Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem kolorimetri adalah suatu sistem yang digunakan untuk mengukur dan mendeskripsikan warna. Beberapa penelitian sebelumnya telah berhasil menerapkan sistem ini menggunakan kamera ponsel pintar untuk akuisisi citra strip uji. Namun, kebanyakan dari penelitian-penelitian ini masih mentransfer data citra secara manual ke komputer untuk diolah. Pada penelitian ini sistem kolorimetri yang diterapkan untuk memprediksi nilai kadar klorin total dibuat dalam bentuk aplikasi ponsel pintar android sehingga ponsel pintar dapat mengakuisisi citra serta langsung mendapatkan hasil pada layar ponsel pintar. Hal ini membuat sistem bekerja lebih portabel dari penelitian-penelitian sebelumnya. Aplikasi dibuat dengan gaya arsitektur client-server dengan komunikasi RESTful API dan memiliki dua server, satu server digunakan untuk menntransfer citra dan satu server digunakan untuk mengolah citra menjadi nilai kadar klorin. Tingkat keberhasilan aplikasi dalam menangkap kedua server teresbut adalah 100% dengan rata-rata waktu yang dibutuhkan adalah 2,58 detik untuk menangkap server unggah dan 2,68 detik untuk menangkap server komputasi. Hasil evaluasi dari model regresi yang digunakan pada aplikasi adalah sebesar 0,31 hingga 0,13 RMSE. Hasil ini menunjukkan bahwa model regresi yang digunakan pada aplikasi, yaitu Artificial Neural Network dengan fungsi Levenberg-Marquardt dapat digunakan untuk sistem prediksi nilai kadar klorin total berbasis kolorimetri pada strip uji.

---

Colorimetric is a system used to measure and describe color. Several previous studies have successfully implemented this system using a smartphone camera for image acquisition of test strips. But unfortunately, most of these studies still transfer image data manually to a computer for processing. In this study, the colorimetric system applied to predict the value of total chlorine levels was made as Android application. Application can take a picture and directly get result on the smartphone screen. This makes the system work more portable than previous studies. The application is made in a client-server architectural style with RESTful API communication and has two servers, one server is used to transfer images and the other is used to process images into total chlorine values. The application's success rate to reach the two servers is 100%, with the average time required is 2.58 seconds to reach the upload server and 2.68 seconds to reach the compute server. The evaluation results of the regression model used in the application are 0.31 to 0.13 RMSE. These results indicate that the regression model, Artificial Neural Network with Levenberg-Marquardt function, can be used for total chlorine levels prediction system on test strip based on colorimetric.

"

"Indonesia merupakan salah satu negara pengekspor besar minyak kelapa sawit. Dalam proses pengolahan kelapa sawit menjadi minyak kelapa sawit terutama pada proses deodorisasi menggunakan suhu tinggi, cenderung terbentuk zat 3-monochloropropanaediol (3-MCPD) yang berbahaya bagi kesehatan sehingga harus dideteksi dan dihilangkan. Metode pengujian kandungan zat 3-MCPD yang sudah umum digunakan yaitu GC-MS, namun GC-MS ini mahal, prosesnya kompleks, dan waktu pengujian lama, sehingga dibutuhkan metode alternatif. Penelitian ini menunjukkan metode baru, sederhana, dan efisien untuk tujuan aplikasi deteksi cepat 3-MCPD berbasis analisis kolorimetri dengan menggunakan nanopartikel tembaga. Nanopartikel disintesis menggunakan prekursor CuCl2, ligan L-Glutathione sebagai agen pelindung, dan reduktor hidrazin monohidrat. Nanopartikel hasil sintesis dikarakterisasi dengan UV-Vis, FTIR, dan PSA. Spektroskopi UV-Visible (UV-Vis) digunakan untuk memantau pita LSPR dari nanopartikel tembaga yang difungsikan L-Glutathione (GSH-CuNPs). Spektroskopi Fourier Transform Infrared (FTIR) memberikan informasi tentang interaksi permukaan antara L-Glutathione dan CuNPs. Penganalisis Ukuran Partikel (PSA) mengkonfirmasi ukuran rata-rata nanopartikel sebesar 57,43 nm. Setelah sintesis, GSH-CuNPs yang didapat diuji sebagai sensor kolorimetri untuk mengetahui keberadaan zat berbahaya 3-MCPD. Sensitivitas nanopartikel terhadap penambahan 3-MCPD 100, 50, 25, 10, dan 5 ppm dievaluasi pada penelitian ini

