Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKBauksit adalah suatu bahan mentah yang tersusun dari satu atau lebihmineral - mineral aluminium oksida terhidrasi dan pengotor-pengotornya yaitu :silika, oksida besi, titan serta unsur-unsur kecil lainnya.Titanium merupakan salahsatu pengotor yang terdapat dalam bauksit yang ditentukan kadarnya sebagai TiO2.Penetapan TiO2 dapat dilakukan dengan dua metode yaitu metode spektrofotometridengan alat spektrofotometer UV-VIS yang didasarkan pada : Garam Titan (IV)direaksikan dengan H3PO4 1 : 1 yang berfungsi sebagai pengasam, yang selanjutnyaakan membentuk garam kompleks berwarna kuning dengan pereaksi H2O2 3%,kepekatan warna larutan yang dihasilkan berbanding lurus dengan kadar Titandalam sampel. Dan metode X-Ray Flourescence Spektrometri dengan alat X-Rayyang didasarkan pada : ketika atom sampel di-iradiasi dengan foton sinar-x primer yang berenergi tinggi, elektron terlempar keluar dari orbit dalam bentukfotoelekron. Hal ini menyebabkan terbentuknya lubang elektron (hole) didalam satuatau lebih orbital, mengubah atau menjadi ion yang tidak stabil. Untukmengembalikan atom pada keadaan yang lebih stabil, lubang di orbital dalam harusdiisi dengan elektron dari orbital luar. Transisi seperti ini biasanya diikuti denganemisi energi dalam bentuk foton sinar X sekunder, jumlah foton sinar X sekunderbesarnya sebanding dengan konsentrasi unsur yang diukur. Pada analisis denganmetode spektrofotometri UV-VIS, diperoleh hasil yang cukup mendekati dengankadar sebenarnya, dimana diperoleh rata-rata kadar TiO2 sebesar 2,01% denganpersen kesalahan 2,98 % dan persen akurasi 97,11%. Pada analisis dengan metodeXRF spektrometri, diperoleh hasil yang sangat akurat dibandingkan dengan metodespektrofotometri UV-VIS. Hasil yang diperoleh untuk rata-rata kadar TiO2 adalah1,97%. Rata-rata persen kesalahan yang diperoleh yakni sebesar 1,18%. Sedangkanrata-rata persen akurasi sebesar 98,83%. Berdasarkan praktik dan pengolahan datayang telah dilakukan maka dapat disimpulkan dengan menggunakan alatspektrofotometer saja kadar TiO2 yang didapat tidak terlalu jauh juga dengan kadarsebenarnya, sehingga tidak perlu dilakukan analisis dengan alat X-Ray, mengingatjika dilihat dari segi ekonomis juga harga alat X-Ray jauh lebih mahal jikadibandingkan dengan harga alat spektrofotometer."

"ABSTRAKBauksit adalah batuan yang mempunyai komposisi utama oksidaAlumunium yaitu mineral Bochnit (Al2O3.3H2O) yang berwarna merah coklat.Dalam perkembangannya istilah Bauksit digunakan untuk batuan sediman yangmempunyai kadar Alumunium tinggi, kadar Besi rendah, tidak atau sedikitmengandung Kwarsa (SiO2) bebas. Dengan demikian Bauksit merupakan bahanyang heterogen, yang berupa mineral dengan susunan utama oksida Alumuniumdengan pengotor-pengotor seperti Silika, Oksida Besi, Oksida Titan serta unsurkecil lainnya.Titrimetri atau Volumetri adalah suatu cara analisis jumlah berdasarkanpengukuran volume larutan yang diketahui kepekatannya (konsentrasi) secarateliti dan direaksikan dengan larutan sampel yang akan ditetapkan kadarnya.Spektrofotometri XRF adalah suatu teknik analisis non-destruktif yangdigunakan untuk mengidentifikasi dan mengukur /menetapkan konsentrasi unsurunsuryang terdapat pada sampel padat, serbuk, dan cair.Kegiatan PKL ini bertujuan untuk mengetahui lebih rinci mengapa PT.Antam Tbk Unit Geomin lebih menyukai penggunaan metode titrasipermanganometri dibandingkan dengan metode X-Ray, bukan hanya itu saja yangakan dibahas dalam laporan ini, tetapi keunggulan dan kekurangan dari duametode yang diujikan, yakni metode titrasi permanganometri dan metode X-Ray.Dimana telah diketahui bahwa titrasi adalah metode yang sudah dikenal sejakdahulu sedangkan penggunaan metode x-ray ini dipilih karena metode inimerupakan metode yang relatif baru dikenal didunia, walaupun prinsipnya hampirmenyerupai prinsip kerja dari AAS.Dari hasil pengujian perbandingan kadar Fe2O3 dalam standart baksitdengan menggunakan metode titrasi dengan metode x-ray didapati bahwa metodetitrasi permanganometri memiliki tingkat keunggulan yang lebih dibandingkandengan metode X-Ray."

