Sistem Klasifikasi Diabetes Melitus Berdasarkan Kondisi Urin, Gas Buang Pernapasan, Dan Tekanan Darah Menggunakan Metode Naive Bayes Berbasis Arduino

(1)

Vol. 5, No. 6, Mei 2021, hlm. 2619-2628 http://j-ptiik.ub.ac.id

Fakultas Ilmu Komputer

Universitas Brawijaya

2619

Sistem Klasifikasi Diabetes Melitus Berdasarkan Kondisi Urin, Gas Buang

Pernapasan, Dan Tekanan Darah Menggunakan Metode Naive Bayes

Berbasis Arduino

Dwi Fitriani1_{, Rizal Maulana}2 _{, Hurriyatul Fitriyah}3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email:

:

1_{[email protected],}2_{[email protected],}3

_{[email protected]}

Abstrak

Diabetes melitus merupakan penyakit yang menyerang ke manusia tanpa memandang usia. Seseorang akan mengalami diabetes melitus ketika kadar gula darah dalam tubuh mengalami peningkatan, sehingga menyebabkan berkurangnya insulin dalam tubuh. Pemeriksaan diabetes dapat dilakukan dengan menggunakan alat tes gula darah dengan menggunakan sampel darah yang diambil dari jari tangan seseorang. Pemeriksaan dengan cara ini menimbulkan rasa sakit dan tidak nyaman. Dengan permasalahan tersebut, penelitian ini bertujuan untuk membuat sebuah sistem yang dapat digunakan untuk mendeteksi seseorang tanpa menggunakan sampel darah (non-invasif), hemat waktu dan biaya dalam pemeriksaanya. Dalam penelitian sistem pendeteksi diabetes melitus menggunakan parameter kondisi urin, gas buang pernapasan dan tekanan darah. Kondisi urin yang digunakan yaitu kadar gas amonia pada urin manusia, gas buang pernapasan yang digunakan yaitu kadar gas aseton dari napas manusia serta tekanan darah manusia. Pengolahan data dilakukan dengan menggunakan mikrokontroler Arduino Uno. Data tersebut diperoleh dari output sensor MQ-135, TGS-822 dan sensor MPX5700AP. Dari hasil pengujian didapatkan nilai korelasi sensor MQ-135 dan TGS-822 dengan tegangan keluarannya sebesar 99,29% dan 98,56%, sedangkan untuk sensor MPX5700AP diketahui presentase eror sistole dan diastole sebesar 8,90% dan 4,64%. Sistem mengklasifikasikan penyakit diabetes melitus menggunakan metode Naive Bayes. Menggunakan 12 data uji dan 24 data latih untuk menentukan akurasi klasifikasi Naive Bayes. Dari 12 data uji terdapat 1 data yang kelasnya tidak sesuai sehingga nilai akurasi menjadi sebesar 91,67%. Sedangkan, waktu rata-rata komputasi sistem yang didapatkan dalam 10 kali pengujian yaitu sebesar 1,02 detik.

Kata kunci: diabetes melitus, urin, gas buang pernapasan, tekanan darah, klasifikasi, Naive Bayes Abstract

Diabetes mellitus is a disease that attacks humans regardless of age. A person will have diabetes mellitus when blood sugar levels in the body increase, resulting in reduced insulin in the body. Diabetes examination can be done using a blood sugar test tool using a blood sample taken from a person's fingers. Examination in this way causes pain and discomfort. With this problem, this study aims to create a system that can be used to detect a person without using blood samples (non-invasive), saving time and costs in the examination. In the study of diabetes mellitus detection system using parameters of urine condition, respiratory exhaust gas and blood pressure. The conditions used are ammonia gas levels in human urine, respiratory exhaust gases used are acetone gas levels from human breath and human blood pressure. Data processing is carried out using arduino uno microcontroller. The data was obtained from the output sensors MQ-135, TGS-822 and MPX5700AP sensors. From the test results obtained the correlation value of sensors MQ-135 and TGS-822 with the output voltage of 99.29% and 98.56%, while for the sensor MPX5700AP known percentage of errors sistole and diastole by 8.90% and 4.64%. The system classifies diabetes mellitus using the Naive Bayes method. It uses 12 test data and 24 training data to determine the accuracy of Naive Bayes classification. Of the 12 test data there is 1 data whose class is not appropriate so that the accuracy value becomes 91.67%. Meanwhile, the average compute time of the system obtained in 10 tests is 1.02 seconds.

