OPTIMALISASI MODEL DEEP LEARNING UNTUK MENINGKATKAN PERFORMA SISTEM KLASIFIKASI GLUKOSA DARAH NON-INVASIF

Diabetes Melitus (DM) sebagai Penyakit Tidak Menular (PTM) terus meningkat setiap tahunnya. Kurangnya pengetahuan, sikap, dan perilaku terhadap deteksi dini DM menjadi penyebab peningkatan kasus. Pemantauan glukosa berkelanjutan sangat penting untuk manajemen diabetes yang efektif. Namun, metode pemantauan glukosa sekali pakai yang ada saat ini masih mengandalkan teknik invasif, menyebabkan rasa sakit dan tidak memiliki kemampuan pemantauan berkelanjutan. Penelitian ini bertujuan untuk mengembangkan teknologi non-invasif untuk meningkatkan klasifikasi glukosa darah non-invasif menggunakan metode Deep Learning, khususnya model Convolutional Neural Network (CNN) dan oversampling. Tujuan penelitian adalah mencapai klasifikasi yang akurat dalam pemantauan glukosa darah. Model Convolutional Neural Network (CNN) berhasil meningkatkan klasifikasi akurasi pemantauan glukosa darah non-invasif secara signifikan yang sebelum 50%. Namun, setelah penerapan oversampling, akurasi model meningkat menjadi 88% - 100%.Pendekatan non-invasif memiliki potensi untuk memberikan alternatif yang nyaman dan bebas rasa sakit untuk metode pemantauan tradisional, yang secara signifikan meningkatkan manajemen diabetes dan meningkatkan kualitas hidup secara keseluruhan bagi mereka yang terkena dampak dari kondisi ini.