Sistem Deteksi Risiko Diabetes Non-Invasif Berbasis Sensor GSR dan MAX30102 Menggunakan Algoritma XGBoost Terintegrasi Website

Diabetes melitus merupakan penyakit kronis yang memerlukan deteksi dini untuk mencegah terjadinya komplikasi. Pemeriksaan diabetes umumnya masih menggunakan metode invasif melalui pengambilan sampel darah, sehingga diperlukan alternatif skrining yang lebih nyaman dan mudah digunakan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi risiko diabetes noninvasif berbasis sensor Galvanic Skin Response (GSR) dan MAX30102, menggunakan algoritma Extreme Gradient Boosting (XGBoost), yang terintegrasi dengan website. Sistem dibangun menggunakan mikrokontroler ESP32 untuk mengakuisisi data fisiologis berupa Heart Rate, SpO₂, dan nilai GSR, kemudian dikombinasikan dengan data usia dan Body Mass Index (BMI) sebagai masukan untuk model klasifikasi. Model XGBoost dilatih menggunakan 100 data primer klinis dan dievaluasi menggunakan 30 data uji dengan hasil glukometer sebagai ground truth. Evaluasi dilakukan menggunakan metode confusion matrix dengan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan bahwa sistem mampu mengintegrasikan proses akuisisi data sensor, transmisi data melalui jaringan Wi-Fi, serta klasifikasi risiko diabetes secara real-time melalui website. Model XGBoost memperoleh akurasi sebesar 86,67%, presisi 82,35%, dan recall 93,33%. Hasil tersebut menunjukkan bahwa sistem memiliki kemampuan yang baik dalam mendeteksi risiko diabetes sehingga berpotensi dimanfaatkan sebagai alat skrining awal (early screening) secara noninvasif, namun belum dimaksudkan sebagai pengganti diagnosis medis.

====================================================================================

Diabetes mellitus is a chronic disease that requires early detection to prevent complications. Diabetes screening generally uses invasive methods through blood sampling, necessitating a more convenient and user-friendly screening alternative. This research aimed to develop a non-invasive diabetes risk detection system based on the Galvanic Skin Response (GSR) sensor and the MAX30102, using the Extreme Gradient Boosting (XGBoost) algorithm, integrated with a website. The system is built using an ESP32 microcontroller to acquire physiological data in the form of Heart Rate, SpO₂, and GSR values, which are then combined with age and Body Mass Index (BMI) data as input for a classification model. The XGBoost model was trained using 100 primary clinical data sets and evaluated using 30 test data sets, with glucometer results as ground truth. The evaluation was conducted using a confusion matrix method with accuracy, precision, and recall metrics. The results showed that the system was capable of integrating sensor data acquisition, data transmission via a Wi-Fi network, and real-time diabetes risk classification via a website. The XGBoost model achieved an accuracy of 86.67%, a precision of 82.35%, and a recall of 93.33%. These results indicated that the system has good capabilities in detecting diabetes risk, making it potentially useful as a non-invasive early screening tool, but it is not intended as a substitute for medical diagnosis.