Pendekatan Non-invasif Untuk Memantau Kadar Glukosa Darah Dengan Jaringan Syaraf Tiruan (JST) menggunakan Gray Level Co-Occurrence Matrix (GLCM) Pada Citra Digital

##plugins.themes.academic_pro.article.sidebar##

Published Feb 16, 2023
Download
PDF
Statistic
Vol. 8 No. 1 (2022): Seminar Nasional Teknik Elekto dan Informatika - September 2022

##plugins.themes.academic_pro.article.main##

Usman Umar
Politeknik Kesehatan Muhammadiyah Makassar
Syahrir Syahrir
Politeknik Negeri Ujung Pandang
Risnawaty Alyah
Politeknik Negeri Ujung Pandang

Abstract

Peningkatan konsentrasi glukosa dalam darah (hiperglikemia), menyebabkan penumpukan glukosa dalam darah karena tidak diserap oleh sel-sel tubuh dengan baik sehingga dapat menimbulkan berbagai gangguan pada organ tubuh. Untuk menghindari masalah, perlu untuk memeriksa kadar gula darah secara teratur. Pemantauan kadar gula darah saat ini masih menggunakan teknik invasif yang bersifat nyeri, diperlukan pemantauan non invasif. Penelitian ini menyajikan pendekatan teknik non-invasif untuk mengidentifikasi dan mendeteksi glukosa darah melalui pengolahan citra kulit tangan. Metode pengembangan ini adalah dengan mengambil gambar tangan dengan glukosa darah invasif dan 40 peserta berusia 20-60 tahun, analisis data dilakukan dengan preprocessing citra, menentukan nilai gray level co-occurrence matrix (GLCM), menggunakan  metode regresi  dan Jaringan syaraf tiruan (JST) dengan algoritma backpropagation untuk melakukan pelatihan dan pengujian data. untuk menentukan model pemantauan glukosa darah. Validasi hasil identifikasi metode GLCM-Regresi menunjukkan error rata-rata 37,7% dan metode GLCM-JST prediksi kadar glukosa darah dengan error rata-rata 10%. Sehingga model PGD (non-invasive) dengan metode GLCM-JST ini layak untuk diterapkan

