PERANCANGAN DAN IMPLEMENTASI ALAT UKUR KADAR HEMOGLOBIN

DARAH SECARA NON-INVASIVE BERBASIS ARDUNIO

DESIGN AND IMPLEMENTATION NON - INVASIVE MEASURING DEVICE OF

HEMOGLOBIN LEVEL IN BLOOD BASED ON ARDUINO

Muhammad Rezza1, Raditiana Patmasari2, Yunendah Nur Fuadah3

1,2,3
Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
1
muhammadrezza@telkomuniversity.ac.id, 2raditiana@telkomuniveristy.co.id, 3Yunendah Nur
Fuadah@telkomuniversity.ac.id

Abstrak
Anemia atau kurangnya kandungan besi dalam darah merupakan penyakit kekurangan nutrisi yang
paling umum terjadi di dunia. Penyakit anemia adalah kondisi penyakit yang disebabkan oleh jumlah
hemoglobin yang membawa oksigen pada darah berada di bawah normal. Penderita anemia dapat
melakukan pengujian kadar hemoglobin dalam darah dengan pemeriksaan laboratorium secara invasive
yaitu mengambil sampel darah penderita terlebih dahulu. Pengukuran kadar hemoglobin secara non-invasive
dilakukan dengan menggunakan sensor pulse oxymeter. Pulse oxymeter adalah sensor yang memancarkan IR
LED dan LED merah yang akan diterima oleh sensor photodioda. Hemoglobin pada darah akan menyerap
cahaya yang pada rentang warna merah dan inframerah sehingga dapat dilakukan pengukuran pada
rentang cahaya yang diterima pada photodioda. Pengukuran pada alat ini dilakukan menggunakan
mikrokontroler berupa arduino. Arduino akan dikombinasikan dengan sensor pulse oxymeter sehingga dapat
melakukan pengukuran kadar hemoglobin pada darah. Hasil pengukuran kadar hemoglobin pada darah
akan diperoleh dari jari penderita. Kadar hemoglobin akan ditentukan menggunakan algoritma Jaringan
Saraf Tiruan (JST). Algoritma JST akan dilatih dengan berbagai hidden node untuk mendapatkan akurasi
tertinggi. Pada penelitian ini dihasilkan performansi terbaik dengan tingkat akurasi 90%.

Kata kunci : Hemoglobin, Pulse Oxymeter, Non-Invasive, Arduino, Jaringan Saraf Tiruan

Abstract
Anemia or lack of iron in the blood is the most common nutritional disease in the world. Anemia disease
is a disease condition caused by the amount of hemoglobin carrying oxygen is below normal. Patients with
anemia can perform testing of hemoglobin levels in the blood by invasive examination, it is to take the patient's
blood sample first. Measurement of non-invasive hemoglobin levels was performed using pulse oxymeter
sensor. Pulse oxymeter is a sensor that emits IR and red LEDs to be received by the photodiode. Hemoglobin in
the blood will absorb light that is in the range of red and infrared so that it can be measured in the range of
light received on the photodiode. Measurements on this research are done using an arduino microcontroller.
The arduino will be combined with a pulse oxymeter sensor so that it can take measurements of hemoglobin
levels. The result of measurement of hemoglobin level in blood will be generated from the patient's finger.
Hemoglobin levels will be determined using the Artificial Neural Network algorithm (ANN). The ANN
algorithm will be trained with various hidden nodes to get the best accuracy. In this research, the best
performance of accuracy gets 90%.

Keywords: Hemoglobin, Pulse Oxymeter, Non-Invasive, Arduino, Artificial Neural Network

