Pemodelan Kalibrasi Kekar (Pengukuran Glukosa Darah Non-Invasif).

Abstract

Pemodelan kalibrasi merupakan metode yang berfokus untuk melihat hubungan antara satuan pengukuran yang berbiaya murah dan mudah diperoleh dengan satuan pengukuran lainnya yang berbiaya mahal dan sulit diperoleh. Data kalibrasi sering kali terjadi permasalahan seperti jumlah peubah 𝑝���������� lebih besar daripada jumlah observasi 𝑛����������. Permasalahan 𝑝����������>𝑛���������� menyebabkan model regresi dengan penduga Metode Kuadrat Terkecil (MKT) tidak tepat digunakan. Masalah kedua adalah adanya multikolinearitas, menyebabkan dugaan galat baku menjadi over estimate. Pencilan juga menjadi masalah pada pemodelan kalibrasi. Pencilan dapat menyebabkan koefisen regresi membesar dan dugaan ragam membesar. Tujuan penelitian ini untuk mengatasi pencilan dan multikolinearitas pada data kalibrasi yang berdimensi tinggi dan menentukan model terbaik untuk memprediksi kadar glukosa darah non-invasif. Data yang digunakan dalam penelitian ini adalah data kalibrasi yang merupakan bagian penelitian pengembangan alat pengukur glukosa darah non-invasif. Penelitian ini melibatkan 118 Mahasiswa IPB yang berusia 17 tahun ke atas, sehat, tidak hamil, tidak merokok, tidak minum minuman keras, dan tidak dalam keadaan kelelahan. Kadar glukosa darah diukur dengan dua cara yaitu secara invasif dan non-invasif. Hasil pengukuran kadar glukosa darah invasif merupakan peubah respon 𝒀����������. Peubah 𝑿���������� merupakan hasil pengukuran non-invasif yang diperoleh dari alat kadar glukosa darah non-invasif sebanyak 150 peubah. Metode yang digunakan dalam penelitian ini adalah Detect Deviating Cell (DDC), Gulud, LASSO dan Elastic Net. DDC merupakan algoritma yang dapat mendeteksi dan mengatasi pencilan pada data yang berdimensi tinggi dan bekerja lebih baik pada data yang berkorelasi tinggi. Penelitian ini menerapkan DDC untuk mengatasi pencilan. Hasil prediksi DDC amatan pencilan digunakan untuk pemodelan Gulud, LASSO dan Elastic Net. Gulud merupakan metode regularisasi untuk mengatasi multikolinearitas dengan cara menyusutkan koefisien regresi namun metode ini tidak menyeleksi peubah prediktor. LASSO dapat menyusutkan koefisien regresi sekaligus dapat menyeleksi peubah prediktor sebanyak n observasi. Regresi Elastic Net merupakan metode regularisasi yang menggabungkan penalti Gulud dan LASSO, metode ini mengatasi kekurangan LASSO yaitu menyeleksi peubah 𝑝���������� > 𝑛����������. Kriteria parameter yang digunakan untuk mengontrol ketiga metode regularisasi tersebut adalah lambda minimum dan lambda 1 standard error (1se). Hasil penelitian menunjukkan bahwa algoritma DDC mampu mendeteksi dan mengatasi pencilan dengan baik pada data kalibrasi yang mengandung pencilan sebanyak 3.86 persen. Model terbaik untuk memprediksi kadar glukosa darah adalah model kalibrasi Gulud, LASSO dan Elastic Net dengan DDC. Ketiga model tersebut mampu menurunkan nilai median RMSEP sekitar 83.7% dibandingkan model Gulud, LASSO dan Elastic Net tanpa DDC. Kriteria lambda optimum terbaik yang dapat digunakan untuk ketiga penalti adalah 1se karena menghasilkan nilai RMSEP yang lebih stabil dan lebih kecil dibandingkan kriteria lambda minimum. Model Gulud, LASSO dan EN dengan DDC kriteria 1se menghasilkan nilai median RMSEP yang hampir sama, sehingga pada data kalibrasi yang mengandung pencilan dapat dipilih model terbaik untuk memprediksi kadar glukosa darah non-invasif adalah Elastic Net dengan DDC kriteria lambda 1se, karena koefisien regresi yang dihasilkan lebih sederhana, banyaknya peubah yang terseleksi lebih konsisten serta koefisien yang menghasilkan intersep saja lebih sedikit dibandingkan LASSO dengan DDC kriteria lambda 1se.