<![CDATA[Kadar gula darah dalam tubuh harus dijaga agar tidak melebihi batas normal glukosa atau gula darah pada tubuh manusia. Jika batas ini terlampaui maka dapat menyebabkan diabetes mellitus. Efek penyakit tersebut sangat membahayakan dan dapat menyebabkan komplikasi penyakit lainnya. Diabetes mellitus adalah salah satu penyakit kronis yang prevalensinya terus meningkat secara global. Diagnosis dini dan pengelolaan yang tepat dapat membantu meningkatkan prognosis (prediksi) pasien. Penelitian ini mengembangkan penggunaan electronic nose (hidung elektronik) menggunakan kumpulan sensor (larik sensor) yang berfungsi untuk mengumpulkan informasi mengenai gas yang sedang diuji yang terdiri dari sensor gas MQ136 dan TGS822, dengan pemroses berupa Arduino Mega Pro 2560 untuk skrining penyakit diabetes mellitus menggunakan metode K-Nearest Neighbor (KNN) dengan k = 5. Pelatihan model KNN menggunakan data latih dan menguji kinerja model menggunakan data uji yang terpisah. Data latih yang digunakan sebanyak 100 data, sedangkan data uji yang digunakan sebanyak 20 data. Perhitungan dengan menggunakan confusion matrix diperoleh presisi sebesar 100%, recall atau sensitivitas sebesar 80% dan akurasi sebesar 90%. Penelitian ini diharapkan akan memberikan kontribusi dalam pengembangan teknologi deteksi diabetes mellitus yang cepat, non-invasif, dan berpotensi digunakan dalam skrining awal. Abstract Blood sugar levels in the body must be maintained so that they do not exceed the normal limit for human blood glucose. If this limit is exceeded it can cause diabetes mellitus. The effects of this disease are very dangerous and can cause complications from other diseases. Diabetes mellitus is one of the chronic diseases whose prevalence continues to increase globally. Early diagnosis and proper management can help improve patient prognosis. This research develops the use of an electronic nose using a collection of gas sensors (sensor array) which functions to collect information about the gas being tested consisting of MQ136 and TGS822 gas sensors, with a processor in the form of an Arduino Mega Pro 2560 for screening diabetes mellitus using K-Nearest Neighbor (KNN) method with k = 5. The KNN model is trained using training data and the model's performance is tested using separate test data. A total of 100 training data were used, while 20 test data were employed. Calculations using the confusion matrix yielded a precision of 100%, a recall or sensitivity of 80%, and an accuracy of 90%. This research is expected to contribute to the development of fast, non-invasive diabetes mellitus detection technology that has the potential to be used in early screening.]]>
