Electronic Theses and Dissertation

Penelitian ini mengembangkan sistem klasifikasi kadar gula darah non-invasif berbasis analisis morfologi sinyal photoplethysmography (PPG). Sistem yang diusulkan ini hadir sebagai solusi alternatif bagi metode konvensional berbasis invasif, yang selama ini memiliki sejumlah keterbatasan seperti tingginya biaya penggunaan strip uji dan rasa tidak nyaman pada subjek. Sistem klasifikasi kadar gula darah non-invasif memanfaatkan model pre-trained dari arsitektur deep learning (DL) berbasis convolutional neural network (CNN) yang telah tervalidasi di ImageNet untuk diimplementasikan pada perangkat edge computing. Tahap awal penelitian dimulai dengan memilih basis data publik PPG-BP Dataset, yang kemudian dimodifikasi dan dikembangkan menjadi lima variasi dataset. Proses ini dilakukan melalui pra-pemrosesan menggunakan moving average (MAV) filter dengan pemilihan window size secara sistematis pada nilai M= 1, 5, 10,15, dan 20. Selanjutnya kelima dataset tersebut digunakan untuk pengembangan model melalui adaptasi sembilan model pre-trained CNN yang diseleksi dari tiga rumpun populer yaitu ResNet, Efficientnet, dan MobileNet, di mana tiap-tiap rumpun dipilih tiga varian model pre-trained. Proses adaptasi dan fine-tuning pada model-model pre-trained ini menghasilkan 45 model CNN berbasis sinyal PPG (9 x 5 = 45). Kinerja seluruh model tersebut kemudian dievaluasi menggunakan empat parameter utama dari confusion matrix, yaitu accuracy, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa pengujian model menggunakan PPG-BP Dataset-M10 menghasilkan nilai metrik sempurna (100%) pada varian ResNet34, EfficientNet-Lite, dan MobileNetV2-Small. Sebaliknya, pengujian menggunakan dataset selain variasi tersebut menghasilkan nilai parameter di bawah angka sempurna. Hal ini menunjukkan bahwa pra-pemrosesan menggunakan MAV filter dengan window size M=10 memberikan keseimbangan terbaik antara penekanan noise dan penjagaan detail sinyal. Tahap berikutnya adalah memilih tiga model terbaik yang memiliki kinerja tertinggi dan ukuran paling ringan untuk diimplementasikan pada perangkat edge computing. Model-model tersebut diekspor dari framework PyTorch ke framework TorchScript agar kompatibel saat dijalankan pada edge devices. Hasil eksperimen menunjukkan bahwa model EfficientNet-Lite (~13,5 MB) merupakan solusi paling optimal untuk edge devices. Model ini mendukung kuantisasi perangkat keras INT8 dan mencatat waktu inferensi tercepat, yaitu sebesar 355 milidetik (ms), dalam klasifikasi kadar gula darah yang dieksekusi pada Raspberry Pi 4. Sementara itu, MobileNetV2-Small (~9,3 MB) menjadi kandidat paling ringan yang mampu meminimalkan latensi memori eksternal, dengan waktu inferensi sebesar 1.481 ms. Di sisi lain, ResNet34 (~81,3 MB) menawarkan ketahanan ekstraksi fitur paling stabil terhadap distorsi ekstrem, meskipun memerlukan waktu inferensi tertinggi mencapai 6.000 ms. Secara keseluruhan, optimasi sinyal yang tepat serta integrasi model ringan MobileNetV2-Small terbukti memberikan landasan yang kuat untuk mewujudkan sistem skrining diabetes yang akurat, hemat daya, dan berlatensi rendah secara real-time pada perangkat edge computing.

This study develops a non-invasive blood glucose level classification system based on the morphological analysis of photoplethysmography (PPG) signals. The proposed system serves as an alternative solution to conventional invasive methods, which currently possess several limitations such as the high cost of test strips and subject discomfort. This non-invasive blood glucose classification system utilizes pre-trained models from a convolutional neural network (CNN)-based deep learning (DL) architecture, validated on ImageNet, for implementation on edge computing devices.The initial stage of the study begins by selecting the public PPG-BP Dataset, which is subsequently modified and developed into five dataset variations. This process is carried out through preprocessing using a moving average (MAV) filter with a systematic window size selection at values M = 1, 5, 10, 15, and 20. Furthermore, these five datasets are used for model development through the adaptation of nine pre-trained CNN models selected from three popular families: ResNet, EfficientNet, and MobileNet, where three pre-trained model variants are chosen from each family. The adaptation and fine-tuning process of these pre-trained models yields 45 PPG signal-based CNN models (9 x 5 = 45). The performance of all models is then evaluated using four primary parameters of the confusion matrix: accuracy, precision, recall, and F1-score.Experimental results indicate that model testing using PPG-BP Dataset-M10 achieves perfect metric values (100%) on the ResNet34, EfficientNet-Lite, and MobileNetV2-Small variants. Conversely, testing using datasets other than this variation results in parameter values below the perfect score. This demonstrates that preprocessing using an MAV filter with a window size of M = 10 provides the best balance between noise suppression and signal detail preservation. The next stage involves selecting the top three models with the highest performance and lightest model size for deployment on edge computing devices. These models are exported from the PyTorch framework to the TorchScript framework to ensure compatibility when running on edge devices. The experimental results show that the EfficientNet-Lite model (~13.5 MB) is the most optimal solution for edge devices. This model supports INT8 hardware quantization and records the fastest inference time of 355 milliseconds (ms) in blood glucose level classification executed on a Raspberry Pi 4. Meanwhile, MobileNetV2-Small (~9.3 MB) emerges as the lightest candidate capable of minimizing external memory latency, with an inference time of 1,481 ms. On the other hand, ResNet34 (~81.3 MB) offers the most stable feature extraction robustness against extreme distortions, despite requiring the highest inference time of up to 6,000 ms. Overall, proper signal optimization and the integration of lightweight models MobileNetV2-Small are proven to provide a solid foundation for realizing an accurate, power-efficient, and low-latency real-time diabetes screening system on edge computing devices.