Klasifikasi Kadar Glukosa Darah Keluaran Alat Non Invasif Menggunakan Support Vectore Machine dan Random Forest

Abstract

Diabetes mellitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin, atau kedua-duanya. Pemeriksaan kadar glukosa darah merupakan pendeteksian dini dalam pengendalian dan pemantauan penderita diabetes mellitus. Pemeriksaan kadar glukosa darah umumnya dilakukan secara invasif yaitu dengan menggunakan jarum suntik (gold standard) dan dengan menggunakan alat glukometer (silver standard). Alat ukur gold standard dan silver standard bersifat melukai tubuh sehingga akan menimbulkan rasa sakit dan ketidaknyamanan terhadap pasien yang melakukan pemeriksaan kadar glukosa darah secara rutin. Tim non-invasif biomarking IPB mengembangkan alat pemeriksaan kadar glukosa darah yang bersifat tidak melukai tubuh (non-invasif), pada dasarnya alat ini bekerja menggunakan prinsip spektroskopi inframerah dengan harapan dapat memberikan hasil pemeriksaan yang lebih akurat. Pembuatan model untuk mentransformasi hasil keluaran alat non-invasif menjadi sangat penting dalam pengembangan alat ukur kadar glukosa darah. Keluaran dari alat non-invasif tersebut adalah data spektrum residual intensitas, yang akan dikaitkan dengan hasil pengukuran kadar glukosa darah invasif menggunakan beberapa metode klasifikasi, yaitu klasifikasi support vectore machine dan random forest. Penelitian sebelumnya telah melakukan transformasi hasil keluaran alat non-invasif dengan metode features development menggunakan metode rataan, metode tiga nilai dan metode simpangan baku. Pemilihan metode features development pada penelitian sebelumnya masih belum memaksimalkan hasil, sehingga penelitian ini bertujuan untuk membandingkan metode features development lain dari keluaran alat non-invasif dan mendapatkan fitur terbaik untuk pemodelan yang dapat memberikan prediksi yang lebih baik. Hasil pengembangan fitur menunjukkan bahwa fitur terbaik pada keluaran alat non-invasif adalah metode luas trapesium pada periode karena memiliki nilai akurasi yang lebih tinggi dibandingkan dengan keempat metode lainnya. Proses validasi menunjukkan bahwa metode random forest memiliki nilai akurasi yang lebih tinggi dibandingkan dengan support vector machine.

Diabetes mellitus is a group of metabolic diseases characterized by hyperglycemia resulting from defects in insulin secretion, insulin action, or both. Examination of blood glucose levels is an early detection in controlling and monitoring people with diabetes mellitus. Examination of blood glucose levels is generally carried out invasively by using a syringe (gold standard) and by using a glucometer (silver standard). Gold standard and silver standard measuring instruments are injuring the body so that it will cause pain and discomfort to patients who check blood glucose levels regularly. The non-invasive biomarking team of IPB developed a non-invasive (non-invasive) blood glucose level measurement tool, non-invasive methods are considered better because they do not hurt the body, basically this tool works using the principle of infrared spectroscopy in the hope of providing more accurate results. Modeling to transform the output of non-invasive devices is very important in the development of measuring blood glucose levels. The output of the non- invasive tool is the intensity of the residual spectrum data, which will be related to the result of invasive measurement of blood glucose using some classification models, i.e. support vector machine and random forest. Previous research has carried out the transformation of the output of non-invasive tools with the features development method using the average method, the three-value method and the standard deviation method. The selection of features development methods in previous studies has not maximized the results. This research is aimed to compare the features development methods from the output of non-invasive tools and get the best features for modeling that can provide better predictions. The result of feature development shows that the best feature in the output of the non-invasive device is the trapezoidal area method at period because it has a higher accuracy value than the other four methods. The validation process shows that the random forest method has a higher accuracy value compared to the support vector machine.