(2)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

2620

1. PENDAHULUAN

Menurut World Health Organization (WHO), jumlah penderita diabetes di Indonesia mengalami penambahan. Jumlah data pasien diabetes di Indonesia pada tahun 2000 mencapai 8,4 juta, berdasarkan data WHO. Diabetes melitus merupakan penyakit penyebabnya glukosa darah yang meningkat. Glukosa dibutuhkan oleh tubuh sebagai energi. Namun, ketika glukosa darah meningkat,

hormon insulin tidak mampu

mengendalikannya. Hormon insulin merupakan hormon yang berasal dari pankreas yang bertanggung jawab pada glukosa darah. Pankreas tidak bisa menghasilkan insulin di pasien diabetes, sehingga sel-sel tubuh tidak bisa melakukan penyerapan serta pengubahan glukosa menjadi energi. Seorang pasien diabetes memiliki kesempatan terkena komplikasi penyakit, seperti stroke, penyakit jantung, gagal ginjal dan luka yang sulit sembuh. Saat terjadi komplikasi, bisa berakibat kematian (Sartikah, 2016).

Pemakaian indikator dalam pendeteksian diabetes antara lain keadaan urin, area mulut, glukosa darah dan tekanan darah. Pasien diabetes bisa didiagnosis dengan tekanan darah tinggi. Ini karena 2 penyakit tersebut mempunyai hubungan. Sehingga bisa disebutkan bahwa penderita diabetes mengalami hipertensi. Saat ini, diabetes melitus dapat diperiksa dengan teknik pemeriksaan uji toleransi glukosa (UTG), puasa gula darah (PGD), Hemoglobin A1c test (HbA1c), tes sarapan iodium radioaktif (SIR), tes glukosa serum, es tiroid echodiagram, tes fungsi tiroid, dan gula darah sewaktu (Jones,2016). Mendeteksian dengan memeriksaan gula darah sewaktu mempunyai kemungkinan dapat menimbulkan rasa nyeri serta kurang mengenakkan saat sampel darah diambil.

Menurut penelitian Lamidi yang mengelompokkan dua tipe penyakit yaitu diabetes melitus dan dehidrasi. Pada diabetes melitus, penentuan keadaan urine dari warna menggunakan sensor warna TCS3200 yang diolah dengan mikrokontroler Arduino Uno serta menggunakan metode Jaringan Syaraf Tiruan. Akurasi yang didapatkan cukup besar yaitu 80%. Selanjutnya diperkuat dengan penelitian oleh Farah Amira dengan parameter

buang pernapasan juga mencapai akurasi sebesar 91.67%. Selain itu, penelitian ketiga oleh Mochtar Yahya, penyakit diabetes melitus dideteksi dari gas buang pernapasan dengan sensor gas TGS822 dan MQ 138. Penelitian tersebut menyatakan bahwa sensor gas TGS822 dan MQ138 mampu melakukan pendeteksian kadar gula darah dengan mendapatkan akurasi sebesar 96,53% dengan menitikberatkan temperature dan kelembaban (Yahya et al., 2017).

