Prediksi Kadar Glukosa Darah Berbasis Data Continuous Glucose Monitoring (CGM) Menggunakan Extreme Learning Machine

RABBANI, Muhammad Mirza Faiz (2026) Prediksi Kadar Glukosa Darah Berbasis Data Continuous Glucose Monitoring (CGM) Menggunakan Extreme Learning Machine. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Muhammad Mirza Faiz Rabbani - 24060122140127 - Bebas Perpus.zip Restricted to Repository staff only Download (5MB) \| Request a copy
	Text 1.COVER.pdf Download (106kB)
	Text 3.HALAMAN PENGESAHAN I.pdf Download (230kB)
	Text 4.HALAMAN PENGESAHAN II.pdf Download (231kB)
	Text 5.KATA PENGANTAR.pdf Download (278kB)
	Text 6.ABSTRAK.pdf Download (163kB)
	Text 7.ABSTRACT.pdf Download (163kB)
	Text 8.DAFTAR ISI.pdf Download (235kB)
	Text 12.BAB I PENDAHULUAN.pdf Download (263kB)
	Text 17.DAFTAR PUSTAKA.pdf Download (289kB)

Abstract

Fluktuasi kadar glukosa darah menuntut pemantauan dan tindakan preventif presisi untuk
menghindari komplikasi klinis seperti hipoglikemia. Merespon urgensi tersebut, penelitian
ini berfokus pada pengembangan sistem prediktif cerdas berbasis data deret waktu dari
sensor Continuous Glucose Monitoring (CGM). Pendekatan komputasi yang diterapkan
memanfaatkan pemodelan algoritma Extreme Learning Machine (ELM) untuk
memproyeksikan kadar glukosa di masa depan. Proses implementasi mencakup pra
pemrosesan melalui normalisasi data untuk menjaga stabilitas komputasi matriks, ekstraksi
fitur temporal menggunakan teknik sliding window, dan optimasi jumlah neuron pada
hidden layer. Konfigurasi arsitektur paling optimal dicapai pada kombinasi sliding window
12 dan 150 hidden layer. Model pada parameter ini merekam margin kesalahan terendah
dengan nilai Root Mean Square Error (RMSE) asli sebesar 23,19858 mg/dL serta efisiensi
waktu komputasi pelatihan yang singkat, yakni 1,74072 detik. Keseimbangan antara tingkat
kesalahan prediksi yang relatif rendah dan kecepatan pelatihan di bawah dua detik
menunjukkan bahwa model ELM memiliki performa komputasional yang baik. Hasil
penelitian ini mengindikasikan bahwa arsitektur yang diusulkan cukup efektif untuk prediksi
kadar glukosa darah berbasis data Continuous Glucose Monitoring (CGM) serta berpotensi
untuk dikaji lebih lanjut pada pengembangan sistem prediksi glukosa darah.
Kata kunci : Continuous Glucose Monitoring, Extreme Learning Machine, Prediksi
Glukosa Darah, Sliding Window, Time-Series

(NO. KETERSEDIAAN : 1691/F/2026)

Item Type:	Thesis (Undergraduate)
Subjects:	Sciences and Mathemathic
Divisions:	Faculty of Science and Mathematics > Department of Informatics
Depositing User:	Yemima Laras Sekarsari
Date Deposited:	23 Jul 2026 02:34
Last Modified:	23 Jul 2026 02:34
URI:	https://eprints2.undip.ac.id/id/eprint/57471

Actions (login required)

View Item

Search for collections on Undip Repository