EKSPLORASI PRE-PROCESSING SPEKTROSKOPI VIS UNTUK REGRESI DEEP LEARNING DALAM PENGUKURAN ASAM URAT NON-INVASIF

Metode invasif pengambilan sampel darah dapat menyebabkan nyeri ringan atau kecemasan bagi pasien. Perangkat non-invasif yang dikembangkan memiliki kemungkinan pergeseran atau kesalahan penempatan posisi jari dan menghasilkan noise pada data. Erick et al melakukan penelitian dengan mengekstraksi fitur dari Photoplethysmogram untuk memperkirakan kolesterol darah. Namun, penelitian tersebut hanya berfokus pada perhitungan estimasi nilai kolesterol. Penelitian ini dilakukan untuk mendapatkan wawasan terkait kemungkinan adanya pengaruh pemrosesan data pada data spektroskopi VIS. Dilakukan penelitian preprocessing pada dataset spektroskopi VIS menggunakan konversi nilai, transpose dan CTGAN sebagai metode augmentasi data berbasis sampling. Setelah keempat metode dilakukan training terpisah, diketahui bahwa ukuran dataset baik jumlah fitur maupun jumlah sampel, memberikan dampak signifikan terhadap model deep learning, terutama hubungan antara label dengan fitur. Meskipun metode Transpose memberikan skor R2 tertinggi 0.123 dengan MAE 1.03 pada model CNN-1D dibandingkan dengan model MLP yang menghasilkan skor R2 0.122 dan model LSTM yang menghasilkan koefisien R2 0.026 sehingga akurasi prediksi asam urat masih belum mencapai tingkat klinis.