Studi lanjutan oleh Ayla Efyu Winta dkk hubungan antara gula darah dengan tekanan darah pada pasien lanjut usia dengan diabetes tipe 2 dipelajari. Hasil studi menyatakan bahwa sebanyak 41 responden (54,7%) memiliki kadar gula darah normal sedangkan sebanyak 42 responden (56%) memiliki tekanan darah normal. Hasil uji Spearman Rank menunjukkan terdapat hubungan yang signifikan antara kadar glukosa dan tekanan darah pada lansia penderita diabetes tipe 2 ( = 0.017) dengan koefisien nilai korelasi adalah 0.274. Terdapat hubungan antara kadar gula darah dengan tekanan darah. Ketika glukosa darah dikontrol, tekanan darah normal, sehingga pencegahan terjadinya hipertensi dapat dilakukan (Winta et al.,2018). Atas dasar tersebut maka penulis menjalankan penelitian serta melakukan penambahan parameter lain serta menggunakan metode lain dengan harapan dapat memperoleh akurasi yang lebih tinggi yaitu menggunakan gas aseton pada gas buang pernapasan serta tekanan darah. Deteksi gas aseton dilakukan dengan menggunakan sensor TGS-822 serta sensor MPX5700AP untuk mengukur tekanan darah.

Penelitian ini menggunakan metode klasifikasi Naive Bayes. Alasan menggunakan metode klasifikasi Naive Bayes disebabkan dari penelitian yang telah dilakukan sebelumnya metode yang digunakan metode Jaringan Syaraf Tiruan dan K-Nearest Neighbor belum mendapatkan akurasi yang sempurna. Pengklasifikasian dengan Naive Bayes di harapkan dapat mendapat akurasi yang lebih tinggi. Naive Bayes sendiri merupakan metode klasifikasi yang berdasarkan pada Teorema Bayes karena kesederhanaannya. Kemudian teorema bayes dikombinasikan dengan “Naive” yang mana setiap variabel bersifat independe. Metode klasifikasi ini menjalankan pelatihan dengan pembelajaran yang diawasi. Dengan penerapan metode ini, data yang dibutuhkan

(3)

Fakultas Ilmu Komputer, Universitas Brawijaya

tidak banyak. Dengan asumsi variabel independen, maka yang harus ditentukan hanya dengan merubah variabel dari tiap kelas, bukan seluruh matriks kovarians (Andriyanto, 2018). Dari pemaparan di atas sehingga penulis berencana melanjutkan penelitian dengan judul “Sistem Klasifikasi Diabetes Melitus Berdasarkan Kondisi Urin, Gas Buang Pernapasan Dan Tekanan Darah Menggunakan Metode Naive Bayes Berbasis Arduino”.

2. METODOLOGI PENELITIAN

2.1 Gambaran Umum Sistem

Gambar 1. Blok Diagram Sistem Sistem tersebut merupakan sistem pengklasifikasian diabetes melitus pada seseorang dengan indikator kadar gas ammonia pada urine, gas aseton dari gas buang napas, serta tekanan darah. Sensor MQ135 digunakan untuk membaca konsentrasi ammonia pada urin. Sensor TGS822 melakukan pembacaan pada gas aseton. Kemudian sensor MPX5700AP melakukan pengukuran tekanan darah. Setelah hasil pembacaan didapatkan dari seluruh sensor maka klasifikasi dengan metode Naive Bayes dapat dijalankan. Pengklasifikasian seseorang dilakukan pada 2 jenis yaitu diabetes dan normal. Output pengklasifikasian sistem nantinya ditampilkan pada LCD .

2.2 Perancangan Sistem

Purwarupa sistem berbentuk kotak dengan warna hitam dengan pembuatan dari bahan akrilik.

