Pengembangan Aplikasi Web R Shiny untuk Visualisasi Interaktif Data Klinis Diabetes

Miftahus Sholihin; Putri Dina Sari; Isnaini Mahuda; Arief Rahman; Kinanthi Trah Asmaraningtyas; Dinda Dwi Anugrah Pertiwi; M. Fabian Reinhard Delano

doi:10.31004/riggs.v4i4.3807

Authors

Miftahus Sholihin Universitas Sultan Ageng Tirtayasa
Putri Dina Sari Universitas Sultan Ageng Tirtayasa
Isnaini Mahuda Universitas Sultan Ageng Tirtayasa
Arief Rahman Universitas Sultan Ageng Tirtayasa
Kinanthi Trah Asmaraningtyas Universitas Sultan Ageng Tirtayasa
Dinda Dwi Anugrah Pertiwi Universitas Sultan Ageng Tirtayasa
M. Fabian Reinhard Delano Universitas Sultan Ageng Tirtayasa

DOI:

https://doi.org/10.31004/riggs.v4i4.3807

Keywords:

Diabetes, Visualisasi Interaktif, R Shiny, Aplikasi web

Abstract

Peningkatan jumlah kasus diabetes dari tahun ke tahun menunjukkan perlunya pendekatan analitik yang lebih komprehensif untuk memahami berbagai faktor klinis yang berkontribusi terhadap timbulnya penyakit ini. Diabetes merupakan gangguan metabolik yang melibatkan sejumlah indikator yang saling berkaitan, seperti kadar glukosa, insulin, tekanan darah, ketebalan kulit, indeks massa tubuh, dan kecenderungan genetik. Kompleksitas hubungan antar variabel tersebut menuntut adanya alat analisis yang mampu menyajikan informasi secara lebih interaktif dan mudah dipahami. Penelitian ini mengembangkan aplikasi web berbasis R Shiny yang dirancang untuk menyajikan visualisasi data klinis diabetes secara dinamis. Aplikasi ini bertujuan untuk membantu pengguna memahami pola dan tren dalam data diabetes, sehingga mendukung pengambilan keputusan yang lebih baik dalam manajemen kesehatan. Selain itu, aplikasi ini juga memfasilitasi pengguna dalam mengeksplorasi pola distribusi dan hubungan antarfaktor melalui beragam jenis visualisasi, termasuk radar chart, heatmap, histogram, scatter plot, dan boxplot. Seluruh fitur dikembangkan untuk mendukung analisis eksploratif yang fleksibel, di mana pengguna dapat memilih sendiri variabel X dan Y guna menilai keterkaitan antar indikator klinis. Data yang digunakan bersumber dari Kaggle dan mencakup informasi diagnostik pasien perempuan keturunan Pima Indian berusia minimal 21 tahun. Hasil eksplorasi visual menunjukkan bahwa glukosa memiliki pengaruh paling kuat terhadap status diabetes, sementara BMI dan insulin juga muncul sebagai indikator penting lainnya. Aplikasi ini berkontribusi sebagai media eksplorasi data yang responsif, mudah diakses, serta potensial digunakan dalam penelitian, pembelajaran, maupun pengambilan keputusan awal terkait kesehatan masyarakat.

Downloads

Download data is not yet available.

References

J. Nie, C. R. Haft, A. Xia, and X. Wang, “AI-Powered Diabetes Precision Health: From Data to Action,” NEJM AI, 2025, doi: 10.1056/aip2500475.

I. E. Giese, M. H. Jensen, T. Kronborg, T. H. Søndergaard, and S. Hangaard, “Identifying Patterns in Long Term CGM and Insulin Data - An Explorative Study,” Stud Health Technol Inform, 2024, doi: 10.3233/shti240335.

B. Simon et al., “Data Collection Studies for the Better Understanding of Factors in Type 1 Diabetes Management,” 2024. doi: 10.1109/iccc62278.2024.10582945.

J. Rumbold, M. O’Kane, N. Philip, and B. K. Pierscionek, “Big Data and diabetes: the applications of Big Data for diabetes care now and in the future,” Diabetic Medicine, 2020, doi: 10.1111/DME.14044.

B. Arbiter, H. Look, L. McComb, and C. Snider, “Why Download Data: The Benefits and Challenges of More Diabetes Data,” Diabetes Spectrum, 2019, doi: 10.2337/DS18-0099.

S. Kalia and S. Ahmed, “IoT Based Continuous Glucose Monitoring: An Insight into Current Trends and Limitations,” 2023. doi: 10.1109/iccubea58933.2023.10392062.

J. Zivkovic, M. Mitter, D. Theodorou, J. Kober, W. Mueller-Hoffmann, and H. Mikulski, “Transitioning from SMBG to CGM in Combination with a mHealth App Improves Glycemic Control in People with Type 1 and Type 2 Diabetes,” Diabetes Technol Ther, 2024, doi: 10.1089/dia.2024.0169.

E.-A. Alarcón-Santos, L. G. Montané-Jiménez, and J.-G. Hernández-Calderón, “Data Visualization to Support Diabetes Management: Systematic Literature Review,” 2024. doi: 10.1109/conisoft63288.2024.00040.

Y. Zhang, A. G. Parker, and C. Dunne, “Information Visualization for Diabetes Management: A Literature Review,” in International Conference on Pervasive Computing, 2020. doi: 10.1145/3421937.3421957.

