ARFIAN ADI SUSILO (2024) INOVASI ALAT CEK GULA DARAH NON-INVASIF UNTUK PENGECEKAN MANDIRI BERBASIS MIKROKONTROLLER ESP32. S1 thesis, Universitas Muhammadiyah Yogyakarta.
Halaman Judul.pdf
Download (1MB)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (2MB)
Abstrak.pdf
Restricted to Registered users only
Download (498kB)
Bab I.pdf
Download (579kB)
Bab II.pdf
Restricted to Registered users only
Download (925kB)
Bab III.pdf
Restricted to Registered users only
Download (744kB)
Bab IV.pdf
Restricted to Registered users only
Download (2MB)
Bab V.pdf
Restricted to Registered users only
Download (560kB)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (461kB)
Lampiran.pdf
Restricted to Registered users only
Download (1MB)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (806kB)
Full Text.pdf
Restricted to Repository staff only
Download (9MB)
Abstract
Diabetes militus (DM) adalah penyakit yang tidak menular, akan tetapi jumlahnya terus meningkat setiap tahunnya. Indikator penyakit Diabetes Militus adalah tingginya kadar gula darah dalam tubuh yaitu antara 140 - 500 mg/dL. Sehingga perlu adanya pemantauan kadar gula dalam darah. Pengukuran gula darah pada umumnya dilakukan dengan metode invasive, yang dapat menimbulkan rasa sakit dan tidak nyaman. Sehigga perlu dikembangkan suatu device untuk pengukuran gula darah metode non-invasif untuk mengurangi rasa sakit dan tidak nyaman. Perkembangan teknologi memudahkan kita untuk mengembangkan teknologi Non-Invasif yang tidak menimbulkan rasa sakit. Pada penelitian ini bertujuan untuk membuat sistem cek glukosa darah Non-Invasif yang dapat dioperasikan melalui smartphone yang terhubung dengan Web Server dengan menggunakan modul Wifi sebagai media komunikasinya. Menggunakan mikrokontroller ESP32 dan sensor PPG MAX30102 yang dapat menghasilkan gelombang dan dapat membaca denyut nadi pada tubuh manusia, sehingga diperlukan pengujian accuracy dengan menggunakan metode machine learning. Sample yang digunakan sebanyak 20 sampel data dan 3 kelas klasifikasi. Klasifikasi kelas data yang digunakan adalah LOW, NORMAL, dan HIGH. Data yang diperoleh dari sensor kemudian diolah oleh machine learning dengan menggunakan metode Convolutional Neuron Network (CNN) dan Artificial Neural Network (ANN). Diperoleh hasil tingkat accuracy sebesar 1.00 dengan total losses terendah yang didapat sebesar 0,004.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Blood Sugar, PPGMAX30102, Machine Learning, Web Server, Accuracy |
Divisions: | Fakultas Teknik > Teknik Elektro S1 |
Depositing User: | Aidilla Qurotianti |
Date Deposited: | 07 Feb 2024 02:30 |
Last Modified: | 07 Feb 2024 02:30 |
URI: | https://etd.umy.ac.id/id/eprint/43692 |