1. Pendahuluan

Hemoglobin dapat ditemukan di sel darah merah yang membawa oksigen dari paru-paru ke seluruh tubuh dan
membawa sel darah yang mengandung carbon dioksida kembali ke paru-paru. Kadar Hemoglobin dapat dikatakan
normal apabila konsentrasi Hemoglobin pada darah berada di 13.5 sampai 17g/dl untuk pria dan 12 sampai 15 g/dl
untuk wanita. Penyakit yang ditimbulkan akibat dari kekurangan atau kelebihan hemoglobin darah dapat berbagai
macam seperti anemia untuk kekurangan hemoglobin dan polycythemia untuk kelebihan hemoglobin. Berdasarkan
data dari World Health Organization (WHO), setengah dari penderita anemia diakibatkan kekurangan zat besi.
Standar penghitungan konsentrasi hemoglobin pada darah saat ini dilakukan secara invasive atau dengan mengambil
sampel darah penderitaHemoglobin dapat ditemukan di sel darah merah yang membawa oksigen dari paru-paru ke
seluruh tubuh dan membawa sel darah yang mengandung carbon dioksida kembali ke paru-paru. Kadar Hemoglobin
dapat dikatakan normal apabila konsentrasi Hemoglobin pada darah berada di 13.5 sampai 17g/dl untuk pria dan 12
sampai 15 g/dl untuk wanita. Penyakit yang ditimbulkan akibat dari kekurangan atau kelebihan hemoglobin darah
dapat berbagai macam seperti anemia untuk kekurangan hemoglobin dan polycythemia untuk kelebihan hemoglobin.
Berdasarkan data dari World Health Organization (WHO), setengah dari penderita anemia diakibatkan kekurangan
zat besi. Standar penghitungan konsentrasi hemoglobin pada darah saat ini dilakukan secara invasive atau dengan
mengambil sampel darah penderita [1]. Cara seperti ini sangat tidak efisien karena bagian tubuh yang digunakan
untuk mengambil sampel darah harus diobati agar tidak terjadi infeksi.
Berdasarkan latar belakang tersebut, maka akan dibuat sebuah alat pengukuran kadar hemoglobin dengan
mikrokontroler berupa arduino dan metode kalibrasi nilai menggunakan Jaringan Saraf Tiruan (JST). Alat tersebut
diharapkan dapat memudahkan pengukuran hemoglobin pada dunia medis. Pembuatan alat ini dimulai dengan
membikin rancangan rangkaian dan kemudian diimplementasikan sehingga dapat digunakan sebagai alat ukur.

2. Dasar Teori

2.1 Darah

Darah manusia adalah cairan jaringan tubuh. Fungsi utamanya adalah mengangkut oksigen yang diperlukan oleh
sel – sel di seluruh tubuh. Komposisi darah dibagi menjadi dua bagian besar yaitu korpuskula dengan persentase 45%
pada darah dan plama darah dengan persentase 55%. Kandungan terbanyak pada korpuskula adalah eritrosit dengan
jumlah persentase sekitar 90% yang mengandung hemoglobin dan berfungsi untuk mengedarkan oksigen.
Kadar Hemoglobin adalah ukuran pigmenrespiratorik dalam butiran – butiran darah merah. Jumlah hemoglobin
dalam darah normal adalah kira – kira 15 gram setiap 100 ml. Batas normal nilai hemoglobin untuk seseorang sukar
ditentukan karena kadar hemoglobin bervariasi diantara setiap suku bangsa [2].

2.2 Jaringan Saraf Tiruan

Dasar pada pemrosesan ANN adalah neuron atau pada umumnya disebut node. ANN dapat memproses data
dengan mendeteksi pola dan hubungan dalam data melalui suatu pelatihan terlebih dahulu. ANN terbentuk dari
neuron buatan sebagai elemen pemrosesan dan dihubungkan dengan koefisien beban. Struktur pada ANN disusun
dalam beberapa lapisan. Perhitungan pada ANN didapat dari neuron yang dihubungkan pada jaringan. Setiap elemen
proses memiliki beban masukan, fungsi transfer, dan sebuah keluaran. Aturan pada penggunaan ANN ditentukan oleh
fungsi transfer antar neuron, pembelajaran, arsitektur dari ANN. Beban pada jaringan merupakan parameter yang
dapat dirubah. Jumlah beban pada input mendirikan aktifitas pada neuron. Sinyal aktifasi akan di proeses melalui
fungsi transfer yang akan membuat sebuah neuron keluaran. Fungsi transfer menginisiasi non – lineritas ke jaringan.
Selama proses pelatihan, koneksi antar neuron akan dioptimalkan hingga nilai prediksi errornya mencapai nilai
terkecil dan tingkat akurasi yang diinginkan. Setelah jaringan dilatih dan diuji sistem dapat memberikan nilai
masukan baru untuk memprediksi nilai keluaran [3].
Fungsi sigmoid adalah fungsi aktivasi yang paling umum digunakan dalam menyusun jaringan saraf. Fungsi ini
secara perlahan akan meningkat untuk menyeimbangkan antara sifat linear dan non – linear. Fungsi Sigmoid dapat
dituliskan pada persamaan 1.
1
𝑓(𝑥) = (1)
1 + 𝑒 −𝑎𝑣
Dimana 𝑎 adalah parameter kemiringan dari fungsi sigmoid yang digambarkan pada gambar 1.

