Pengembangan Sistem Deteksi Level Ketone Dan Level Gula Darah Berbasis Electronic-Nose Dengan Ektraksi Fitur Domain-Waktu Dan Frekuensi

Firmansyah, Dhiza Wahyu (2023) Pengembangan Sistem Deteksi Level Ketone Dan Level Gula Darah Berbasis Electronic-Nose Dengan Ektraksi Fitur Domain-Waktu Dan Frekuensi. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 6025211007-Master_Thesis.pdf] Text
6025211007-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2025.

Download (21MB) | Request a copy

Abstract

Diabetes adalah salah satu permasalahan kesehatan utama di seluruh dunia. Diabetes terjadi ketika tubuh tidak dapat memproduksi cukup insulin. Hal tersebut mengakibatkan tingginya kandungan gula dalam darah karena tubuh tidak dapat mengkonversi gula menjadi energi. Ketika proses tersebut terjadi tubuh akan mulai merubah lemak menjadi energi dan mengakibatkan penumpukan asam lemak pada darah atau disebut ketone. Ketika level ketone tinggi maka dapat mengakibatkan komplikasi diabetes ketoacidosis (DKA). Sehingga deteksi level ketone dan gula darah sangat penting untuk dilakukan. Proses pengecekan level ketone dan gula darah biasanya dilakukan dengan metode invasive dengan mengambil sampel darah. Metode tersebut dianggap dianggap menyakitkan bagi sebagian orang. Terdapat alternatif metode non-invasive yaitu dengan menganalisis kandungan nafas menggunakan Electronic-nose. Penelitian terdahulu sebagian besar mengekstraksi sinyal Electronic-nose hanya di domain-waktu. Selain domain-waktu terdapat alternatif dengan ekstraksi sinyal di domain-frekuensi. Ekstraksi dengan kombinasi domain-waktu dan frekuensi dapat lebih menguntungkan pada tahap awal karena didapatkan lebih banyak fitur. Kemudian pada tahap akhir dapat dilakukan seleksi fitur untuk menentukan fitur yang paling dominan.
Berdasarkan pernyataan diatas penelitian ini mengusulkan sebuah sistem untuk mendeteksi level ketone dan gula darah dengan analisis sinyal sensor Electronic-nose pada domain-waktu serta domain-frekuensi. Tahap pertama diawali dengan membaca sinyal hasil pembacaan sensor dengan merepresentasikan ke dalam domain-waktu. Sinyal domain-waktu kemudian dikonversi ke domain-frekuensi dengan metode fast fourier transform (FFT). FFT dapat juga dimanfaatkan untuk memfilter noise dengan menganalisis peak dan mengembalikan ke domain-waktu dengan inverse fast fourier transform (IFFT). Tahap kedua dilakukan ekstraksi dan seleksi fitur pada dua jenis sinyal. Tahap ketiga dilakukan pengujian dengan metode metode machine learning. Pengujian machine learning dilakukan pada fitur kombinasi (domain-waktu + domain-frekuensi) dan hanya domain-waktu. Kemudian dibandingkan hasil evaluasi dari kedua jenis fitur tersebut.
Hasil percobaan menunjukkan penggunaan FFT dan IFFT dapat menambah variasi sinyal ke domain-waktu dan domain-frekuensi serta menghilangkan noise yang terdapat pada sinyal. Penggunaan fitur kombinasi domain-waktu dan domain-frekuensi dapat memperbanyak sebanyak 16 fitur jika dibandingkan dengan hanya domain waktu. Pada pengujian prediksi level ketone dan BGL kualitatif penggunaan fitur kombinasi menunjukkan akurasi yang lebih baik jika dibandingkan dengan hanya domain waktu.
=====================================================================================================================================
Diabetes is a major health problem worldwide. Diabetes occurs when the body cannot produce enough insulin. This results in high sugar content in the blood because the body cannot convert sugar into energy. When this process occurs, the body will begin to convert fat into energy which results in a large amount of fatty acids in the blood called ketones. When ketone levels are high, it can cause complications of Diabetic Ketoacidosis (DKA). So the detection of ketone levels and blood sugar is very important to do. The process of checking ketone levels and blood sugar is usually carried out using an invasive method by taking a blood sample. The method is considered painful for some people. There is an alternative non-invasive method, namely by analyzing the contents of the breath using the Electronic-nose. Previous studies have mostly extracted Electronic-nose signals only in the time-domain. In addition to the time-domain there is an alternative to signal extraction in the frequency-domain. Extraction with a combination of time-domain and frequency can be more profitable in the early stages because it gets more features. Then in the final stage, feature selection can be carried out to determine the most dominant feature.
Based on these problems, this study proposes a method to detect ketone level and blood sugar by analyzing Electronic-nose signals in the time-domain and frequency-domain. The first stage begins with reading the sensor reading signal by representing it in the time-domain. The Fast Fourier Transform (FFT) method is used to convert the time-domain signal to the frequency-domain. FFT can also filter noise by analyzing peaks and returning it to the time-domain with the Inverse Fourier Transform (IFFT). The second stage is extraction and feature selection for two types of signals. The third stage is testing with machine learning methods. Machine learning tests are performed on combined features (time-domain + frequency-domain) and time-domain only. Then the results of the evaluation of the two types of features are compared.
The experimental results show that the use of FFT and IFFT can add signal variations to the time-domain and frequency-domain and eliminate the noise contained in the signal. The use of a combination of time-domain and frequency-domain features can increase as many as 16 features when compared to just the time domain. In testing the prediction of ketone levels and qualitative BGL, the use of combination features shows better accuracy when compared to just the time domain.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Diabetes, Ketoacidosis, Gula Darah, Electronic-Nose, Sinyal domain-frekuensi,Diabetes, Ketoacidosis, Blood Glucose, Electronic-Nose, Frequency-domain signal
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
T Technology > T Technology (General) > T57.5 Data Processing
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Dhiza Wahyu Firmansyah
Date Deposited: 05 Aug 2023 08:00
Last Modified: 05 Aug 2023 08:01
URI: http://repository.its.ac.id/id/eprint/101248

Actions (login required)

View Item View Item