Prediksi Tingkat Glukosa Darah Berbasis Data Continuous Glucose Monitoring (CGM) dengan Metode Deep Learning
Muhammad Daffa Alif Riesmawan, Dr.Eng. Silmi Fauziati, S.T., M.T. ; Prof. Ir. Oyas Wahyunggoro, M.T., Ph.D.
2024 | Skripsi | S1 TEKNIK BIOMEDIS
Penyakit diabetes menjadi salah satu penyakit yang memicu berbagai komplikasi mematikan jika tidak mendapatkan perawatan yang sesuai. Diabetes termasuk penyakit kronis yang menyebabkan masalah dalam regulasi blood glucose (BG). Penderita diabetes tidak dapat mengendalikan tingkat glukosa darah mereka secara alami karena kurangnya sekresi insulin (pada Diabetes Tipe 1/T1D) atau akibat sekresi dan aksi insulin yang cacat (pada Diabetes Tipe 2/T2D). Khususnya pada penderita Diabetes Tipe 1, mereka tidak mampu menghasilkan insulin secara alami untuk mengatur tingkat glukosa darah. Oleh karena itu, mereka harus melakukan pemantauan glukosa darah secara teratur setiap hari. Penggunaan Continuous Glucose Monitoring (CGM) dapat membantu penderita Diabetes Tipe 1 untuk memantau tingkat glukosa darahnya secara real-time. Namun, perubahan tingkat glukosa darah biasanya baru terlihat setelah 30 menit.
Penelitian ini bertujuan untuk memprediksi tingkat glukosa darah dengan predicted horizon 30 menit menggunakan metode deep learning, yaitu Convolutional Recurrent Neural Network (CRNN), Long Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Dalam penelitian ini, digunakan pendekatan sliding window dengan beberapa rentang waktu, yaitu 6 langkah (30 menit), 12 langkah (60 menit), 18 langkah (90 menit), dan 24 langkah (120 menit). Penelitian ini juga membandingkan penggunaan sliding window pada masing-masing arsitektur yang digunakan.
Hasil penelitian menunjukkan bahwa arsitektur LSTM memberikan kinerja terbaik pada sliding window 30 dan 60 menit, sementara CRNN memberikan hasil terbaik pada sliding window 90 dan 120 menit. Di sisi lain, GRU menempati posisi kedua pada sliding window 30 dan 60 menit, tetapi mengalami overfitting pada sliding window 120 menit. Secara keseluruhan, LSTM memperoleh hasil terbaik dengan RMSE 4,042 dan MAE 2,536 pada sliding window 30 menit.
Diabetes has become one of the diseases that trigger various life-threatening complications if not treated appropriately. It is a chronic condition that leads to difficulties in regulating blood glucose (BG). Individuals with diabetes are unable to naturally control their blood glucose levels due to insufficient insulin secretion (in Type 1 Diabetes/T1D) or defective insulin secretion and action (in Type 2 Diabetes/T2D). Particularly for Type 1 diabetes patients, who cannot naturally produce insulin to regulate blood glucose levels, regular blood glucose monitoring is essential. The use of Continuous Glucose Monitoring (CGM) systems can assist Type 1 diabetes patients in monitoring their blood glucose levels in real-time. However, changes in blood glucose levels are typically observed only after 30 minutes.
This study aims to predict blood glucose levels with a predicted horizon of 30 minutes using deep learning methods, specifically Convolutional Recurrent Neural Network (CRNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). A sliding window approach is employed with ranges of 6 steps (30 minutes), 12 steps (60 minutes), 18 steps (90 minutes), and 24 steps (120 minutes). The study also compares the performance of sliding windows across the architectures used.
The findings of this research reveal that the LSTM architecture achieves the best performance with an RMSE of 4.042 and MAE of 2.536 for the 30-minute sliding window. Moreover, CRNN delivers the best results for the 90-minute and 120-minute sliding windows. GRU ranks second for the 30-minute and 60-minute sliding windows but encounters overfitting in the 120-minute sliding window. Overall, LSTM demonstrates the highest efficacy in this study.
Kata Kunci : Diabetes Tipe 1, CGM, Predicted Horizon, Sliding Window, CRNN, LSTM, GRU
