NASKAH TUGAS
TAHUN AKADEMIK 2022/2023
Abstrak
Penelitian ini membahas tentang implementasi Artificial Intelligence (AI) dalam pengembangan sistem pemantauan kesehatan
berbasis Internet of Things (IoT) pada pasien diabetes. Sistem yang dikembangkan dapat melakukan pemantauan dan
pengambilan keputusan secara otomatis berdasarkan data glukosa darah, aktivitas fisik, dan pola makan pasien. Selain itu,
sistem ini juga dapat memberikan rekomendasi pengobatan yang tepat waktu dan akurat untuk pasien diabetes, sehingga dapat
meningkatkan kualitas hidup pasien dan mengurangi risiko komplikasi yang terkait dengan diabetes. Data ini kemudian
dikirim ke platform cloud yang diperkuat dengan kecerdasan buatan untuk analisis dan pemantauan. Melalui algoritma
pembelajaran mesin, sistem dapat mengidentifikasi pola dan tren dalam data pasien, menghasilkan prediksi risiko, dan
memberikan rekomendasi pengobatan yang disesuaikan secara personal. Implementasi AI dalam sistem pemantauan kesehatan
diabetes berbasis IoT ini diharapkan dapat meningkatkan pengawasan pasien, mendeteksi perubahan kesehatan yang
berpotensi berbahaya, serta meningkatkan efisiensi pengobatan dan perawatan pasien diabetes secara keseluruhan.
Kata kunci: Artificial intelligence, internet of things, platform cloud, glukosa, algoritma pembelajaran mesin
This research discusses the implementation of Artificial Intelligence (AI) in the development of an Internet of Things (IoT)-
based health monitoring system for diabetic patients. The developed system can perform automatic monitoring and decision-
making based on the patient's blood glucose, physical activity, and diet data. In addition, the system can also provide timely
and accurate treatment recommendations for diabetic patients, thereby improving patients' quality of life and reducing the risk
of complications associated with diabetes. This data is then sent to an artificial intelligence-powered cloud platform for
analysis and monitoring. Through machine learning algorithms, the system can identify patterns and trends in patient data,
generate risk predictions, and provide personalized treatment recommendations. The implementation of AI in this IoT-based
diabetes health monitoring system is expected to improve patient surveillance, detect potentially dangerous health changes,
and increase the overall efficiency of treatment and care for diabetes patients.
Keywords: Artificial intelligence, internet of things, cloud platform, glucose, machine learning algorithms
1. PENDAHULUAN
Diabetes adalah penyakit serius yang memerlukan perawatan diri tertentu dan tindak lanjut yang lebih baik agar dapat
dikendalikan. Menurut laporan global tentang diabetes, yang dilakukan oleh Organisasi Kesehatan Dunia, 422 juta orang di
https://doi.org/10.37859/coscitech.vxix.xxxx 1
Jurnal Computer Science and Information Technology (CoSciTech) Vol. x, No. x, Agustus 2022, hal. x-x
dunia menderita diabetes pada tahun 2014 dengan prevalensi 8,5% pada populasi orang dewasa, dibandingkan dengan 4,7%
pada tahun 1980. Pada tahun 2012, 1,5 juta kematian terjadi. disebabkan oleh diabetes dan 2,2 juta kematian akibat glukosa
darah tinggi. 43% dari kematian ini terjadi sebelum usia 70 tahun. Seiring waktu, diabetes yang tidak terkontrol dapat
menyebabkan beberapa tahun dan komplikasi kesehatan yang serius seperti penyakit jantung, gagal ginjal, masalah
penglihatan, amputasi, kerusakan saraf dan pembuluh darah. Pasien harus menganggap serius diabetes dengan mengikuti
rencana perawatan yang baik dan menerapkan gaya hidup yang memadai. Ini agar tetap sehat dan mencegah komplikasi
diabetes jangka pendek dan jangka panjang. Selain itu, untuk minum obat dan mengikuti rencana makan diabetes, pasien harus
memeriksa berat badan, tekanan darah, dan gula darah secara teratur. Pengukuran ini harus dicatat dan dibagikan dengan tim
medis untuk memastikan perawatan kolaboratif.
Dalam penelitian ini, kami menginvestigasi implementasi AI dalam pengembangan sistem pemantauan kesehatan berbasis IoT
pada pasien diabetes, dengan tujuan untuk meningkatkan kualitas hidup pasien dan mengurangi risiko komplikasi yang terkait
dengan diabetes. Penelitian ini diharapkan dapat memberikan wawasan baru dalam pengembangan sistem pemantauan
kesehatan yang lebih canggih dan berbasis teknologi untuk pasien diabetes.
