Non - Invasive E-Health Monitoring Sistem (N.I.E.M.S): Pemodelan Relasi Bloodglucose dengan Skin Resistance Berbasis Algoritma Machine Learning

Pemantauan kadar glukosa yang masih menggunakan alat infasif yang tidak nyaman bagi pasien. Penelitian ini mengembangkan sistem pemantauan kesehatan non-invasif yang memanfaatkan teknologi sensor Galvanic Skin Response (GSR) untuk mengukur kadar glukosa secara real-time tanpa perlu pengambilan sampel darah. Sistem ini menggunakan algoritma machine learning untuk menganalisis data dari sensor GSR yang dipengaruhi oleh perubahan resistansi kulit akibat aktivitas kelenjar keringat yang berkorelasi dengan kadar glukosa dalam darah. Data resistansi kulit dan kadar glukosa dari pasien dianalisis dengan regresi linear dan perangkat lunak WEKA. Hasil menunjukkan adanya hubungan antara kadar glukosa dan nilai rata-rata GSR dengan nilai R Square sebesar 0.235 dan koefisien korelasi 0.4148, menunjukkan hubungan moderat namun dengan kesalahan prediksi tinggi. menunjukkan hubungan moderat namun dengan kesalahan prediksi tinggi. Penelitian ini tidak hanya meningkatkan potensi aplikasi klinis dari teknologi sensor GSR dalam pemantauan kesehatan tetapi juga membuka jalan untuk penelitian lebih lanjut dalam pengembangan sistem pemantauan non- invasif untuk biomarker kesehatan lainnya. Kata kunci: Galvanic Skin Response, Glukosa, Machine Learning, Pemantauan Kesehatan, Non-Invasif