##plugins.themes.academic_pro.article.details##

References

  1. W. Zheng et al., “Highly-sensitive and reflective glucose sensor based on optical fiber surface plasmon resonance,†Microchem. J., vol. 157, no. February, p. 105010, 2020, doi: 10.1016/j.microc.2020.105010.
  2. X. Dong et al., “Influence of blood glucose level on the prognosis of patients with diabetes mellitus complicated with ischemic stroke,†no. 65, pp. 1–7, 2018, doi: 10.4103/1735-1995.223951.
  3. K. S. P and S. Am, “A study on the glycemic , lipid and blood pressure control among the type 2 diabetes patients of north Kerala , India,†Indian Heart J., vol. 70, no. 4, pp. 482–485, 2018, doi: 10.1016/j.ihj.2017.10.007.
  4. A. Kerimi, H. Nyambe, S. Alison, P. Ebun, O. Julia, and S. G. Yala, “Nutritional implications of olives and sugar : attenuation of post- prandial glucose spikes in healthy volunteers by inhibition of sucrose hydrolysis and glucose transport by oleuropein,†Eur. J. Nutr., vol. 58, no. 3, pp. 1315–1330, 2019, doi: 10.1007/s00394-018-1662-9.
  5. C. Beehan-quirk et al., “Investigating the effects of fatigue on blood glucose levels – implications for diabetes,†Transl. Metab. Syndr. Res., 2020, doi: 10.1016/j.tmsr.2020.03.001.
  6. K. Ogurtsova et al., “IDF Diabetes Atlas: Global estimates for the prevalence of diabetes for 2015 and 2040,†Diabetes Res. Clin. Pract., vol. 128, pp. 40–50, 2017, doi: 10.1016/j.diabres.2017.03.024.
  7. Y. Sun, Y. Song, C. Liu, and J. Geng, “Saudi Journal of Biological Sciences Correlation between the glucose level and the development of acute pancreatitis,†Saudi J. Biol. Sci., vol. 26, no. 2, pp. 427–430, 2019, doi: 10.1016/j.sjbs.2018.11.012.
  8. S. R. Chinnadayyala, J. Park, A. T. Satti, D. Kim, and S. Cho, “Minimally invasive and continuous glucose monitoring sensor based on non-enzymatic porous platinum black-coated gold microneedles,†Electrochim. Acta, vol. 369, p. 137691, Feb. 2021, doi: 10.1016/j.electacta.2020.137691.
  9. H. Zhang, Z. Chen, J. Dai, W. Zhang, Y. Jiang, and A. Zhou, “A low-cost mobile platform for whole blood glucose monitoring using colorimetric method,†Microchem. J., vol. 162, no. October 2020, p. 105814, 2021, doi: 10.1016/j.microc.2020.105814.
  10. S. Ghosal, A. Kumar, V. Udutalapally, and D. Das, “glucam: Smartphone based blood glucose monitoring and diabetic sensing,†IEEE Sens. J., vol. 21, no. 21, pp. 24869–24878, 2021.
  11. R. D. Kusumanto and A. N. Tompunu, “Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB,†vol. 2011, no. Semantik, 2011.
  12. R. F. Gusa, “Pengolahan Citra Digital untuk Menghitung Luas Daerah Bekas Penambangan Timah Rika Favoria Gusa,†no. 2, pp. 27–34, 2013.
  13. R. Rahmadewi et al., “Pendeteksian Kematangan Buah Jeruk Dengan Fitur Citra Kulit Buah Menggunakan Transformasi Ruang Warna HSV,†pp. 166–171, 2019.
  14. R. Candra, N. Santi, S. Pd, and M. Kom, “Mengubah Citra Berwarna Menjadi Gray ­ Scale dan Citra biner,†vol. 16, no. 1, pp. 14–19, 2011.
  15. P. Siagian, G. Joint, and P. Experts, “Kompresi citra jpeg dengan algoritma zig jag,†vol. 9, no. 1, pp. 14–21, 2014.
  16. M. A. Jardine, J. A. Miller, and M. Becker, “Coupled X-ray computed tomography and grey level co-occurrence matrices as a method for quantification of mineralogy and texture in 3D,†Comput. Geosci., vol. 111, pp. 105–117, 2018, doi: 10.1016/j.cageo.2017.11.005.
  17. I. Pantic, D. Dimitrijevic, D. Nesic, and D. Petrovic, “Gray level co-occurrence matrix algorithm as pattern recognition biosensor for oxidopamine-induced changes in lymphocyte chromatin architecture,†J. Theor. Biol., vol. 406, pp. 124–128, 2016, doi: 10.1016/j.jtbi.2016.07.018.
  18. P. K. Bhagat, P. Choudhary, and K. M. Singh, A comparative study for brain tumor detection in MRI images using texture features. Elsevier Inc., 2019.
  19. D. N. Agus Perdana Windarto, M. S. H. Anjar Wanto, Frinto Tambunan, M. R. L. Muhammad Noor Hasan Siregar, and D. N. Solikhun, Yusra Fadhillah, Jaringan Saraf Tiruan: Algoritma Prediksi dan Implementasi, vol. 53, no. 9. 2019.
  20. Budiharjo, T. Soemartono, A. P. Windarto, and T. Herawan, “Predicting School Participation in Indonesia using Back-Propagation Algorithm Model,†Int. J. Control Autom., vol. 11, no. 11, pp. 57–68, 2018.
  21. A. P. Windarto, M. R. Lubis, and S. Solikhun, “Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation,†J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 411, 2018, doi: 10.25126/jtiik.201854767.
  22. C. Hernandez-Matas, A. A. Argyros, and X. Zabulis, Retinal image preprocessing, enhancement, and registration. Elsevier Ltd., 2019.
  23. D. Koundal and B. Sharma, Advanced neutrosophic set-based ultrasound image analysis. Elsevier Inc., 2019.
  24. J. Virmani, G. P. Singh, Y. Singh, and Kriti, PNN-based classification of retinal diseases using fundus images, no. 1. Elsevier Inc., 2019.
  25. S. Gao, “International Journal of Cognitive Computing in Engineering Gray level co-occurrence matrix and extreme learning machine for Alzheimer ’ s disease diagnosis,†Int. J. Cogn. Comput. Eng., vol. 2, no. July, pp. 116–129, 2021.