Kalibrasi Alat Ukur Kadar Glukosa Darah Non-Invasive Berbasis Raspberry Pi

Abstract

Glukosa darah menjadi parameter dalam kesehatan sebagai pendeteksi penyakit diabetes melitus. Bagi penderita DM, pengukuran glukosa darah sangat penting untuk memantau status glikemik. Namun saat ini rata-rata pengukuran kadar glukosa darah masih menggunakan teknik invasive (mengambil sampel darah dari pasien), yang bisa saja menyebabkan trauma. Sehingga dibutuhkan alat yang mampu bekerja secara non-invasive yang sudah terkalibrasi dengan baik. Berdasarkan hal tersebut, penelitian ini bertujuan untuk meng-upgrade dan mengetahui tingkat akurasi alat ukur kadar glukosa darah non-invasive berbasis Raspberry Pi hasil upgrade penelitian sebelumnya. Penelitian ini memanfaatkan prinsip reflektansi, dimana LED pada probe menembakkan cahaya. Selanjutnya sensor membaca tegangan yang diterima photodiode, yang kemudian dikonversi menjadi data digital oleh ADS1115. Data yang didapatkan kemudian diolah menggunakan regresi linear berganda untuk mendapatkan persamaan. Persamaan ini yang kemudian dimasukkan pada alat, guna proses kalibrasi. Didapatkan nilai Root Mean Squared Error (RMSE) sebesar 7,836, menandakan akurasi yang baik dengan toleransi kesalahan < 10 berdasarkan standar ISO 15197:2013.

Blood glucose is a parameter in health as a detector for diabetes mellitus. For people with DM, blood glucose measurement is very important to monitor glycemic status. However, currently the average blood glucose level measurement is still using invasive techniques (taking blood samples from patients), which can cause trauma. So we need a tool that is able to work non-invasively that is well calibrated. Based on this, this study aims to upgrade and determine the level of accuracy of non-invasive blood glucose level measuring devices based on Raspberry Pi, the results of previous research upgrades. This research utilizes the reflectance principle, where the LED on the probe shoots light. Furthermore, the sensor reads the voltage received by the photodiode, which is then converted into digital data by ADS1115. The data obtained were then processed using multiple linear regression to obtain the equation. This equation is then entered in the tool, for the calibration process. The Root Mean Squared Error (RMSE) value is 7,836, indicating good accuracy with an error tolerance < 10 based on ISO standards 15197:2013.