IMPLEMENTASI DAN PENYULUHAN TEKNOLOGI TEPAT GUNA DETEKSI DIABETES DENGAN ARTIFICIAL INTELLIGENCE BERBASIS INTERNET OF THING PADA PUSKESMAS MAKRAYU PALEMBANG

(1) * Ali Nurdin Mail (Politeknik Negeri Sriwijaya, Indonesia)
(2) Martinus Mujur Rose Mail (Politeknik Negeri Sriwijaya, Indonesia)
(3) Bersiap Ginting Mail (Politeknik Negeri Sriwijaya, Indonesia)
(4) Sholihin Sholihin Mail (Politeknik Negeri Sriwijaya, Indonesia)
(5) Sholihin Sholihin Mail (Politeknik Negeri Sriwijaya, Indonesia)
(6) Siswandi Siswandi Mail (Politeknik Negeri Sriwijaya, Indonesia)
*corresponding author

Abstract


Salah satu tantangan sebagai anak bangsa adalah mengembangkan dan membuat alat untuk membantu layanan kesehatan agar dapat berkembang mengikuti dengan perkembangan teknologi, yaitu dengan membuat alat pendeteksi diabetes dengan artificial intelligence.

Permasalahan pada pengguna memiliki keterbatasan dalam membedakan warna,baik karena factor pencahayaan, gangguan penglihatan, atau perbedaan persepsi warna.Teknologi image processing hadir sebagai solusi dengan memanfaatkan kamera untuk menangkap citra strip, kemudian diproses secara digital agar hasil yang ditampilkan menjadi lebih akurat dan konsisten.

Berdasarkan hal tersebut, maka dibuat sebuah alat pendeteksi diabetes dengan menggunakan strip urine. Seiring dengan kemajuan teknologi, dibutuhkan inovasi yang relevan dan adaptif terhadap perkembangan zaman. Pemanfaatkan teknologi yang saat ini banyak diminati oleh berbagai kalangan, yaitu Artificial Intelligence, guna meningkatkan efektivitas dan akurasi dalam proses pendeteksian diabetes secara otomatis. Puskesmas Makrayu Palembang telah mengadopsi pendekatan diagnosis holistik untuk pasien diabetes tipe 2 dengan komplikasi neuropati, termasuk tinjauan patogenesis, gejala klinis, dan penatalaksanaan, Keterbatasan fasilitas deteksi dini, Minimnya alat diagnostik canggih menyebabkan ketergantungan pada pemeriksaan glukosa darah konvensional yang kurang responsif terhadap prediksi komplikasi.Implementasi machine learning untuk klasifikasi diabetes mencapai akurasi 79%, membuktikan kesiapan dasar adopsi AI. IoT dalam kesehatan: Inisiatif aplikasi Android untuk manajemen diabetes telah berhasil meningkatkan pemantauan mandiri pasien, namun belum terintegrasi dengan sistem klinis.


Keywords


Artificial Intelligence, Mobile Application, Diabetes, Education, Wireless Network

   

DOI

https://doi.org/10.31604/jpm.v8i11.4084-4094
      

Article metrics

Abstract views : 0 | PDF views : 0

   

Cite

   

Full Text

Download

References


Adigüzel, G., ?entürk, Ü., & Polat, K. (2024). Blood Glucose Level Estimation Using Photoplethysmography (PPG) Signals with Explainable Artificial Intelligence Techniques. Open Journal of Nano, 9(1), 45–62.

Apridho, R. G., & Arkan, F. (2021). Alat Ukur Kadar Glukosa Darah Non-Invasive Terhubung Aplikasi Android. Jurnal SIMETRIS, 12(1), 1–14.

Budianto, R. (2018). Prototype Urine Analyzer Telemetry Menggunakan Sensor Warna Untuk Mendeteksi Penyakit Diabetes Pada Seseorang. J. Elektron., 7(4), 79–85.

Farmasi, J. S. (2018). Survei Risiko Penyakit Diabetes Melitus. Hans, Trada, 5(2), 134–141.

Gao, Q., & Li, S. (2024). Intelligent point of care testing for medicine diagnosis. Wiley Online Library, Interdisciplinary Medicine, 2(1). https://doi.org/10.1002/INMD.20230031

Gupta, S. Sen, Kwon, T. H., Hossain, S., & Kim, K. D. (2021). Towards non-invasive blood glucose measurement using machine learning: An all-purpose PPG system design. Biomedical Signal Processing and Control, 68, 102706. https://doi.org/10.1016/j.bspc.2021.102706

Hutabarat, M. S., & Sinaga, H. (2022). Peningkatan Pemahaman Masyarakat Tentang Penyakit Diabetes Mellitus (Kencing Manis) Dan Pengobatannya Pada Masyarakat Sukajaya Palembang. Jurnal Pengabdian Ilmu Kesehatan, 2(2), 55–60.

Idmar’a, R. A. N., Kamajaya, L., & Fitri. (2024). Sistem Telemonitoring Gula Darah Menggunakan Non-Invasive Berbasis IoT. Jurnal Elektronika dan Otomasi Industri, 11(1), 44–53.

Karim, F., Nurcahyo, G. W., & Sumijan, S. (2021). Sistem Pakar dalam Mengidentifikasi Gejala Stroke Menggunakan Metode Naive Bayes. Jurnal Sistim Informasi dan Teknologi, 221–226. https://doi.org/10.37034/jsisfotek.v3i4.69

Kelly, J. T., & others. (2020). A Coaching Program to Improve Dietary Intake of Patients with CKD: ENTICE-CKD. NCBI Journal. https://doi.org/10.2215/cjn.12341019

Random Nerd Tutorials. (2021). ESP32 Pinout Reference: Which GPIO Pins Should You Use? https://randomnerdtutorials.com/esp32-pinout-reference-gpios

Riadi, M. (n.d.). Raspberry Pi (Definisi, Fungsi, Jenis, Spesifikasi dan Pemrograman). https://www.kajianpustaka.com/2020/12/Raspberry-Pi.html

Riyadi, H., & Mulyadi, D. (2021). Perancangan Sistem Monitoring Sensor Suhu dan Kelembaban Berbasis ESP32 dan Firebase. J. Teknol. dan Sist. Komput., 9, 75–81.

Stefanska, K., & others. (2020). Comparisons of Dipstick Test, Urine Protein-to-Creatine Ratio, and Total Protein Measurement for the Diagnosis of Preeclampsia. International Journal of Environmental Research and Public Health. https://doi.org/10.3390/ijerph17124195

Yuniarti, H., Sigit, R., & Rofiq, M. A. (2020). Penerapan Fuzzy Tsukamoto pada Alat Deteksi Penyakit Hipoksemia, Hipotermia, Hipertensi, dan Diabetes untuk Health Care Kiosk. JACI, 4(2). https://doi.org/10.30871/jaic.v4i2.2643


Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Martabe : Jurnal Pengabdian Kepada Masyarakat

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.