Penggunaan Internet of Things, terutama perangkat medis, perangkat yang dapat dikenakan, dan sensor, akan meningkatkan
perawatan diabetes dengan mengumpulkan catatan kesehatan secara otomatis, seperti tekanan darah dan kadar glukosa secara
teratur. Ini juga akan membantu pasien untuk berbagi data dan berinteraksi dengan dokter mereka secara real-time dan
kemudian memungkinkan mereka untuk melacak informasi diabetes. Berbagai aplikasi dan platform layanan kesehatan telah
diusulkan untuk pemantauan pasien, manajemen layanan kesehatan, dan diabetes sistem kesehatan dengan menggunakan IoT
[1] [2] [3].
Teknologi IoT semakin banyak diterapkan di domain seperti kota pintar, rantai pasokan, dan perawatan kesehatan [2] untuk
memungkinkan pengambilan keputusan yang lebih baik dan untuk meningkatkan keselamatan dan produktivitas. Misalnya,
IoT mendorong evolusi perawatan kesehatan, memberikan banyak peluang kesehatan cerdas dari pemantauan statistik
kesehatan jarak jauh hingga manajemen mandiri kondisi kronis [1], [3].
Karena perangkat seluler dan dapat dipakai pribadi, serta sensor pintar (seperti sensor gerak untuk pelacakan aktivitas dan
biosensor implan untuk pemantauan penyakit kronis [4] menjadi ada di mana-mana dan diadopsi dalam domain perawatan
kesehatan, berbagai jenis data terkait dengan status kesehatan individu (seperti detak jantung, jumlah langkah, pola makan, dan
perilaku psikososial) lebih mudah diakses dari sebelumnya dalam bentuk aplikasi berbasis IoT [3]. Ketika aplikasi ini
terintegrasi dengan layanan cloud computing, pengumpulan data heterogen menjadi layak untuk dianalisis dan untuk
mengomunikasikan wawasan yang diperoleh dari hasil analitik kembali ke pengguna akhir, seperti pasien dan profesional
perawatan kesehatan. Akibatnya, aplikasi perawatan kesehatan berbasis IoT memberikan wawasan tentang opsi perawatan
khusus untuk individu atau kelompok dengan sifat serupa, yang mengarah pada biaya perawatan yang lebih rendah dan
manajemen penyakit yang lebih baik.
2. METODE PENELITIAN
Penelitian ini dilakukan dengan menggunakan pendekatan kualitatif dan kuantitatif. Data diperoleh dari pasien diabetes yang
menggunakan sistem pemantauan kesehatan berbasis IoT yang telah diimplementasikan dengan teknologi AI. Data yang
dikumpulkan meliputi data glukosa darah, aktivitas fisik, pola makan pasien, dan data lain yang relevan. Data tersebut
dianalisis dengan menggunakan teknik Machine Learning dan Algoritma Neural Network untuk menghasilkan rekomendasi
pengobatan yang tepat waktu dan akurat untuk pasien diabetes. Tahapan – tahapan penelitian digambarkan sebagai berikut :
https://doi.org/10.37859/coscitech.vxix.xxxx
Jurnal Computer Science and Information Technology (CoSciTech) Vol. x, No. x, Agustus 2022, hal. x-x
Skrining retina otomatis. Algoritme pembelajaran mendalam telah dikembangkan untuk mengotomatiskan diagnosis retinopati
diabetic[4]. Skrining retina berbasis AI merupakan metode yang layak, akurat, dan diterima dengan baik untuk mendeteksi dan
memantau retinopati diabetik. Sensitivitas dan spesifisitas yang tinggi, masing-masing sebesar 92,3% dan 93,7%, telah
dilaporkan untuk skrining retina otomatis. Kepuasan pasien terhadap skrining otomatis juga tinggi, dengan 96% pasien
menyatakan puas atau sangat puas dengan metode ini[5]. Jaringan syaraf tiruan (CNN) telah dilatih pada kumpulan data
terbatas untuk menghasilkan peta probabilitas spesifik lesi untuk perdarahan, mikroaneurisma, eksudat, neovaskularisasi, dan
tampilan normal pada retina[6].