Gambar 2. Perancangan Prototipe Sistem

Kotak tersebut memiliki ukuran 26x9x18 cm. penempatan sensor MQ-135 dan TGS-822 yaitu pada bagian atas. Pembacaan urin dilakukan dengan meletakkan botol tepat dibawah sensor MQ-135. Begitu pula dengan sensor TGS-822, wadah gas aseton ialah sebuah kotak yang diletakkan tepat di bawah sensor TGS-822. Untuk sensor MPX5700AP di posisikan di sebelah bawah digabung dengan komponen pengukuran tekanan darah lain yaitu Relay dan Mini Pump. LCD 16x2 d tempatkan didepan untuk menampilkan output pembacaan sensor serta klasifikasi agar pengguna dapat mendapatkan kemudahan dalam pembacaan. Terdapat push button disebelah LCD 16x2 yang berfungsi untuk trigger sistem. Unit lain dimasukkan ke dalam kotak supaya tersusun rapi, contohnya breadboard dan Arduino Uno.

Tahap pertama berawal inisialisasi variabel, pin dan data latih yang diperlukan sistem. Lalu trigger dari push button ditambahkan dalam sistem.. Saat push button mengalami penekanan atau bernilai HIGH maka sensor akan melakukan pembacaan data. Setelah pembacaan data dilakukan oleh sensor, maka Naive Bayes melakukan pengklasifikasian. Lalu LCD 16x2 menampilkan hasil klasifikasi. Agar lebih jelas dapat ditinjau pada Gambar 3.

(4)

2622

Gambar 3. Diagram Alir Perancangan Program Utama

Inisialisasi variabel dan pin sensor menjadi awal langkah kemudian dihubungkan ke Arduino Uno. Sensor akan mengeluarkan nilai analog. Nilainya selanjutnya diubah dalam satuan ppm (parts per million). Dalam pengubahan nilai analog menjadi ppm, nilai itu segera diubah dahulu jadi volt untuk menghitung tegangan keluaran sensor atau VRL.

Gambar 4 menunjukkan penjelasan lebih lanjut.

Gambar 4. Diagram Alir Pembacaan

Nilai eksponen dan scaling factor dibutuhkan untuk pengubahan ke satuan ppm. Nilai tersebut dapat ditemukan dengan penggunaan trendline tipe power yang diperoleh melalui grafik karakteristik sensitivitas sensor gas MQ135 yang tertera Gambar 5.

Gambar 5 Grafik Eksponen dan Scalling Factor sensor MQ-135 Dapat dilihat dari Gambar 5 yang mengambarkan nilai scaling factor dan eksponen yaitu 6,3509 dan -0,4. Tahap berikutnya adalah penentuan nilai ppm menggunakan Persamaan (3). Dalam mengonversi ke satuan ppm dapat digunakan Persamaan (1).

Setelah membaca data sensor MQ-135 dilanjutkan dengan pengambilan data sensor TGS822. Inisialisasi variabel dan pin sensor menjadi awal langkah kemudian dihubungkan pada Arduino Uno. Sensor akan mengeluarkan nilai analog. Nilainya lalu diubah dalam satuan ppm (parts per million). Dalam pengubahan nilai analog menjadi ppm, nilai itu segera diubah dahulu jadi volt untuk menghitung tegangan keluaran sensor atau VRL. Gambar 6

(5)

Gambar 6. Diagram Alir Pembacaan Sensor TGS-822

Nilai eksponen dan scaling factor dibutuhkan untuk pengubahan satuan ppm. Nilai tersebut dapat ditemukan dengan penggunakan trendline tipe power yang diperoleh melalui grafik karakteristik sensitivitas sensor gas TGS-822 ditinjau dari Gambar 6.

Gambar 6 Grafik Eksponen dan Scalling Factor sensor MQ-135 Dapat dilihat dari Gambar 6 yang menggambarkan nilai scaling factor dan eksponen yaitu 28,83 dan 2,1854. Tahap berikutnya adalah penentuan nilai ppm dengan Persamaan (3). Untuk mengubah kedalam satuan ppm dapat menggunakan Persamaan (1). Rumus Perhitungan VRL 𝑉𝑅𝐿 = 𝑁𝑖𝑙𝑎𝑖 𝐴𝑛𝑎𝑙𝑜𝑔 𝑆𝑒𝑛𝑠𝑜𝑟 1024 𝑥 5.00 (1) Rumus Perhitungan Rs 𝑅𝑠 = _{𝑉𝑅𝐿 𝑥 𝑉𝑐}𝑅𝐿 − 𝑅𝐿 (2) Rumus Perhitungan ppm 𝑘𝑎𝑑𝑎𝑟 𝑔𝑎𝑠 𝑎𝑚𝑜𝑛𝑖𝑎 = 𝑎 𝑥 ( 𝑅𝑠 𝑅𝑜) b (3) Keterangan :

