| dc.description.abstract | Diabetes melitus merupakan salah satu penyakit yang dianggap serius
belakangan ini. Penyakit ini disebabkan karena gangguan metabolisme yang
ditandai dengan peningkatan kadar glukosa darah (hiperglikemia) yang dihasilkan
dari ketidaknormalan sekresi insulin. Penderita diabetes perlu melakukan
pengendalian kadar glukosa darah. Salah satu bentuk pengendalian yang dapat
dilakukan adalah dengan mengukur kadar glukosa darah secara rutin. Pengecekan
kadar glukosa dalam darah biasanya dilakukan dengan glukometer, yaitu alat
pengukur kadar glukosa darah yang dapat melukai tubuh yang dikenal dengan alat
invasive. Penggunaan alat invasive akan sangat membahayakan pasien, sehingga
diperlukan solusi alat pengukur kadar glukosa darah yang aman bagi tubuh dan
tanpa melukai tubuh, yaitu alat pengukur kadar glukosa darah non–invasive.
Alat pengukur kadar glukosa darah non-invasive memiliki keluaran berupa
spektrum nilai residu intensitas. Pada pemodelan spektrum residu intensitas
diperlukan suatu metode yang dapat digunakan untuk memodelkan keluaran nilai
residu intensitas. Bentuk pola data yang tidak beraturan mengakibatkan pemilihan
metode parametrik tidak tepat untuk digunakan sehingga dilakukan dengan
metode nonparametrik. Regresi Spline merupakan salah satu metode
nonparametrik dengan proses kerja melakukan pengepasan kurva regresi
berdasarkan data yang ada sehingga model akan memberikan fleksibilitas yang
lebih tinggi. Model yang terbaik akan dilihat dari nilai Generalized Cross
Validation (GCV) dan Root Mean Square Error Prediction (RMSEP) terkecil.
Tujuan dari penelitian ini adalah memodelkan hubungan antara keluaran alat
non-invasive dengan alat invasive dengan Regresi Spline Linier, Regresi Spline
Kuadratik, dan Regresi Spline Kubik untuk menemukan model terbaik dalam
pendugaan kadar glukosa dalam darah pada alat non-invasive. Data yang
digunakan dalam penelitian ini merupakan data primer dari data Pengembangan
dan Uji Klinis Purwarupa Alat Pemantauan Kadar Glukosa Darah non-invasive.
Data ini dikumpulkan dari 118 responden yang merupakan mahasiswa Institut
Pertanian Bogor.
Prapemrosesan data dilakukan sebelum data dianalisis. Data yang digunakan
merupakan data nilai residu intensitas pada saat lampu dan sensor hidup secara
bersamaan pada lima periode yang telah ditentukan. Setelah pemilihan data pada
kondisi tersebut, selanjutnya data diringkas, yaitu mengambil data yang
merupakan data kedua awal, data tengah, dan data kedua akhir pada setiap
modulasi. Peringkasan dilakukan karena jumlah data antar modulasi tidak sama.
Setelah data diringkas, selanjutnya dilakukan pemilihan modulasi terbaik.
Modulasi akan menggambarkan tingkat pencahayaan pada lampu. Modulasi
terbaik dalam penelitian ini adalah modulasi 50%. Hal ini dikarenakan modulasi
50% memiliki nilai rata-rata dan standar deviasi terkecil dibanding dengan
modulasi lainnya, selanjutnya dengan menggunakan data modulasi 50%, data
dilanjutkan ke tahap analisis.
Data dianalisis dengan menggunakan metode Regresi Spline Linier, Regresi
Spline Kuadratik, dan Regresi Spline Kubik. Regresi Spline Linier merupakan
metode terbaik dibandingkan metode Spline lainnya. Hal ini karena Regresi
Spline Linier memiliki nilai Generalized Cross Validation (GCV) dan Root Mean
Square of Prediction (RMSEP) terkecil.
Tiga metode Regresi spline diterapkan pada tiga jenis data yang berbeda,
yaitu dengan penggunaan seluruh data, penggunaan 117 data (menghapus satu
data pencilan), serta penggunaan 106 data (menghapus 12 data pencilan).
Penerapan metode Regresi Spline Linear pada 106 data merupakan perlakuan
yang terbaik. | id |