Z. Zulkifli, S. Wahyuningsih, A. I. H. Putri, T. H. Andika, P. Bintoro, and M. Pratiwi, “Implementation of a Diabetes Status Prediction Application Using a Machine Learning Algorithm Approach,” 2024. doi: 10.1109/icimtech63123.2024.10780853.

Y. Duan, “Research on Influencing Factors that may Lead to Diabetes,” Advances in Economics, Management and Political Sciences, 2024, doi: 10.54254/2754-1169/2024.18599.

C. Teodorescu, A. Teodorescu, G. Gorecki, A. R. Popa, and A. E. Băetu, “Risk assessment of maternal and fetal complications using the severity score of the metabolic syndrome (MetS) in pregnant women,” Obstetrică Şi Ginecologie, 2022, doi: 10.26416/obsgin.70.2.2022.6673.

E. Wijaya, “Identification of Diabetes Mellitus Risk in Women using Random Forest,” vol. 3, no. 1, 2025, doi: 10.63017/jdsi.v3i1.95.

M. Yaikwawong, L. Jansarikit, S. Jirawatnotai, and S. Chuengsamarn, “Curcumin extract improves beta cell functions in obese patients with type 2 diabetes: a randomized controlled trial,” Nutr J, 2024, doi: 10.1186/s12937-024-01022-3.

M. Park, “Interactive Online Support for Shared Decision-Making in Chronic Disease Management,” Stud Health Technol Inform, 2025, doi: 10.3233/shti251313.

Y. F. Nurpratama, D. S. Y. Kartika, and R. Permatasari, “Implementasi Folium pada Hasil Klaster Diabetes Mellitus di Puskesmas Modopuro,” Jurnal Ilmiah Teknik Informatika Dan Komunikasi, vol. 3, no. 3, 2023, doi: 10.55606/juitik.v3i3.623.

P. Nabila, A. M. Siregar, S. Faisal, and A. R. Pratama, “Comparison of diabetes disease classification models using logistic regression and random forest algorithms,” Factor Exacta: Membangun Kreativitas Insan Ilmiah, vol. 17, no. 3, 2024, doi: 10.30998/faktorexacta.v17i3.24388.

A. Hesamzadeh, Z. Kashi, A. Bahar, M. Saeidi, A. Ramzani, and R. A. Mohamadpour Tahmtan, “The impact of okra on metabolic parameters in Type 2 diabetes patients: Results from a double-blind clinical trial,” Adv Integr Med, 2025, doi: 10.1016/j.aimed.2025.03.004.

B. Hartono and F. Fitriani, “Hubungan Indeks Massa Tubuh dengan Diabetes Melitus Tipe 2 di RSUD Dr. Adjidarmo Rangkasbitung Tahun 2016,” vol. 24, no. 68, 2019, doi: 10.36452/JKDOKTMEDITEK.V24I68.1697.

S. Trisnawati, “Faktor risiko diabetes mellitus tipe 2 pasien rawat jalan di Puskesmas Wilayah Kecamatan Denpasar Selatan,” Public Health and Preventive Medicine Archive, vol. 1, no. 1, 2013, doi: 10.15562/PHPMA.V1I1.164.

A. R. Thezo, “Diabetes Prediction Using Medical Variables: Analysis & Data Visualization,” Engineering Science Letter, vol. 3, no. 01, 2024, doi: 10.56741/esl.v3i01.472.

S. Chen, “Comparison of machine learning algorithms and feature visualization analysis for diabetes risk prediction,” in Journal of Physics, 2023. doi: 10.1088/1742-6596/2646/1/012013.

N. I. Shafira and J. M. Harits, “Pemodelan regresi binomial dengan inla: studi kasus faktor risiko penyakit diabetes,” Deleted Journal, 2025, doi: 10.62335/y0kc1c04.

S. Sepahi, M. Golfakhrabadi, S. Bonakdaran, H. Lotfi, and S. A. Mohajeri, “Effect of crocin on diabetic patients: A placebo-controlled, triple-blinded clinical trial,” Clin Nutr ESPEN, 2022, doi: 10.1016/j.clnesp.2022.05.006.

I. A. Liberty, P. Pariyana, E. Roflin, M. Aziz, and M. M. Fatima, “Peningkatan kesadaran akan skrining non-invasif risiko prediabetes pada komunitas usia produktif,” vol. 1, no. 2, 2020, doi: 10.32539/HUMMED.V1I2.18.

V. Vidyanto and A. Arifuddin, “Determinan peningkatan kadar gula darah pasien interna rumah sakit umum (rsu) anutapura palu,” vol. 5, no. 1, 2019, doi: 10.22487/HTJ.V5I1.114.

S. A. Lumadi and K. Sulaiman, “Penerapan penilaian faktor risiko diabetes melitus tipe 2 pada ibu hamil trimester 2 dan 3 application of type 2 diabetes mellitus risk factor tools at trimester 2 and 3 of pregnant women,” J Nurs Care, vol. 2, no. 1, 2017, doi: 10.32700/JNC.V2I1.22.

R. Wati, D. Dahliah, and F. Abdullah, “Faktor faktor yang mempengaruhi kejadian diabetes melitus gestasional,” Prepotif, vol. 8, no. 2, 2024, doi: 10.31004/prepotif.v8i2.28377.

S. Islam, M. Qaraqe, H. T. Abbas, M. Erraguntla, and M. A. Abdul-Ghani, “The Prediction of Diabetes Development: A Machine Learning Framework,” 2020. doi: 10.1109/MECBME47393.2020.9292043.