Perancangan dan Evaluasi Sistem Antropometri Cerdas Berbasis Bioelectrical Impedance Analysis dan Kecerdasan Buatan Untuk Prediksi Risiko Penyakit Degeneratif
Abstrak
Meningkatnya prevalensi obesitas di Indonesia menuntut sistem pemantauan kesehatan lebih komprehensif. Indeks Massa Tubuh (IMT) sebagai standar memiliki keterbatasan fundamental karena tidak mampu membedakan massa lemak dan otot, sehingga kurang akurat untuk diagnosis individu. Penelitian ini merancang, membangun, dan mengevaluasi sistem ukur antropometri cerdas berbasis Bioelectrical Impedance Analysis (BIA) terintegrasi kecerdasan buatan, guna menyediakan penilaian risiko penyakit degeneratif yang lebih personal dan akurat. Sistem ini terdiri dari prototipe timbangan berbasis Arduino Mega yang mengintegrasikan sensor load cell, IR Sharp, rangkaian BIA, dan aplikasi Android ”SmartScale”. Evaluasi kinerja perangkat keras menunjukkan deviasi signifikan saat divalidasi dengan alat referensi (rata-rata error 12,9%), menyoroti sensitivitas metode BIA terhadap implementasi perangkat keras. Di sisi perangkat lunak, dari tiga model AI yang diuji, Deep Neural Network (DNN) menunjukkan performa prediktif terbaik dengan akurasi 88,75%, signifikan melampaui target penelitian 83%. Analisis signifikansi parameter SHAP turut memvalidasi relevansi klinis model dengan mengidentifikasi IMT dan kadar lemak sebagai prediktor paling dominan. Penelitian ini membuktikan kelayakan integrasi sistem ukur BIA dengan model prediksi AI akurasi tinggi, menawarkan pendekatan holistik sebagai alternatif unggul skrining konvensional.
Kata kunci— Antropometri, Bioelectrical Impedance Analy- sis, Kecerdasan Buatan, Deep Neural Network, Prediksi Kese- hatan, Sistem Tertanam
Referensi
UNICEF Indonesia, ”10 facts about overweight and obesity,” 2022. [Online]. Available: https://www.unicef.org/indonesia/media/21491/file/ 10%20facts%20about%20overweight%20and%20obesity
D. Khanna, C. Peltzer, and P. Kahar, ”Body Mass Index (BMI): A Screening Tool Analysis,” Cureus, vol. 14, no. 2, 2022, doi: 10.7759/cureus.22119.
M. S. Mialich, J. M. F. Sicchieri, and A. A. Junior, ”Analysis of Body Composition: A Critical Review of the Use of Bioelectrical Impedance Analysis,” International Journal of Clinical Nutrition, vol. 2, no. 1,
pp. 1-10, Jan. 2014.
G. Singhania, N. Maurya, P. Sharma, and R. Bhardwaj, ”Revolution- izing Disease Prediction with Deep Learning and Predictive Analysis,” International Journal for Research in Applied Science and Engineering Technology, vol. 12, no. 5, pp. 2571–2577,
May 2024.
S. Abbas, M. Iftikhar, M. M. Shah, and S. J. Khan, ”ChatGPT-Assisted Machine Learning for Chronic Disease Classification and Prediction: A Developmental and Validation Study,” Cureus, Dec. 2024, doi: 10.7759/cureus.75851.
N. S. Mohamad, B. Omar, H. H. Soe, M. A. A. Bakar, N. H. A. Rahim, and N. Othman, ”Stature Estimation Based on Foot Length and Foot Breadth in a Malaysian Population,” Journal of Agromedicine and Medical Sciences, vol. 8, no. 2, pp. 73–81, Aug. 2020.
M. N. Fadhlurrahman, ”Perancangan Alat Ukur Komposisi Tubuh den- gan Bioelectrical Impedance Analysis pada Timbangan Berat Badan,” Open Library Telkom University, 2024. [Online]. Available: https:// openlibrary.telkomuniversity.ac.id/home/catalog/id/2126 22/
L. Pˆıslaru-Da˘nescu, G. C. Za˘rnescu, G. Telipan, and V. Stoica, ”Design and Manufacturing of Equipment for Investigation of Low Frequency Bioimpedance,” Micromachines, vol. 13, no. 11, p. 1858, Oct. 2022.
T. M. Powell-Wiley et al., ”Obesity and Cardiovascular Disease: A Scientific Statement From the American Heart Association,” Circulation, vol. 143, no. 21, Apr. 2021.
J. R. Lewis and J. Sauro, ”The Factor Structure of the System Usability Scale,” in Human Centered Design, Berlin, Heidelberg: Springer, 2009,
pp. 94-103.
