pasien normal dan 25 pasien diabetes. Selanjutnya, peneliti melakukan ekstraksi sinyal IPPG, menerapkan filter, melakukan segmentasi, dan melakukan ekstraksi fitur. Terakhir, peneliti membuat model support vector machine (SVM) dengan kernel radial basis function (RBF) untuk melakukan klasifikasi. Model terbaik didapatkan dengan parameter C sebesar 53 dan Gamma sebesar 2. Model tersebut menghasilkan akurasi latih, akurasi uji, f1-score data gula darah normal, f1-score data gula darah tinggi sebesar 0,64, 0,60, 0,68, serta 0,45. Hasil ini dapat ditingkatkan kembali dengan mengevaluasi proses pengambilan data dan pemilihan fitur.

Actions (login required)

View Item