---

Indonesia is one of the major exporters of palm oil. In the process of processing crude palm oil into palm oil, especially in the deodorization process using high temperatures, 3-monochloropropanediol (3-MCPD) substances are produced. The presence of this substance possesses health risks, so it must be detected and eliminated. The commonly used content testing method of 3-MCPD is GC-MS. However, this method is expensive, the process is complex, and the testing time is long. Therefore, an alternative method is needed. This study demonstrates a new, simple, and efficient method for the rapid detection of 3-MCPD based on colorimetric analysis using copper nanoparticles. The nanoparticles were synthesized using CuCl2 precursor, L-Glutathione ligand as a protective agent, and hydrazine monohydrate as a reducing agent. The synthesized nanoparticles were characterized by UV-Vis, FTIR, and PSA. UV-Visible (UV-Vis) spectroscopy was used to monitor the LSPR band of L-Glutathione-functionalized copper nanoparticles (GSH-CuNPs). Fourier Transform Infrared (FTIR) spectroscopy provides information on the surface interactions between L-Glutathione and CuNPs. The Particle Size Analyzer (PSA) confirmed the average nanoparticle size of 57.43 nm. After synthesis, the obtained GSH-CuNPs were tested as colorimetric sensors to determine the presence of the hazardous substance 3-MCPD. The sensitivity of nanoparticles to the addition of 3-MCPD 100, 50, 25, 10, and 5 ppm was evaluated in this study"

"Berat jenis urine merupakan kepadatan zat terlalut dalam urine. Nilai berat jenis urine mencerminkan kemampuan ginjal dalam memekatkan urine. Berat jenis yang tinggi menunjukkan bahwa kandungan air pada tubuh belum tercukupi sehingga menyebabkan dehidrasi. Kasus dehidrasi sangat berbahaya apabila dialami oleh ibu hamil, karena dapat menyebabkan ukuran janin yang lebih kecil sehingga dapat beresiko stunting. Oleh karena itu, pengukuran berat jenis diperlukan sebagai pemantauan status hidrasi tubuh. Metode pengukuran berat jenis urine yang umum dilakukan adalah urinalisis kolorimetri menggunakan strip uji urine. Namun, penggunaan strip uji urine dengan membandingkan warna secara manual menghasilkan akurasi yang rendah karena interpretasi warna yang subjektif. Pada penelitian ini sistem instrumentasi kolorimteri berbasis kamera ponsel pintar dibangun untuk melakukan pengukuran berat jenis urine menggunakan strip uji urine. Pengembangan dilakukan pada bentuk strip uji dengan mengatur ulang bentuknya menjadi barcode uji. Pengambilan gambar barcode uji dilakukan menggunakan ponsel pintar Huawei Nova 5T, Samsung A72, dan Vivo Y12. Hasil citra yang didapatkan akan disegmentasi dan dilakukan koreksi warna. Papan warna referensi yang diadaptasi dari warna x-rite ColorChecker digunakan sebagai referensi untuk koreki warna citra dengan pemodelan Polynomial Color Correction (PCC). Hasil citra terkoreksi digunakan pada pengukuran barcode uji dengan melihat fungsi waktu serta digunakan pada pembangunan model klasifikasi dan regresi CNN-GoogleNet. Pengukuran terhadap barcode uji dengan fungsi waktu menunjukkan bahwa strip uji kosong yang berada di suhu ruang selama 10 menit masih layak digunakan dan waktu maksimal pengambilan citra barcode uji yang telah dicelupkan ke sampel adalah 5 menit. Model klasifikasi yang dibangun menghasilkan akurasi pelatihan dan pengujian sebesar 99,73% dan 98,76% dan untuk model regresi menghasilkan nilai RMSE sebesar 0,002 dan R2v sebesar 0,92. Hasil penelitian menunjukkan bahwa pemodelan dengan CNN-GoogleNet dapat digunakan untuk prediksi kelas berat jenis urine dan prediksi kadar berat jenis urine.

