Klasifikasi Kadar Glukosa Darah Keluaran Alat Non-Invasif Menggunakan Regresi Logistik Ordinal dengan Peringkasan Luas

Abstract

Diabetes Melitus (DM) dikenal sebagai silent killer karena gejalanya cenderung tidak disadari. Pemeriksaan kadar glukosa darah penting dilakukan berkala untuk mengontrol kadar glukosa darah bagi penderita maupun non-penderita DM. Tim Non-Invasif Biomarking IPB mengembangkan alat pengukur kadar glukosa darah non-invasif untuk memudahkan proses pemantauan tersebut. Alat tersebut menggunakan prinsip spektroskopi dan menghasilkan keluaran berupa nilai residu intensitas cahaya. Suatu metode diperlukan untuk memprediksi kategori kadar glukosa darah berdasarkan hasil pengukuran alat non-invasif. Pemodelan klasifikasi merupakan salah satu metode untuk menganalisis hubungan antara kelas kadar glukosa darah hasil pengukuran invasif dengan nilai residu intensitas hasil pengukuran non-invasif. Salah satu metode klasifikasi yang umum digunakan adalah regresi logistik. Regresi logistik adalah salah satu regresi dengan peubah respon berupa kategorik. Jika skala pengukuran dari peubah respon adalah ordinal, analisis yang digunakan adalah regresi logistik ordinal. Metode ini menghasilkan model akhir berupa fungsi logit peluang kumulatif. Data berbasis spektrum cahaya yang digunakan sebagai peubah prediktor X seringkali memberikan peubah yang saling berkorelasi antara satu dengan lainnya. Principal component analysis akan digunakan untuk mereduksi dimensinya sehingga menjadi sekumpulan peubah baru yang tidak berkolerasi. Pendekatan peringkasan data yang baik pada tahap prapemrosesan juga diperlukan untuk memberikan pemodelan yang baik. Beberapa metode peringkasan telah dilakukan pada penelitian sebelumnya. Peringkasan luas pada periode merupakan metode peringkasan terbaik karena dapat memanfaatkan keseluruhan informasi data. Penelitian ini menggunakan metode regresi logistik ordinal sebagai metode pemodelan dengan menerapkan principal component analysis dan peringkasan luas yang diterapkan pada data 2017 dan data 2019. Pemodelan klasifikasi pada data 2017 menghasilkan nilai balanced accuracy sebesar 64,64%. Pemodelan klasifikasi pada data 2019 menghasilkan nilai balanced accuracy sebesar 57,57%. Desain yang digunakan pada alat 2017 dan alat 2019 berbeda. Hal tersebut menyebabkan grafik residu intensitas hasil pengukuran non-invasif yang terbaca juga berbeda. Model pada data 2017 lebih baik diterapkan pada data yang homogen dan model pada data 2019 lebih baik diterapkan pada data yang heterogen.