Dukungan keputusan klinis. Alat bantu pendukung keputusan klinis berbasis pembelajaran mesin yang diawasi telah
dikembangkan untuk memprediksi respons HbA1c jangka pendek dan jangka panjang setelah inisiasi insulin pada pasien
diabetes mellitus tipe 2. Alat-alat ini juga membantu mengidentifikasi variabel klinis yang dapat memengaruhi respons HbA1c
pasien. Model linear umum berbasis regularisasi bersih elastis berdasarkan HbA1c awal dan perkiraan laju filtrasi glomerulus
dilaporkan dapat memprediksi respons HbA1c setelah inisiasi insulin secara andal. Area di bawah kurva (AUC) masing-
masing sebesar 0,80 (interval kepercayaan 95% [CI] 0,78-0,83) dan 0,81 (95% CI 0,79-0,84), dilaporkan untuk jangka pendek.
dan jangka panjang. respons HbA1c jangka panjang[7].
Pembelajaran mesin telah digunakan untuk mengembangkan pendekatan intuitif untuk menyesuaikan intervensi dalam
kepatuhan minum obat dan memprediksi risiko rawat inap pada diabetes. Dalam sebuah studi kohort retrospektif (n =
33.130), pembelajaran mesin menghasilkan ambang batas kepatuhan sebesar 46% hingga 94% sebagai ambang batas yang
paling tidak sesuai untuk risiko rawat inap dengan semua penyebab. Studi ini mengkonfirmasi variabilitas ambang batas
kepatuhan prediktif sesuai dengan karakteristik pasien dan kompleksitas obat[8].
2.1. Identifikasi Masalah
Identifikasi Masalah merupakan langkah awal yang dilakukan untuk memperoleh dan menentukan topik penelitian yang akan
diteliti lebih lanjut. Setelah melakukan analisis, terdapat beberapa identifikasi masalah terkait implementasi AI dalam
pengembangan sistem pemantauan kesehatan berbasis IoT pada pasien diabetes, di antaranya:
Keterbatasan data yang tersedia
AI membutuhkan data yang cukup untuk dapat memberikan hasil yang akurat. Namun, dalam pengembangan sistem
pemantauan kesehatan berbasis IoT pada pasien diabetes, terdapat keterbatasan data yang tersedia, terutama pada pasien
yang jumlahnya masih sedikit.
Keamanan data
Dalam pengumpulan dan pengolahan data kesehatan pasien, perlu diperhatikan keamanan data agar tidak disalahgunakan
atau disalahgunakan oleh pihak yang tidak berwenang.
Ketergantungan pada teknologi
Implementasi AI membutuhkan teknologi yang canggih dan terbaru, sehingga dapat menimbulkan ketergantungan pada
teknologi tersebut dan biaya yang tinggi untuk pengembangan sistem.
Keterbatasan kemampuan AI
Meskipun AI dapat memberikan hasil yang akurat, namun masih terdapat keterbatasan pada kemampuan AI dalam
mengenali gejala dan kondisi pasien diabetes yang kompleks dan bervariasi.
https://doi.org/10.37859/coscitech.vxix.xxxx
Jurnal Computer Science and Information Technology (CoSciTech) Vol. x, No. x, Agustus 2022, hal. x-x
penginderaan harus mengirim informasi yang diindera ke lapisan tempat penyimpanan dan lapisan kedua tempat pemrosesan
informasi. mHealth tidak rumit dan mudah dinavigasi; mHealth dapat digunakan dengan protokol interaksi berbasis BLE,
ANT, Zigbee, NFC, atau Wi-Fi.
https://doi.org/10.37859/coscitech.vxix.xxxx
Jurnal Computer Science and Information Technology (CoSciTech) Vol. x, No. x, Agustus 2022, hal. x-x
mengirimkan kunci dekripsi yang dienkripsi dengan kunci publik pihak yang berwenang. Dengan demikian untuk mengakses
data, pihak yang berwenang akan mendekripsi pesan dengan kunci privatnya untuk mendapatkan kunci dekripsi.
2.5 Transaksi
Setiap dokter akan menambah dan mendaftarkan pasiennya di Blockchain dengan membuat kode QR untuk masing-masing
pasien. Kode QR ini akan berisi alamat Ethereum dokter dan informasi jaringan Blockchain. Setelah pasien terdaftar di
Blockchain, dia akan dapat melakukan berbagai transaksi atau tindakan; tambahkan/hapus perangkat, berikan/cabut izin ke
node lain, tentukan kebijakan, akses ke datanya dan tampilkan beberapa ringkasan atau dasbor. DApp kami akan memicu
kontrak pintar untuk meluncurkan transaksi ini dan menyimpannya di Blockchain untuk ketertelusuran. Pasien akan
ditambahkan dan didaftarkan di Blockchain oleh dokternya.