VRL = tegangan output sensor

Rs = Resistansi berbagai konsentrasi gas

RL = Resistansi Beban Sensor

Vc = Tegangan Output Sensor

a = eksponen b = scalling factor

Ro = resistansi gas di udara

Selanjutnya, perancangan pembacaan sensor MPX5700AP diawali dengan menginisialisasi variabel pin sensor . Sensor mulai melakukan pembacaan data ketika Relay1 dan Relay2 bernilai HIGH. Relay1 dan Relay2 digunakan untuk mengaktifkan Mini Pump dan Solenoid Pump agar memberikan tekanan pada Manset Tensi. Mini Pump digunakan untuk memberikan udara ke manset tensi sehingga menghasilkan nilai sistole dan Solenoid Pump digunakan untuk menarik udara pada tensi sehingga menghasilkan nilai diastole. Hasil pembacaan akan ditampilkan pada LCD 16x2. Untuk lebih jelasnya ditunjukkan Gambar 7.

Gambar 7 Diagram Alir Pembacaan Sensor TGS=822

Setelah diperoleh data seluruh hasil pembacaan sensor, metode Naive Bayes diimplementasikan untuk klasifikasi data. Terdapat 24 data latih dan 12 data uji yang digunakan. diagram alir perancangan ditunjukkan pada Gambar 8.

(6)

2624

Gambar 8 Diagram Alir Pembacaan Sensor TGS=822

Tahapan-tahapan tersebut diawali dengan masukan dari pembacaan data yang telah dilakukan oleh sensor. Dari hasil pembacaan sensor itulah nantinya dijadikan sebagai parameter yang digunakan sebagai klasifikasi. Data latih akan mempengaruhi hasil pengklasifikasian. Kemudian tahap selanjutnya yaitu dengan menentukan fungsi dari ProbPrior(), perhitungan fungsi Gaussian(), perhitungan fungsi ProbPosterior serta menentukan hasil probabilitas tertinggi sehingga didapatkan hasil klasifikasi. Hasil klasifikasi ditampilkan pada LCD 16x2.

2.3 Implementasi Sistem

Implementasi sistem dilakukan ketika perancangan sistem telah dilaksanakan. Berikut merupakan implementasi prototipe sistem.

Gambar 9. Implementasi Prototipe Sistem

Untuk penempatan komponen, sensor gas ditempatkan pada bagian atas, kemudian didalam kemasan terdapat rangkaian untuk sensor tekanan darah, Arduino Uno, dan breadboard. Pada bagian depan kemasan terdapat LCD 16x2 dan push button dan serta lubang manset tekanan darah. Sedangkan implementasi perangkat keras ditunjukkan Gambar 10.

(a)

(b)

Gambar 10. Implementasi Perangkat Keras

Pada pengimplementasian perangkat keras sistem pendeteksi diabetes melitus, terbentuk dari komponen – komponen yang saling terhubung seperti Arduino Uno, sensor gas MQ135, sensor gas TGS-822, sensor tekanan MPX5700AP, mini pump, solenoid valve dan LCD 16x2. Seluruh komponen disambungkani melalui pin yang dirancang pada breadboard dan Arduino Uno.

3. PENGUJIAN DAN ANALISIS

3.1 Sensor MQ-135

Sensor gas MQ135 mendeteksi kandungan amonia dalam urin. Pada pengujiannya, sensor gas MQ135 diimplementasikan sebagai pengukur kadar amonia pada urin dalam satuan ppm dan membaca nilai tegangan keluaran sensor saat amonia terbaca. Hasil tes amonia urine ditunjukkan pada Gambar 11.