Gambar 1. Grafik fungsi sigmoid

Pada ANN terdapat istilah learning rule atau dalam bahasa aturan pembelajaran. Learning rule pada ANN secara
umum yang digunakan yaitu Delta rule dan Back-propagation. Sebuah jaringan dilatih dengan himpunan data
masukan yang diatur dengan sejumlah iterasi untuk mendapatkan beban. Pada jaringan Back-propagation yang
digunakan terdapat 3 lapisan yaitu lapisan masukan, lapisan tersembunyi atau Hidden Layer, dan lapisan keluaran.
Pada gambar 2 dapat dilihat struktur pada ANN backpropagation.
 Gambar 2. Skema representasi JST backpropagation

2.3 Pulse Oxymeter

Pulse Oxymeter adalah pengukuran non-invasive saturasi oksigen (SpO2). Saturasi oksigen didefinisikan sebagai
pengukuran jumlah oksigen terlarut dalam darah, berdasarkan deteksi hemoglobin dan deoxyhemoglobin. Dua
panjang gelombang cahaya yang berbeda digunakan untuk mengukur perbedaan aktual dalam spektrum penyerapan
HbO2 dan Hb, dan koefisien penyerapannya diukur dengan menggunakan dua panjang gelombang 660 nm (cahaya
spektrum merah) dan 940 nm (spektrum cahaya inframerah). Hemoglobin yang mengikat oksigen dan yang tidak
mengikat oksigen menyerap panjang gelombang yang berbeda. Hemoglobin tidak beroksigen memiliki daya serap
pada 660 nm dan hemoglobin beroksigen memiliki daya serap 940 nm [4].
Pulse oxymeter menganalisis penyerapan cahaya dari dua panjang gelombang naik turunnya volume dari
pembuluh darah arteri beroksigen (AC/DC) dan menghitung perbandingan daya serap menggunakan persamaan 2.
𝑨𝑪𝟔𝟔𝟎
⁄𝑫𝑪
𝟔𝟔𝟎
(2)
𝑨𝑪𝟗𝟒𝟎
⁄𝑫𝑪
𝟗𝟒𝟎
Hukum Beer Lambert memiliki hubungan antara cahaya yang diserap dengan sifat materi yang dilalui oleh cahaya
yang dipancarkan dapat digunakan untuk mengetahui cara kerja dari kadar hemoglobin. Hukum beer lambert
menyatakan pada persamaan 4 [4].
𝑰
𝑻= = 𝟏𝟎−∈𝒄𝒍 (3)
𝑰𝟎
Dimana T adalah transmittance, I adalah intensitas cahaya yang dipancarkan melalui suatu bahan, I 0 adalah
intensitas cahaya nilai cahaya yang diteruskan setelah diserap melalui suatu bahan, l adalah panjang cahaya yang
melalui bahan tersebut, sedangkan c adalah konsentrasi dan ϵ adalah tingkat serapan molar dari suatu bahan (ϵ =
602.24 cm-1M-1). Dalam 1 gm dL-1 = 0.1551 mM untuk hemoglobin pada larutan air [4].

3. Perancangan dan Implementasi

3.1 Gambaran umum sistem

Pengukuran kadar hemoglobin secara non-invasive dilakukan melalui jari pasien dengan menggunakan alat ukur
yang akan dirancang dan implementasikan menggunakan sensor pulse oxymeter. Pada pulse oxymeter tersebut
terdapat photodioda sebagai komponen untuk mengukur intensitas cahaya yang menembus jari pasien. Cahaya yang
digunakan pada pulse oxymeter adalah cahaya yang dipancarkan dari LED merah dan IR LED. Hasil data yang
didapat akan ditampilkan pada smartphone android menggunakan komunikasi melalui bluetooth modul. Setelah data
didapat dan ditampilkan pada smartphone android. Melalui android tersebut penguji dapat melengkapi identitas
pasien yang kemudian akan disimpan pada cloud storage.

