Dalam pidatonya di sidang terbuka promosi doktor Departemen Teknik Elektro FTUI, Smart Meeting Room (SMR), Rabu, 3 Juli 2024 Ernia Susana (2006511501) mengkaji Pengembangan Model Kecerdasan Buatan pada Klasifikasi Non-Invasive Kadar Glukosa Darah Berbasis Sinyal Photoplethysmography dengan Penguatan Ekstraksi Fitur Time Frequency Analysis untuk Deteksi Dini Diabetes.
Sidang Promosi yang diketuai oleh Wakil Dekan 2 Fakultas Teknik UI Prof. Ir. Mahmud Sudibandriyo., M.Sc., Ph.D Promotor Prof. Dr. Ir. Riri Fitri Sari., MM., M.Sc., Ko-Promotor Dr. Abdul Muis., ST., M.Eng. Ketua Penguji Prof. Dr.-ing. Ir. Kalamullah Ramli, M.Eng. Penguji Prof. Dr. Ir. Bagio Budiharjo., Dr. Ruki Harwahyu., ST., MT., M.Sc., Dr. Muhammad Salman., ST., MIT, I Gde Dharma Nugraha., ST., MT., Ph.D. serta Penguji Eksternal Prof. Evangelos Pournas (University of Leeds. UK).
Disertasi ini telah dibuat kombinasi perangkat keras dan lunak melalui algoritma machine learning yang dapat menekan derau pada PPG melalui algoritma Ensemble Bagged Trees Analysis (EBTA). Model EBTA menghasilkan nilai akurasi terbaik sebesar 98%.
Disertasi ini telah diimplementasikan ekstraksi fitur melalui Time Frequency Analysis (TFA) berbasis Short Time Fourier Transform (STFT) menghasilkan representasi visual dari spektrum frekuensi suatu sinyal seiring waktu dalam bentuk spectogram dan dua momen waktu-frekuensi yang sering diekstraksi dalam domain frekuensi berupa yaitu instantaneous frequency (IF) dan spectral entropy (SE). Kombinasi TFA dan beberapa algoritma machine learning menghasilkan akurasi terbaik pada model Machine Learning Support Vector Machine (SVM) dengan nilai akurasi sebesar 91,8%.
Pada disertasi ini, telah dikembangkan kombinasi ekstraksi fitur menggunakan pengklasifikasi TFA dan BLSTM yang dilatih pada kumpulan data kecil. Melalui kombinasi tersebut, derau yang telah dipisahkan TFA dari sinyal PPG dengan kemampuan BLSTM melalui sigmoidnya dapat menghilangkan derau dengan mudah sehingga meningkatkan akurasi klasifikasi BGL hingga sebesar 87% pada dibandingkan yang dilaporkan oleh Sumon [76] dan Zanelli [77] pada dataset terbuka publik yang sama [56]. TFA dengan kemampuan windowing menghasilkan pengurangan titik sample pada sinyal PPG dari 2100 point feature menjadi 64 windows 63 point feature sehingga dapat mempercepat waktu pelatihan dari model dengan hasil elapsed time pada BLSTM tanpa TFA sebesar 5 menit 55 sec dan inference time sebesar 0,227 sec sedangkan untuk BLSTM dengan TFA menghasilkan elapsed time sebesar 15 sec dan inference time sebesar 0,125 sec. [1]