"Program iodisasi garam dengan cara fortifikasi iodium ke dalam garam merupakan cara yang paling tepat guna dan ekonomis untuk menanggulangi masalah gangguan akibat kekurangan iodium. Tetapi dalam perkembangannya ada beberapa isu yang menyatakan bahwa penggunaan garam ber-iodium tidak efektif karena kadar iodiumnya akan berkurang bahkan hilang bila dicampur dengan bumbu dapur.Untuk mengetahui lebih jauh keberadaan iodium dalam bumbu dapur perlu diadakan penelitian dengan menggunakan beberapa metode analisis yang lebih sensitif dibanding metode yang pernah dilakukan (lodometri) karena banyaknya senyawa kimia dalam bumbu dapur yang berinteraksi dengan iodat. Metode X-ray Fluorescence digunakan untuk menganalisis secara total kandungan iodium dalam suatu sampel. Metode ini dapat digunakan dalam menganalisis iodium dalam berbagai spesies baik itu dalam bentuk iodida, iodat, iodium dan bentuk kompleks. Metode X-ray Fluorescence sangat sensitif dalam menganalisis suatu unsur yaitu sampai kisaran ppm. Dalam penelitian ini selain metode X-ray Fluorescence juga dilakukan pengujian menggunakan metode iodometri dengan maksud untuk mengetahui sejauh mana hasil yang diperoleh dengan metode ini.Metode X-ray Fluorescence dilakukan dengan cara mencampurkan sekitar 25 gram garam NaCl yang mengandung sekitar 480 ppm kalium iodat dengan masing-masing 25 gram bumbu dapur (cabe, ketumbar dan merica). Campuran ini kemudian dilarutkan dengan aquades menjadi 100 ml dan dianalisis dengan alat X-ray Fluorescence. Intensitas yang dihasilkan dari unsur iodium dalam campuran bumbu dapur dan garam iodat dibandingkan dengan intensitas unsur iodium larutan standar iodat yang diketahui konsentrasinya menggunakan perhitungan regresi linier. Hasil yang diperoleh dari pengujian ini adalah untuk bumbu cabe terjadi penurunan iodat sekitar 12,84 %, bumbu ketumbar sekitar 6,42 % dan merica sekitar 1,14 %.Metode iodometri dilakukan dengan cara melarutkan 62,5 gram masing-masing bumbu dapur (cabe, ketumbar dan merica) ke dalam 500 ml aquades. Larutan ini disaring dan hasil saringan diambil 10 ml kemudian ditambahkan 1 gram NaCl dengan variasi konsentrasi iodat. Campuran ini kemudian dititrasi dengan natrium tiosulfat. Hasil yang diperoleh dibandingkan dengan sampel garam tanpa penambahan bumbu dapur. Dari hasil perbandingan ternyata pada konsentrasi iodat sekitar 470 ppm terjadi penurunan untuk masing-masing bumbu dapur yaitu cabe sekitar 75,5%, ketumbar 51,43% dan merica 20,99%.Perbedaan penurunan iodat dalam bumbu dapur dari kedua metode ini disebabkan karena perbedaan prinsip dan fungsi dari metode. lodometri hanya dapat menganalisis iodium dalam bentuk iodat saja sedangkan dalam matrik bumbu dapur yang mengandung senyawa-senyawa kimia kemungkinan iodat berada dalam beberapa bentuk senyawa . X-ray Fluorescence dapat menganalisis iodat dalam beberapa bentuk senyawa iodium sehingga matrik bumbu dapur yang begitu kompleks tidak menjadi masalah."