Gambar 3 Blok diagram sistem kerja

IR LED pada pulse oxymeter digunakan sebagai emitter yang akan menyinari jari dan jaringan yang ada
dibawahnya. Akibat dari perubahan volume darah pada jaringan jari, penyerapan dari radiasi IR LED juga
menimbulkan variasi radiasi yang diteruskan melalui jari. Pengukuran yang digunakan untuk menghitung sinyal
analog pada radiasi yang dibaca photodioda yaitu berupa komponen DC pada pulse oxymeter untuk mengukur kadar
hemoglobin pada darah. Hasil penyerapan cahaya yang diserap dengan kadar hemoglobin memiliki hubungan yang
sesuai dengan hukum Beer Lambert yang menjelaskan tentang intensitas cahaya melalui suatu medium [4].
 Dari sensor pulse oxymeter melalui port arduino akan didapatkan angka desimal dari tegangan. Kemudian pada
arduino uno dilakukan proses ADC untuk mengubah nilai tegangan analog menjadi nilai tegangan digital. Pada
arduino uno setiap pin dapat menerima hingga 10 bit data, sehingga nilai konversi analog terdapat 1024 nilai.
Kemudian pin sensor pembaca nilai tegangan pada pulse oxymeter dihubungkan ke pin arduino. Berarti yang
merepresentasikan 0 untuk nilai digital adalah 0 pada nilai analog dan nilai ynag merepresentasikan 1024 untuk nilai
digital adalah 5 volt pada nilai tegangan analog. Maka untuk nilai 5 volt dikonversi nilai digital 10 bit adalah sebagai
berikut.
𝑣𝑜𝑙𝑡𝑎𝑔𝑒 𝑖𝑛𝑝𝑢𝑡 5𝑣
= = 0.0048828125 𝑣 (4)
𝑑𝑒𝑐𝑖𝑚𝑎𝑙 𝑣𝑎𝑙𝑢𝑒 𝑜𝑓 10 𝑏𝑖𝑡𝑠 1024
Maka setiap 1 desimal memiliki tegangan sebesar 0.0048828125 𝑣𝑜𝑙𝑡 sehingga persamaan yang digunkan untuk
mengubah nilai analog menjadi nilai digital terdapat pada persamaan 5.

𝑛𝑖𝑙𝑎𝑖 𝑑𝑖𝑔𝑖𝑡𝑎𝑙 = 𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑔𝑎𝑛𝑔𝑎𝑛 𝑎𝑛𝑎𝑙𝑜𝑔 × 0.0048828125 𝑣 (5)

Nilai digital yang didapat akan dikirimkan ke smartphone android. Proses pengiriman nilai digital dilakukan oleh
bluetooth yang sudah terintegrasi dengan arduino uno. Pada platform android nilai yang didapat akan diolah dengan
JST. Penentuan kadar hemoglobin akan dilakukan pada sistem JST yang terlebih dahulu dilatih. Nilai digital pada
arduino akan menjadi masukan pada sistem JST untuk menentukan nilai keluaran. Nilai keluaran tersebutlah yang
menjadi kadar hemoglobin pada darah. Kadar hemoglobin akan tersimpan di cloud storage dan dapat dilihat pada
android.

3.2 Perancangan Perangkat Keras

Gambar 4 menunjukan hubungan antar perangkat keras yang akan digunakan sebagai alat ukur kadar hemoglobin
pada darah. Perangkat tersebut saling berhubungan untuk dapat menunjang pengukuran kadar hemoglobin.

Gambar 4 Blok diagram perangkat keras

Perangkat keras terdiri dari 4 komponen utama yaitu Arduino Uno R3, pulse oxymeter, bluetooth module HC-06,
dan smartphone android. Arduino pada sistem tersebut dicatu menggunakan tegangan sebesar 5 volt.
Pada arduino berikut berguna untuk melakukan proses perhitungan data yang didapat dari sensor pulse oxymeter.
Sensor pulse oxymeter sendiri terdiri 7 pin yang setiap pin tersebut memiliki fungsi masing-masing. Sensor pulse
oxymeter dihubungkan dengan konektor DB9 untuk menghubungkan sensor ke arduino. Pin yang akan digunakan
untuk pengukuran kadar hemoglobin hanya beberapa saja yang akan digunakan. Pin yang akan digunakan adalah pin
untuk memancarkan cahaya IR dan merah sebagai pemancar pada sensor. Selanjutnya pin photodioda untuk
menerima informasi intensitas cahaya yang telah menembus jari. Pin photodioda dihubungkan ke pin analog input
yang akan dilakukan proses ADC tersebut. Informasi yang didapat kemudian akan dikirimkan ke smartphone android
secara wireless menggunakan bluetooth modul HC-06. Bluetooth HC-06 di catu dengan daya 5 volt serta pin Tx dan
pin Rx akan dihubungkan ke arduino agar komunikasi dapat dibangun antara arduino dan aplikasi android yang telah
terpasang. Seperti yang dapat dilihat secara skema pada gambar 5.