(7)

Gambar 11. Grafik Korelasi ppm amonia dan Vout Sensor

Gambar 11 menggambarkan saat nilai ppm meningkat, maka peningkatan juga terjadi pada Vout sensor. Nilai 𝑦 = 3,6133𝑥0,455 merupakan model power dari variabel Vout dengan variabel amonia. 𝑅2= 0,9929 merupakan koefisien determinasi yang memberitahukan bahwa ppm vout mempengaruhi ppm amonia sebesar 99,29%. Sedangkan 0,71% lainnya adalah kandungan ammonia yang penyebabnya dipengaruhi dengan variabel lain.

3.2 Sensor TGS-822

Gas buang pernapasan sebagai parameter yang dibaca melalui sensor TGS822 untuk mengukur aseton. Sensor gas TGS822 mendeteksi kandungan aseton dalam satuan ppm dan membaca nilai tegangan keluaran saat aseton terdeteksi. Hasil pengujian sensor TGS—822 ditunjukkan oleh Gambar 12.

Gambar 12. Grafik Korelasi ppm aseton dan Vout Sensor

Dapat dilihat dari Gambar 12, menggambarkan saat nilai ppm meningkat maka nilai tegangan keluaran sensor semakin rendah. Nilai 𝑦 = 4,2234𝑥−0,041 merupakan tipe power dari variabel Vout dengan variabel aseton. 𝑅2_{= 0,9856 merupakan koefisien} determinasi yang memberitahukan variabel ppm vout merpengaruhi ppm aseton sebesar 98,56%. Lalu sisa 0,44% lain ialah kandungan aseton yang penyebabnya dipengaruhi variabel lain.

3.3 Sensor MPX5700AP

Sensor MPX5700AP ialah sensor tekanan yang difungsikan sebagai pembaca tekanan darah. Pembacaan tekanan darah dimulai dengan memposisikan Arm Cuff di lengan kanan atau kiri. Pengukuran pertama dilakukan pada sistem. Kemudian, pengukuran kedua menggunakan tensi manual untuk mendapatkan perbandingan nilai sistole dan diastole dari hasil pengukuran. Hasil pengujian ditunjukkan pada Tabel dan Tabel 1 dan Tabel 2.

Tabel 1. Pengukuran Tekanan Darah dengan Sensor MPX5700AP Pengujian Sistole Diastole

1 117 72 2 124 72 3 126 74 4 123 72 5 122 71 6 121 71 7 125 73 8 128 75 9 124 73 10 127 75

Tabel 2. Pengukuran Tekanan Darah dengan Tensi Manual

Pengujian Sistole Diastole

1 110 70 2 120 70 3 115 80 4 110 70 5 100 70 6 110 70 7 122 81 8 120 80 9 110 70 10 122 70

Tabel 3. Perhitungan Eror Pembacaan Sensor MPX5700AP Pengujian

Selisih Error

Error Sis Dia Sis Dia

1 7 2 6,36 2,85

2 4 2 3,33 2,85

3 11 6 9,56 7,5

4 13 2 11,81 2,85

(8)

2626

6 11 1 10 1,42 7 3 8 2,45 9,87 8 8 5 6,66 6,25 9 14 3 12,72 4,28 10 5 5 4,90 7,14

Berdasarkan hasil pengujian sensor MPX5700AP dalam pengukuran tekanan darah pada Tabel 3, mendapatkan rata – rata persentase error nilai systole dan diasole yang diperoleh setelah 10 kali pengujian sensor yaitu 8,9031% dan 4,6483%.

