Klasifikasi Kadar Glukosa Darah Non-Invasif Berbasis Decision Tree dan Regresi Linear Menggunakan Sensor MAX30102

Abstract

Penelitian ini mengembangkan sistem pengukuran kadar glukosa darah non-invasif menggunakan sensor MAX30102 dengan metode Regresi Linear dan Decision Tree berbasis TinyML pada mikrokontroler ESP32. Data dikumpulkan dari 25 responden sebagai data training dan 8 responden sebagai data testing, dengan hasil pengukuran glukometer digunakan sebagai nilai acuan. Sinyal sensor diolah menjadi tiga fitur, yaitu IR_AVG, RED_AVG, dan JUMLAH_AVG. Model Regresi Linear menggunakan fitur JUMLAH_AVG untuk mengestimasi kadar glukosa darah, sedangkan Decision Tree menggunakan ketiga fitur tersebut untuk mengklasifikasikan kadar glukosa darah ke dalam kategori Normal, Prediabetes, dan Diabetes. Hasil evaluasi model Regresi Linear menunjukkan nilai MAE sebesar 13,88 mg/dL, RMSE sebesar 18,44 mg/dL, MAPE sebesar 12,82%, dan R² sebesar 0,3421. Model Decision Tree memperoleh akurasi 96% pada data training, sedangkan pengujian menggunakan data testing menghasilkan akurasi 37,5%. Model selanjutnya diimplementasikan pada ESP32 menggunakan TinyML dan dievaluasi pada 8 responden baru, dengan akurasi implementasi sebesar 50%. Hasil penelitian menunjukkan bahwa sistem mampu melakukan estimasi kadar glukosa darah dan klasifikasi kategori glukosa darah secara offline, meskipun kemampuan generalisasi model masih terbatas akibat jumlah dataset yang relatif sedikit. Secara keseluruhan, sistem yang dikembangkan menunjukkan potensi sebagai dasar pengembangan alat pemantauan kadar glukosa darah non-invasif yang portabel, praktis, dan bebas rasa sakit.