2.6 Pemantauan jarak jauh dalam perawatan kesehatan di rumah
IoT adalah kelas komputer yang memiliki sensor jarak jauh, pengontrol mikro, dan transceiver. IoT menganggap perawatan
kesehatan sangat penting bagi manusia untuk memantau, mengelola, mendeteksi, dan merespons informasi yang diterima dari
sistem dan secara efisien meminimalkan pengeluaran perawatan kesehatan. Pemantauan jarak jauh telehealth sebagian besar
telah diterapkan di negara-negara progresif seperti Amerika Serikat selama 5 tahun terakhir. Tren ini disebabkan oleh
meningkatnya kepercayaan terhadap efek perawatan kesehatan jarak jauh dalam meningkatkan kesehatan pasien. Informasi
tambahan dikumpulkan untuk memahami demografi, pengobatan yang sedang berlangsung, dukungan sosial, dan status klinis.
Penelitian ini bertujuan untuk membandingkan apakah hasil dari pemantauan kesehatan jarak jauh terhadap perbaikan pasien
memiliki perbedaan dengan pasien yang dirawat di rumah sakit dengan menggunakan kelompok kontrol yang sepenuhnya
serupa dengan kelompok aktif, tetapi tanpa pemantauan jarak jauh. Penelitian ini menemukan penurunan yang cukup besar
dalam tingkat rawat inap (sebuah bukti keampuhan pemantauan jarak jauh sebagai pengganti rawat inap). Terlepas dari
diagnosisnya, kelompok kontrol memiliki 45,5% rawat inap dibandingkan dengan 35,6% pasien yang melakukan pemantauan
kesehatan jarak jauh (Rosati, 2009). Studi ini juga menemukan penurunan yang signifikan dalam kunjungan keperawatan per
minggu untuk pasien yang melakukan pemantauan jarak jauh dibandingkan dengan kelompok kontrol.
2.7 Aplikasi perawatan kesehatan IoT
Komponen tambahan lainnya dalam layanan IoT adalah pemantauan aplikasi IoT secara dekat . Penelitian baru telah dilakukan
untuk mengembangkan kerangka kerja untuk sistem perawatan kesehatan yang menyediakan berbagai macam aplikasi data
analitik untuk mengelola sumber data mulai dari EHR hingga foto medis. Meskipun tidak dapat dihindari bahwa
pengembangan aplikasi didasarkan pada layanan yang dibutuhkan. Dengan demikian, dapat dikatakan bahwa layanan
didasarkan pada apa yang ditawarkan oleh pengembang, sementara aplikasi dikembangkan sesuai dengan kebutuhan pengguna.
Metode ML divergen baru-baru ini telah digunakan dalam beberapa aplikasi terkait di berbagai bidang, seperti pengenalan
emosi pada teknologi fungsional, estimasi intensitas kecelakaan pada cedera parah, dan menilai pecandu alkohol secara efisien.
4. Kesimpulan
Mengontrol dan mengelola diabetes merupakan hal yang sangat penting yang dapat dilakukan dengan memantau informasi
kesehatan seperti kadar glukosa darah secara teratur. Untuk membuat proses itu otomatis, penggunaan perangkat IoT
diperlukan. Dengan cara ini pasien dapat memastikan pengumpulan informasi kesehatannya secara teratur dan dalam beberapa
kasus secara otomatis. Di sisi lain, informasi ini harus dibagikan dengan tim medis dengan cara yang aman dan cepat, sehingga
perlu menggunakan sistem yang aman. Dalam makalah ini, kami mengusulkan sebuah platform berdasarkan kombinasi IoT
dan Blockchain untuk mengumpulkan data kesehatan dan membagikannya dengan entitas kesehatan untuk mendapatkan
perawatan cerdas harian. Dalam proposisi kami, kami fokus pada privasi pasien dan keamanan antara perangkat pasien untuk
melindungi perangkat jahat. Kami memilih bukti otoritas sebagai algoritme konsensus untuk sistem yang lebih cepat dan lebih
murah dalam hal energi dan waktu. Dalam makalah ini, kami menyajikan gambaran global dari pendekatan kami. Saat ini,
kami sedang mengerjakan pembuatan konsep rinci untuk setiap komponen sistem kami. Langkah selanjutnya adalah
mengimplementasikan sistem kami dengan memberikan bukti konsep untuk menunjukkan kelayakan pendekatan kami dan
untuk memverifikasi kinerjanya, kemudian menyarankan beberapa perbaikan jika diperlukan. Pekerjaan lain di masa depan
adalah penggunaan kecerdasan buatan untuk menganalisis perilaku node sehingga sistem dapat mengidentifikasi perilaku node
yang tidak normal secara real time.
