SISTEM DETEKSI PARAMETER FISIK-KIMIA URIN BERBASIS INTERNET OF THINGS DAN MACHINE LEARNING UNTUK SKRINING AWAL RISIKO DIABETES SECARA NON-INVASIF=INTERNET OF THINGS AND MACHINE LEARNING-BASED URINE PHYSICAL-CHEMICAL PARAMETER DETECTION SYSTEM FOR NON-INVASIVE EARLY SCREENING OF DIABETES RISK

Latar Belakang. Diabetes menjadi salah satu penyakit kronis paling serius dengan prevalensi terus meningkat, namun metode diagnosis konvensional masih menghadapi keterbatasan seperti prosedur invasif dan ketergantungan pada infrastruktur laboratorium. Tujuan. Penelitian ini bertujuan merancang sistem deteksi parameter fisik-kimia urin berbasis Internet of Things (IoT) dan machine learning sebagai metode skrining awal risiko diabetes secara non-invasif. Metode. Sistem mengintegrasikan sensor pH 4502C, sensor kekeruhan SEN-0175, dan sensor warna TCS3200 yang terhubung dengan Arduino Uno dan ESP32 untuk akuisisi dan transmisi data secara real-time ke platform Blynk serta server prediksi. Model Random Forest (RF) dikembangkan menggunakan 1.827 data parameter pH, kekeruhan, dan warna RGB. Hasil. Kalibrasi sensor menunjukkan kinerja sangat baik dengan nilai R² > 0,999 untuk seluruh sensor. Pengujian Quality of Service (QoS) menghasilkan rata-rata delay 159,45 ms (indoor) dan 143,92 ms (outdoor), jitter 13,16 ms (indoor) dan 21,19 ms (outdoor), serta packet loss 14,84% (indoor) dan 18,65% (outdoor) yang masih dalam batas toleransi aplikasi kesehatan real-time. Evaluasi model pada data uji menghasilkan akurasi 94% dengan AUC 0,92 dan AP 0,89. Pengujian pada 25 sampel urin menunjukkan akurasi sistem 88% dengan nilai presisi 0,93 dan recall 0,88 untuk kelas normal, serta presisi 0,80 dan recall 0,89 untuk kelas risiko diabetes. Kesimpulan. Penelitian ini berhasil merancang sistem deteksi parameter fisik-kimia urin berbasis IoT dan machine learning yang mampu melakukan pengukuran secara akurat dan real-time dengan kinerja sensor sangat baik serta kualitas layanan komunikasi data yang memadai. Sistem berpotensi dikembangkan sebagai alat skrining awal risiko diabetes non-invasif, portabel, dan terjangkau, khususnya di daerah dengan akses terbatas terhadap fasilitas laboratorium.