Klasifikasi Kadar Glukosa Darah Keluaran Alat Non-Invasif Menggunakan Metode Support Vector Machine

Abstract

Alat pemantauan kadar glukosa darah non-invasif dikembangkan oleh tim non-invasif biomarking Institut Pertanian Bogor untuk mengukur kadar glukosa darah secara rutin tanpa melukai bagian tubuh dengan waktu yang cepat dan akurat. Alat pemantauan kadar glukosa darah non-invasif menggunakan prinsip spektroskopi inframerah jarak dekat. Keluaran yang dihasilkan pada alat ukur non-invasif berupa data spektrum residu intensitas. Diperlukan suatu metode untuk dapat memprediksi kategori kadar glukosa darah berdasarkan hasil pengukuran alat non-invasif. Hasil prediksi yang diperoleh diharapkan mendekati dengan pengukuran invasif dari laboratorium (gold standard). Salah satu metode yang dapat digunakan untuk menganalisis hubungan antara kelas kadar glukosa darah hasil pengukuran invasif dengan spektrum residu intensitas hasil pengukuran non-invasif adalah pemodelan klasifikasi. Tujuan dari klasifikasi adalah memprediksi kategori atau kelas dari suatu objek. Misalnya, dalam penelitian ini model klasifikasi digunakan untuk mengidentifikasi seseorang memiliki kadar glukosa darah rendah, normal atau tinggi. Salah satu metode yang banyak digunakan dalam pemodelan klasifikasi adalah Support Vector Machine (SVM). Konsep SVM secara sederhana adalah mencari hyperplane optimal yang berfungsi sebagai pemisah antar kelas. Penentuan hyperplane optimal untuk data yang kelasnya tidak dapat dipisahkan secara linier bisa diselesaikan dengan memasukkan fungsi kernel. Pada penelitian ini fungsi kernel yang digunakan adalah Linier, Polinomial dan Gaussian. Penelitian ini bertujuan untuk mengklasifikasikan kadar glukosa darah berdasarkan hasil pengukuran dari alat non-invasif menggunakan SVM, menentukan fungsi kernel terbaik serta mencari parameter optimalnya. Peubah prediktor dalam penelitian ini adalah data residu intensitas hasil pengukuran alat non-invasif dan peubah responnya adalah data kadar glukosa darah hasil pengukuran invasif (laboratorium). Berdasarkan hasil analisis yang telah dilakukan, modulasi 50% merupakan modulasi terbaik yang memiliki ragam dan rataan residu intensitas terendah. Metode peringkasan terbaik pada data modulasi 50% adalah simpangan baku. Pada metode peringkasan ini, nilai median dan rataan AveAcc lebih tinggi dibandingkan metode peringkasan lainnya. Pemodelan klasifikasi menggunakan SVM memberikan hasil bahwa kernel Linier merupakan kernel terbaik. Hal ini dikarenakan SVM Linier memiliki rataan dan median AveAcc yang lebih tinggi dibandingkan kernel SVM lainnya. Pemilihan parameter C optimal pada SVM Linier yaitu 0.01 dapat meningkatkan nilai median dan rataan AveAcc, serta ragam AveAcc yang lebih kecil jika dibandingkan dengan parameter default ��������=1. Nilai rataan AveAcc yang diperoleh dari SVM Linier dengan parameter ��������=0.01 adalah 52.34%.