Gambar 5 Skema perancangan perangkat keras

Bluetooth modul ini akan mengirimkan informasi berupa hasil yang didapat dari pengukuran kadar hemoglobin yang
akan di tampilkan ke Smartphone android pengguna yang telah terpasang aplikasi. Aplikasi pada smartphone akan
dibuat sehingga dapat menampilkan hasil perhitungan pada perangkat tersebut, selain menampilkan hasil berupa
kadar hemoglobin data hasil juga dapat disimpan pada cloud storage yang akan terintegrasi pada aplikasi android.

3.3 Perancangan Perangkat Lunak

Perangkat lunak yang digunakan pada tugas akhir ini adalah Arduino IDE karena berbasis arduino. Arduino IDE
digunakan untuk melakukan pemograman pada Arduino Uno. Pemograman pada arduino digunakan untuk membaca
nilai masukan dari sensor yang berupa nilai 10 bit dan dikonversikan ke bilangan desimal. Nilai tersebut akan
digunakan pada sistem Jaringan Saraf Tiruan. Proses JST dilakukan pada sistem smartphone android. Maka dari itu,
nilai yang didapat dari sensor akan di transmisikan ke android terlebih dahulu melalui modul bluetooth yang
terhubung pada arduino. Nilai sensor sebelum proses pengiriman melalui blutooth, pada sistem arduino akan
mengambil 20 nilai sensor kemudian dimasukan kedalam array isi 20. Dari array tersebut kemudian dirata – rata lalu
nilai tersebutlah yang dikirimkan ke android.

Gambar 6 Diagram alir system perangkat lunak

Sistem smartphone android pada tugas akhir ini dibuat menggunakan Android Studio dengan merancang user
interface terlebih dahulu. Diagram alir sistem perangkat lunak dijelaskan pada gambar 6 menunjukan bahwa sistem
dimulai dengan menghubungkan perangkat android dengan arduino.

3.4 Sistem Jaringan Saraf Tiruan

Penentuan nilai kadar hemoglobin menggunakan ANN. Pada input node dan output node akan memiliki satu node
pada masing – masing input dan output node. Nilai pada input node akan menggunakan data yang didapat dari
pengambilan nilai digital oleh sensor pulse oxymeter. Nilai target akan menggunakan kadar hemoglobin yang didapat
dari pengukuran secara non – invasive dengan mengeluarkan darah terlebih dahulu. Pelatihan pada artificial neural
network bertujuan untuk mendapat nilai beban atau weight pada setiap node. Pada penelitian ini analisis dilakukan
dengan mengubah sifat dari sistem artificial neural network pada bagian hidden node. Jumlah hidden node yang
akan diamati berada pada 3, 4, 5, sampai dengan 11 hidden node.
 Output Node

Hidden Node 1 2 𝑛

Input Node
Gambar 7 Sistem perancangan JST backpropagation

Jumlah perlakukan pelatihan menggunakan 2000, 4000, 6000, 8000, dan 10000 iterasi dari setiap analisis pada
hidden node tersebut. Sistem ANN menggunakan fungsi aktivasi sigmoid yang dapat menyeimbangkan antara sifat
linear dan non – linear. Learning rule yang digunakan pada penelitian ini adalah backpropagation.