3.3 Tampilan LCD 16x2

LCD 16x2 digunakan sebagai alat penampil output hasil pendeteksi diabetes melitus yaitu hasil pembacaan data sensor hingga hasil klasifikasi Naive Bayes. Pengujian ini bertujuan untuk mengetahui apakah LCD sudah berjalan sesuai dengan harapan dalam menampilkan karakter yang diinginkan. Hasil Pengujian LCD 16x2 ditunjukkan Tabel 4.

Tabel 4. Pengujian Tampilan LCD 16x2

Kondisi Gambar Keterangan

Idle tidak ada trigger Proses pembacaan sensor setelah terjadi penekanan push button Pembacaan pada gas amonia Pembacaan pada gas aseton Pembacaan pada tekanan darah Hasil Klasifikasi Klasifikasi pada kelas Diabetes Klasifikasi pada kelas Normal 3.4 Akurasi Sistem

Pengujian ini bertujuan untuk mengetahui nilai akurasi metode Naive Bayes pada data pengujian sistem deteksi diabetes. Pengujian dilakukan menggunakan 36 data yang terbagi menjadi 24 data latih dan 12 data uji. Dari pengujian didapat hasil terlampir pada Tabel 5.

Tabel 5. Pengujian Akurasi Sistem

Kelas Hasil Pengujian Kesesuaian

Normal Normal Sesuai

Diabetes Diabetes _Sesuai

Diabetes Diabetes Sesuai

Diabetes Normal Tidak Sesuai

Normal Normal _Sesuai

Diabetes Diabetes Sesuai

Berdasarkan Tabel 5 yang menunjukkan tabel akurasi sistem, bahwa dari 12 data uji ditemukan 1 data tidak sesuai. Hal ini menandakan bahwa pengujian mendapatkan hasil akurasi 91,67%.

3.5 Waktu Komputasi Sistem

Pengujian waktu komputasi sistem digunakan sebagai penentuan performa sistem didasarkan dari waktu yang dibutuhkan untuk pengklasifikasian. Hasil dari pengujian waktu komputasi sistem ditunjukkan pada Tabel 6.

Tabel 6 Pengujian Waktu Komputasi Sistem

Pengujian ke - Waktu Komputasi (ms) 1 1024 2 1024 3 1025 4 1026 5 1026 6 1025 7 1027

(9)

8 1024

9 1024

10 1025

Rata - rata 1025

Sesuai Tabel 6, setelah melakukan pengujian hingga 10 kali. Waktu rata - rata yang didapatkan adalah 1025 milidetik atau 1,025 detik.

KESIMPULAN DAN SARAN

Berdasarkan perancangan, implementasi, serta hasil pengujian dan analisis sistem, dapat ditarik kesimpulan bahwa sistem deteksi diabetes melitus perancangan sistem dengan penggunaan Arduino Uno, sensor MQ135, sensor TGS822 dan sensor MPX5700AP , serta LCD 16x2 sesuai dengan yang diharapkan. Arduino Uno digunakan untuk pengolahan data. Sensor MQ135 berfungsi sebagai pembaca kadar gas ammonia pada urin, sensor TGS-822 membaca kadar gas aseton pada gas buang napas, serta tekanan darah dibaca oleh sensor MPX5700AP. Pembacaan sensor MQ135 mendapatkan korelasi antara ppm dan vout sebesar 99,29%. Sedangkan sensor TGS-822 mendapatkan korelasi sebesar 98,56%. Sedangkan sensor MPX5700AP mempunyai rata-rata kesalahan systolik dan diasolik sebesar 8,90% dan 4,64%. Sistem ini mendapatkan akurasi sebesar 91,67% dari 24 data latih serta 12 data uji dengan rata-rata waktu komputasi sistem sebesar 1,02 detik dari 10 kali pengujian.