"Program Iodisasi garam dengan cara fortifikasi iodium ke dalam garam merupakan cara yang paling tepat guna dan ekonomis untuk menanggulangi masalah Gangguan Akibat Kekurangan Iodium (GAKI). Tetapi dalam perkembangannya ada beberapa isu yang menyatakan bahwa penggunaan garam beriodium tidak efektif karena kadar iodiumnya akan berkurang bahkan hilang bila dicampur dengan bumbu dapur. Untuk mengetahui lebih jauh duduk permasalahannya, maka perlu dilakukan analisis keberadaan iodat dalam bumbu dapur dengan metode Iodometri dan metode X-ray Fluorosence. Dari hasil pengujian metode Iodometri terjadi penurunan kandungan iodat untuk masingmasing bumbu dapur yaitu cabai sebesar 75,5 %, ketumbar 51,43 % dan merica 20,99 %. Sedangkan hasil pengujian dengan metode X-ray Fluorosence terjadi penurunan iodat untuk cabai sebesar 12,84 %, ketumbar 6,42 % dan merica 1,14 %. Perbedaan penurunan iodat dalam bumbu dapur dari kedua metode ini disebabkan karena perbedaan prinsip dan fungsi dari metode. Iodometri hanya dapat menganalisis iodium dalam bentuk iodat saja sedangkan dalam matrik bumbu dapur yang mengandung senyawa-senyawa kimia kemungkinan iodat berada dalam beberapa bentuk senyawa. X-ray Fluorescence dapat menganalisis iodat dalam beberapa bentuk senyawa iodium sehingga matrik bumbu dapur yang begitu kompleks tidak menjadi masalah.

---

Iodat Analysis Content in Cooking Ingredients Using Iodometry and X-ray Fluorescence Methods. Salt iodization program using iodine fortification into salt method is the best method that is effective and economical to overcome the problems caused by iodine deficiency. However in, its development there are some issues clamed that the use of iodized salt is ineffective since iodine content reduces, even disappear when the salt mix with other cooking ingredients. In order to investigated the existence of iodine in cooking ingredients, a research applying iodometry and X-ray fluorescence methods was carry out. The result obtained by iodometry method showed decreases in iodine content in each ingredient, as chili was 75,5 %, ketumbar was 51,43 %, and pepper was 20.99 %. On the other hand, the X-ray Fluorescence measurement showed the iodat deficiency in chili was 12.84 %, ketumbar was 6.42 %, and pepper was 1.14 %. The difference in the result of iodat deficiency can be caused by difference in principle and possessed by them. Iodometry only can analyze iodine in iodat form, while in cooking ingredients iodat may exist in various compound. X-ray Fluorescence can analyze iodat in some compounds so that the complicated matrix ingredient with not interfere the measurement."

"Pada beberapa tahun kebelakang perkembangan bidang machine learning telah mengalami kemajuan yang pesan dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced seperti Deep Convolutional Neural Network dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi paru-paru. Belakangan ini pandemi COVID-19 menjadi peristiwa yang cukup berdampak kepada dunia medis. Machine learning dapat membantu proses penanganan pandemi COVID-19 terutama dalam klasifikasi jenis penyakit pada paru-paru. Pada penelitian ini digunakan dataset hasil x-ray paru-paru COVID-19 radiography yang dibuat oleh kelompok riset dari Qatar. Pada dataset ini terdapat 4 kelas label yaitu paru-paru normal, Covid, Lung Opacity dan Viral Pneumonia yang akan diklasifikasi menggunakan model CNN berbasis transfer learning. Model yang digunakan pada penelitian ini adalah MobileNetV2 dan EfficientNetB6. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode upweighting, downsampling dan class weighting untuk mengangani dataset yang tidak rata. Didapatkan hasil klasifikasi terbaik dari model EfficientNetB6 dengan skema training 60: validasi 40 dengan akurasi 96.74%. Sedangkan untuk  model MobileNetV2 didapat hasil klasifikasi terbaik dengan skema training 60: validasi 40 dengan akurasi 94.28 %.  

---

Messages from various domains where automation systems are required have been incorporated into the machine learning field's development over the last few years. This enables sophisticated models, like Deep Convolutional Neural Networks, to perform well in classifying and object identification—even outperforming human capabilities in some cases. One use for this technology is image classification, particularly in the medical industry where the classification of the lungs is one example. A significant impact on the medical community has recently been caused by the COVID-19 pandemic. Machine learning can aid in the management of the COVID-19 pandemic, particularly in the classification of different lung disease types. Four label classes—normal lungs, Covid, lung opacity, and viral pneumonia—are present in this dataset and will be identified using a transfer learning-based CNN model. MobileNetV2 and EfficientNetB6 are the models that were used in this study. The EfficientNetB6 model, which had a training scheme of 60: 40 validation and an accuracy of 96.74 percent, produced the best classification results. The best classification outcomes for the MobileNetV2 model, meanwhile, were achieved with a training scheme of 60: 40 validation and an accuracy of 94.28 percent."