4. Pengujian dan Analisis

4.1 Analisis Akurasi

Tingkat akurasi dalam memprediksi kadar hemoglobin menjadi salah satu parameter yang penting untuk
mengetahui performansi sistem. Sistem JST yang digunakan untuk melatih sistem memerlukan target pelatihan.
Target pelatihan yaitu kadar hemoglobin yang diukur secara invasive. Target pelatihan merupakan kadar hemoglobin.
Proses pelatihan sistem JST memiliki beberapa parameter pelatihan yang akan diuji pada pembahasan. Parameter
yang diuji dalam pelatihan yaitu dengan mengubah epoch sistem dengan jumlah iterasi 2000, 4000, 6000, 8000, dan
10000. Selain parameter epoch, jumlah hidden node juga akan diubah untuk mencari performansi terbaik. Hidden
node akan diubah dari 3 sampai dengan 11 hidden node. Sedangkan data target akan sebagai output node dan nilai
sensor akan sebagai input node pada sistem pelatihan. Setiap percobaan pada hidden node akan dilatih dengan setiap
epoch. Sehingga total percobaan sistem JST sebanyak 40 sistem dengan ditinjau pada ketiga jari. Dari setiap masing –
masing sistem akan dihitung rata – rata dari setiap pengujian. Berikut grafik rata – rata tingkat akurasi sistem yang
didapat dari setiap parameter yang diubah.

Jari Telunjuk
92%
2000
Akurasi

90%
4000
88%
6000
86%
8000
3 4 5 6 7 8 9 10 11
10000
Hidden Nodes

Gambar 8 Grafik akurasi jari telunjuk

Dari gambar 8 didapat tingkat akurasi sistem tertinggi pada jari telunjuk yaitu 90.89% dengan parameter 6 hidden
node dan epoch 6000. Secara keseluruhan sistem rata – rata akurasi pada jari telunjuk memiliki nilai 89.56%.

Jari Tengah
93%
90% 2000
Akurasi

88%
85% 4000
83% 6000
80%
8000
3 4 5 6 7 8 9 10 11
10000
Hidden Nodes

Gambar 9 Grafik akurasi jari tengah

Dari gambar 8 tingkat akurasi pada jari tengah dengan parameter pengujian menggunakan berbagai jumlah hidden
node dan epoch, diperoleh tingkat akurasi tertinggi sebesar 90.40%. Akurasi tertinggi tersebut diperoleh dari sistem
dengan 10 hidden node dan 10000 epoch. Sistem JST yang digunakan pada jari tengah mendapat tingkat akurasi
sebesar 88.66%.

Jari Manis
94%
91%
88% 2000
Akurasi
85%
82% 4000
79%
76% 6000
73%
70% 8000
3 4 5 6 7 8 9 10 11 10000
Hidden Nodes

Gambar 10 Grafik akurasi jari manis

Dari gambar 4.4 akurasi tertinggi sistem didapat dengan parameter 3 hidden node dan 10000 epoch. Nilai Akurasi
tertinggi pada sistem tersebut sebesar 90.56%. Rata – rata dari keseluruhan sistem pada jari manis memiliki tingkat
akurasi sebesar 88.37%.
Pengukuran tingkat akurasi pada sistem menunjukan sistem terbaik berada pada jari telunjuk. Hasil sistem terbaik
pada jari telunjuk tersebut diperoleh karena anjuran pemakaian sensor tersebut pada jari telunjuk. Tetapi pemakaian
pada jari lain juga dapat dilakukan apabila menggunakan parameter sistem JST yang sesuai. Tingkat akurasi yang
diperoleh untuk pengujian dari 3 jari menggunakan sistem JST memiliki selisih tingkat akurasi yang tidak terlalu
besar. Sehinnga sistem JST dapat digunakan untuk memprediksi kadar hemoglobin.