Saran untuk tolak ukur dalam pengembangan penelitian serupa adalah penggunakan sensor lain dalam deteksi aseton pada gas buang napas, pergunakan metode klasifikasi lain untuk perbandingan metode klasifikasi yang memiliki akurasi lebih tinggi serta penerapan sistem serupa dengan penambahan monitor hasil pembacaan melalui mobile apps sehingga memudahkan user. DAFTAR PUSTAKA

Andriyanto, Irwan., 2018. Pemodelan Sistem Pakar Untuk Menentukan Penyakit Diabetes Melitus Menggunakan Metode Naive Bayes Studi Kasus : Puskesmas Poncokusumo Malang. Tersedia di

<http://j-ptiik.ub.ac.id/> [Diakses pada 09 Oktober 2020]

A.Thati, A. Biswas, S. R. Chowdhury and T. K. Sau. 2015. Breath acetonebased non-invasive detection of blood glucose levels. International Journal on Smart Sensing and Intelligent Sistems, 2015. Tersedia di <https://www.exeley.com/in_jour_smart_se nsing_and_intelligent_sistems/doi/10.21307 /ijssis-2017-805> [Diakses pada 28 Agustus 2020]

Lamidi, L., Maulana, R., & Kurniawan, W. Sistem Pendeteksi Penyakit Diabetes Melitus dan Tingkat Dehidrasi Berdasarkan Kondisi Urin Dengan Metode Jaringan Saraf Tiruan Berbasis

Aplikasi Android. Jurnal

Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 2, p. 2087-2096, des. 2018. ISSN 2548-964X. Tersedia pada: <https://j-

ptiik.ub.ac.id/index.php/j-ptiik/article/view/4471>. Tanggal Akses: 04 Mar. 2020

Min-Ju Kim, Nam-Kyoo Lim, Sun-Ja Choi, hyun-Young Park, 2015. Hypertension is an independent risk faktor for type 2 diabetes: the Korean genome and epidemiology

study. Tersedia di

https://www.ncbi.nlm.nih.gov/pmc/articles/ PMC4644940/ [Diakses 04 April 2020] Mumtaz, F., Maulana, R., & Budi, A. Sistem

Pendeteksi Penyakit Diabetes Melitus berdasarkan Kondisi Urin dan Gas Buang Pernapasan menggunakan K-Nearest Neighbor berbasis Arduino. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 8, p. 2628-2636, agu. 2020. ISSN 2548-964X. Tersedia pada: <https://j-

ptiik.ub.ac.id/index.php/j-ptiik/article/view/7732>. Tanggal Akses: 01 Nov. 2020

Nasution, Tulus Ikhsan, Irwana Nainggolan, Sabar Derita Hutagalung, Khairel Rafezi Ahmad, and Zainal Arifin Ahmad. "The

(10)

2628

sensing mechanism and detection of low concentration acetone using chitosan-based sensors." Sensors and Actuators B: Chemical, vol. 177, pp. 522- 528, 2013 Sartikah. 2016. Faktor Faktor Yang

Berhubungan Dengan Kematian Pasien Diabetes Mellitus di RSUD TUGUREJO Semarang. Universias Negeri Semarang. Tersedia di <lib.unnes.ac.id/>

Sebayang, Matius Arihta. 2016. Stasiun Pemantau Kualitas Udara Berbasis Web. Universitas Medan Area. Tersedia di http://repository.uma.ac.id/.

Winta, Alya Efyu, Erni Setiyorini, Ning Arti Wulandari., 2018. Hubungan Kadar Gula

Darah Dengan Tekanan Darah Pada Lansia Penderita Diabetes Tipe 2 (The Correlation Of Blood Glucose Level And Blood Pressure Of Elderly With Type 2

Diabetes). Tersedia di

<https://www.researchgate.net/publication /> [Diakses 15 April 2020]

Yahya, Mochtar, Muhamad Haddin, Eka Nuryanto Budi Susila., 2017. Deteksi Gula Darah melalui Gas Buang Pernafasan menggunakan Jaringan Syaraf Tiruan Backpropagation. Universitas Islam Kediri. Tersedia di < https://www.trijurnal.lemlit.trisakti.ac.id/j etri/article/view/1674 > [Diakses 06 Maret 2020]