https://doi.org/10.37859/coscitech.vxix.xxxx
Jurnal Computer Science and Information Technology (CoSciTech) Vol. x, No. x, Agustus 2022, hal. x-x
DAFTAR PUSTAKA
[1] MA Al-Taee, W. Al-Nuaimy, A. Al-Ataby, ZJ Muhsin, and SN Abood, “Platform kesehatan seluler untuk manajemen
diabetes berdasarkan internet-of-things,” dalam Teknologi Komputasi dan Teknik Listrik Terapan (AEECT), Konferensi
IEEE Jordan 2015 tentang. IEEE, 2015, hlm. 1-5.
[2] K. Darshan dan K. Anandakumar, “Sebuah tinjauan komprehensif tentang penggunaan internet of things (iot) dalam sistem
perawatan kesehatan,” dalam Emerging Research in Electronics, Computer Science and Technology (ICERECT),
Konferensi Internasional 2015 tentang. IEEE, 2015, hlm. 132–136.
[3] S. Deshkar, R. Thanseeh, dan VG Menon, “Sebuah tinjauan tentang system kesehatan berbasis iot untuk diabetes.” Jurnal
Internasional Ilmu Komputer dan Telekomunikasi, vol. 8, tidak. 1, hlm. 13–18, 2017.
[4] A. Azaria, A. Ekblaw, T. Vieira, dan A. Lippman, “Medrec: Menggunakan blockchain untuk akses data medis dan
manajemen izin,” dalam Open and Big Data (OBD), International Conference on. IEEE, 2016, hlm. 25–30.
[5] Aborokbah, M., S Al-Mutairi, A.S.-S. kota dan, 2018. Paradigma komputasi keputusan yang sadar akan konteks adaptif
untuk pemberian layanan kesehatan intensif di kota pintar - analisis kasus. Elsevier.
[6] Adame, T., Bel, A., Bellalta, B., Barcelo, J., Oliver, M., 2014. IEEE 802.11ah: Pendekatan Wi-Fi untuk Komunikasi M2M,
i e e e x p l o r e .ieee.org.
[7] Ahamed, F., Machine, F.F.-2018 I.C. pada, 2018. Menerapkan internet of things dan pembelajaran mesin untuk perawatan
kesehatan yang dipersonalisasi: Masalah dan tantangan. i e e e x p l o r e .ieee.org.
[8] Ahmad, R., Alsmadi, I., 2021. Pendekatan pembelajaran mesin untuk keamanan IoT: tinjauan literatur sistematis. Internet
Things 14, 100365. https://doi.org/ 10.1016/j.iot.2021.100365.
[9] Al-Hawari, F., Barham, H., 2019. Sistem meja bantuan berbasis pembelajaran mesin untuk manajemen layanan TI. J. King
Saud Univ. - Comput. Inf. Sci. https://doi.org/ 10.1016/j.jksuci.2019.04.001.
[10] Alamri, A., 2018. Ontologi Middleware untuk Integrasi Sistem Informasi Kesehatan IoT pada Sistem EHR. mdpi.com 7,
51. https://doi.org/10.3390/ computers7040051
[11] GBD 2017 Risk Factor Collaborators, "Penilaian risiko komparatif global, regional, dan nasional terhadap 84 risiko
perilaku, lingkungan dan pekerjaan, dan risiko metabolik atau kelompok risiko untuk 195 negara dan wilayah, 1990- 2017:
analisis sistematik untuk Beban Global Penyakit Stu," Lancet, vol. 392, pp. 1923-1994, 2018.
[12] X. Huang, V. Jagota, E. Espinoza-Muñoz, dan J. Flores- Albornoz, "Model prediksi titik panas turis berdasarkan algoritma
jaringan syaraf tiruan yang dioptimalkan," Jurnal Internasional Teknik dan Manajemen Jaminan Sistem, 2021.
[13] K. J. Foreman, N. Marquez, A. Dolgert dkk., "Memperkirakan harapan hidup, tahun-tahun kehidupan yang hilang, dan
kematian semua penyebab dan penyebab spesifik untuk 250 penyebab kematian: skenario referensi dan alternatif untuk
tahun 2016-40 untuk 195 negara dan wilayah," The Lancet, vol. 392, no. 10159, hlm. 2052-2090, 2018.
https://doi.org/10.37859/coscitech.vxix.xxxx