4.2 Analisis Selisih Nilai

Hasil dari perhitungan setiap sistem kemudian dicari selisih nilai terkecil dan selisih nilai terbesar dari pengujian
setiap parameter sistem JST. Selisih nilai terkecil dari perhitungan akan digunakan untuk mengetahui ketilitian sistem
JST dalam memprediksi kadar hemoglobin. Nilai tersebut akan digunakan untuk mengetahui batas kesalahan dari
sistem. Perhitungan akan digunakan untuk setiap data pengujian. Kemudian dari data pengujian tersebut dicari cari
nilai tertinggi dan nilai teendahnya. Tabel 1 merupakan hasil selisih minimum untuk setiap pengamatan pada jari
telunjuk.
Tabel 1 Selisih terkecil pada jari telunjuk Tabel 2 Selesih terbesar pada jari telunjuk
Epoch Epoch
2000 4000 6000 8000 10000 2000 4000 6000 8000 10000
3 0.0422 0.0073 0.0351 0.1556 0.0760 3 3.1424 2.6926 3.2133 2.6343 2.6239
4 31
0.0465 08
0.0143 52
0.0365 78
0.0267 12
0.0139 4 15
2.8965 92
3.1726 68
3.0002 88
3.0043 88
2.6860
5 5
0.0969 56
0.0131 42
0.0420 59
0.0010 12
0.0098 5 19
2.6789 44
2.9975 07
3.1423 11
3.1245 88
5.0984
6 34
0.1120 2
0.0174 23
0.1098 59
0.0268 62
0.2443 6 98
2.8301 45
3.6487 51
2.7841 77
3.8286 84
2.6455
Hidden 45
0.0781 43
0.0646 45
0.0830 68
0.0001 17
0.0092 Hidden 38
3.3388 56
3.6291 72
3.2857 52
3.8305 04
3.7946
7 7
Node 96 58 36 38 04 Node 24 67 51 11 68
8 0.0219 0.0524 0.0079 0.1000 0.0780 8 2.9238 3.8549 3.7959 2.6786 3.3356
9 32
0.1252 73
0.0765 37
0.0275 09
0.0071 69
0.0199 9 11
2.8306 93
3.3524 28
3.9357 82
3.3745 34
3.9119
1 69
0.1004 3
0.0239 08
0.0371 49
0.1183 23
0.1816 1 77
2.8957 07
3.9532 05
3.9692 49
4.4110 94
2.8339
01 87
0.0067 59
0.0601 9
0.0592 48
0.1059 56
0.0623 01 05
3.6159 63
3.9803 73
5.0080 44
3.3573 92
3.9565
1 49 42 17 3 14 1 56 25 65 92 82
Tabel 1 menunjukan hasil nilai selisih terkecil pada jari telunjuk dari berbagai hidden node dan epoch pelatihan.
Sistem pada jari telunjuk yang memiliki tingkat akurasi tertinggi yaitu pada 6 hidden node dengan 6000 epoch.
Sistem tersebut memiliki selisih terkecil dari kadar hemoglobin dengan prediksi hemoglobin sebesar 0.1098. Nilai
tersebut bukanlah selisih minimum terkecil dari pengamatan pada jari telunjuk. Hal tersebut menunjukan sistem yang
digunakan bukanlah yang paling presisi tetapi jika dibandingkan dengan akurasi keseluruhan data pengujian sistem
tersebut tetap memiliki performansi yang handal. Nilai selisih terkecil ditinjau dari pengujian menggunakan jari
telunjuk yaitu sebesar 0.0001, pada sistem JST yang menggunakan 7 hidden node dengan epoch pelatihan sebesar
8000. Tingkat akurasi pada sistem tersebut sebesar 89.16%, nilai tersebut cukup jauh dari tingkat akurasi terbaik
sebesar 90.86%. Sehingga sistem JST pada jari telunjuk dengan 6 hidden node dan 6000 epoch masih dapat
digunakan dalam memprediksi kadar hemoglobin, walaupun nilai selisih terkecil hanya sebesar 0.1098.
Selain ditinjau dari nilai selisih terkecil, pengamatan pada nilai selisih terbesar juga perlu diperhatikan untuk
mengetahui tingkat kesalahan sistem. Nilai selisih terbesar dapat dilihat pada tabel 2. Tabel 2 masih meninjau dari
pengukuran menggunakan jari telunjuk.
Berdasarkan hasil yang diperoleh pada tabel 2 sistem dengan 6 hidden node dan 6000 epoch memiliki nilai selisih
terbesar yaitu 2.7847. Nilai terendah pada tabel 2 yaitu sebesar 2.6239 dengan parameter sistem 3 hidden node dan
10000 epoch saat pelatihan sistem JST. Tingkat akurasi yang didapat pada sistem 3 hidden node dan 10000 epoch
 yaitu sebesar 89.58%. Jika dibandingkan dengan nilai akurasi tertinggi yaitu 90.86% dan ditinjau dari selisih terbesar,
maka sistem dengan 6 hidden node dengan 6000 epoch masih mendapatkan nilai performansi yang cukup baik karena
apabila ditinjau dari sistem yang diuji pada jari telunjuk pada nilai selisih terbesar tidak memiliki perbedaan yang
terlalu signifikan.
Secara keseluruhan sistem JST yang diamati dari selisih antara kadar hemoglobin dan hasil prediksi kadar
hemoglobin memiliki variasi data yang fluktuatif. Tingkat akurasi pada sistem JST yang digunakan juga
mempengaruhi selisih yang akan diperoleh. Menggunakan sistem pengukuran pada jari telunjuk dengan parameter 6
hidden node dan 6000 epoch memperoleh nilai selisih terkecil sebesar 0.109845 dan nilai selisih terbesar sebesar
2.784172. Walaupun nilai selisih tersebut bukanlah yang terbaik dalam pengamatan akan tetapi akurasi sistem dengan
6 hidden node dan 6000 epoch pada jari telunjuk memiliki tingkat akurasi tertinggi yaitu 90.86%. Akurasi yang
didapat tidak hanya diperoleh dari selisih nilai terbaik saja akan tetapi diamati dari setiap pengukuran pada sistem
JST. Sehingga sistem pada jari telunjuk dengan parameter 6 hidden node dan 6000 epoch memiliki tingkat kesalahan
terbesar ± 2.7841 dan tingkat kesalahan terkecil sebesar ± 0.1098.

5. Kesimpulan dan Saran

5.1 Kesimpulan

Dari hasil pengujian dan analisis yang telah dilakukan pada sistem pengukuran kadar hemoglobin berbasis
arduino, dapat diambil kesimpulan sebagai berikut.
1. Perancangan dan implementasi telah berhasil dilakukan menggunakan sensor pulse oxymeter dan arduino
untuk akuisisi data dengan sistem prediksi hemoglobin yang dilakukan pada android menggunakan algoritma
JST.
2. Hasil kinerja pengujian alat dalam melakukan pengukuran yang diprediksi menggunakan algoritma JST
mendapat tingkat akurasi tertinggi sebesar 90.86%.
3. Hidden node dan epoch pada sistem JST memberikan pengaruh terhadap akurasi dalam memprediksi kadar
hemoglobin, begitu pula pengaruh dari sensor pulse oxymeter apabila digunakan pada jari pengujian.

5.2 Saran

Saran untuk pengembangan alat ukur kadar hemoglobin secara non – invasive adalah sebagai berikut.
1. Nilai keluaran sensor dirancang lebih stabil dalam perangkaian hardware.
2. Sistem jaringan saraf tiruan yang digunakan memerlukan lebih banyak jumlah data untuk digunakan sebagai
pelatihan dan pengujian sistem.
3. Kadar hemoglobin dalam sistem jaringan saraf tiruan yang diteliti perlu lebih variatif.
4. Penentuan kadar hemoglobin dapat menggunakan metode lain untuk meningkatkan akurasi sistem atau
konfigurasi sistem JST yang berbeda.

Daftar Pustaka
[1] Brenda Desai and Uttam Chaskar, "Comparison of optical sensors for non-invasive hemoglobin measurment," in
International Conference on Electrical, Electronics, and Optimization Techniques, 2016.
[2] Pricilia Yelana Mallo, Sherwin A Sophie, Benefit S Narasiang, and Bahrun , "Rancang Bangun Alat Ukur Kadar
Hemoglobin dan Oksigen Dalam Darah dengan Sensor Oximeter Secara Non-Invasive," , Manado, 2012.
[3] R Beresford and S Kustrin Agatonovic, "Basic Concept of Artificial Neural Network (ANN) Modeling and Its
Aplicatioon in Pharmaceutical research," Journal of Pharmaceutical and Biomedical Analysis, vol. 22, pp. 717 -
727, October 1999.
[4] Hongwei Yuan, Gabriel Leen, and Elfed Lewis, "Effect of Autonomic Nervous System on the Quality of Non-
Invasive Blood Diagnosis by PPG-based Sensor System," , Limerick, 2015.
[5] Raid Saleem Al-Baradie and Anandh Sam Chandra Bose, "Portable Smart Non-Invasive Hemoglobin Measurement
System," in System, Signal, and Devices, Hammamet, 2013.
[6] K Budidha, T Y Abay, and P A Kyriacou, "Investigation of Photoplethysmography, Laser Doppler Flowmetry and
Near Infrared Spectroscopy during induced thermal stress," 2015.