---

Specific gravity of urine is the density of too much substance in the urine. The value of the specific gravity of urine reflects the ability of the kidneys to concentrate urine. High specific gravity indicates that the water content in the body is not sufficient, it causing dehydration. The case of dehydration is very dangerous when experienced by pregnant women, because it can cause a smaller size of the fetus so that it can be at risk of stunting. Therefore, measurement of specific gravity is needed as a monitoring of the body's hydration status. The urine specific gravity measurement method that is commonly used is colorimetric urinalysis using urine test strips. However, the use of urine test strips by manually comparing colors results in low accuracy due to subjective color interpretation. In this study a colorimetry instrumentation system based on a smartphone camera was built to measure urine specific gravity using urine test strips. The development is carried out on the shape of the test strip by rearranging its shape into a test barcode. The test barcode image was taken using the Huawei Nova 5T, Samsung A72, and Vivo Y12 smart phones. The resulting image will be segmented and color correction is performed. The reference color board adapted from the x-rite ColorChecker color is used as a reference for image color correction with Polynomial Color Correction (PCC) modeling. The results of the corrected image are used for measuring the test barcode by looking at the time function and used in the construction of the CNN-GoogleNet classification and regression model. The measurement of the test barcode with the time function shows that the blank test strip at room temperature for 10 minutes is still suitable for use and the maximum time for taking the test barcode image that has been immersed in the sample is 5 minutes. The classification model that was built resulted in training and testing accuracy of 99.73% and 98.76% and for the regression model it produced RMSE values of 0.002 and R² of 0.92. The results showed that modeling with CNN-GoogleNet can be used to predict urine specific gravity class and predict urine specific gravity level."

"ABSTRACTLabel indikator kolorimetrik telah banyak dikembangkan dari segi material maupun aplikasinya. Pendeteksian uap asam asetat dengan label indikator kolorimetrik didasarkan pada perubahan warna label yang terjadi akibat interaksi uap asam asetat dengan zat warna. Label dibuat dengan menggunakan ekstrak beras hitam dan bunga kangkung laut yang diimobilisasikan pada substrat kertas. Jenis ekstrak dan substrat, kosentrasi asam asetat 20, 40, 60, 80 dan 100, pH larutan 9 dan 13, dan waktu pendeteksian menjadi variabel yang akan divariasikan pada pengujian label dengan uap asam asetat. Rentang perubahan warna akibat kenaikan pH pada larutan ekstrak bunga kangkung laut lebih luas dibandingkan ekstrak beras hitam, yang mencakup seluruh spektrum warna cahaya tampak. Jenis label yang memiliki respons perubahan warna yang paling terlihat jelas adalah label dari substrat Kalkir dan ekstrak bunga kangkung laut yang dikondisikan pada pH 9. Warna label ini berubah dari hijau menjadi kemerahan setelah dipaparkan pada uap asam asetat. Perubahan warna akan semakin merah dan semakin cepat seiring kenaikan kosentrasi. Hasil pengujian stabilitas warna label menunjukan bahwa label baik disimpan di suhu rendah dan pada kelembaban relatif 55.

---

ABSTRACTThe indicator label based on the colorimetric method has been widely developed in terms of both materials and applications. The detection of acetic acid vapor using colorimetric indicator label is based on color change results from the interaction of acetic acid vapors with the dyes. Labels are made using black rice extract and morning glory flowers immobilized into paper substrate. Variables varied in this measurement are extract sources, substrate types, acetic acid concentrations 20, 40, 60, 80 and 100, solution pH 9 and 13, and detection time. The ranges of color change due to the increase in pH of the morning glory flower extract solution are wider than the black rice extract solution, which covers the entire visible color spectrum. It was observed that the type of label that has the most noticeable color change response is a label made from tracing paper and a morning glory flower extract conditioned at pH 9. The color of this label changes from green to reddish green after exposure to acetic acid vapors. Color changes will accelerate and become redder along with the increase in concentration of acetic acid solution. The result of labels color stability test indicates that the label is well kept at low temperature and at 55 relative humidity."

"Merkuri merupakan salah satu logam berat yang dapat ditemukan di perairan baik air tawar maupun air laut dan memiliki toksisitas yang tinggi sehingga penyebarannya perlu dikendalikan. Telah ditemukan bahwa nanopartikel emas yang terkonjugasi asam sianurat memiliki kemampuan untuk mendeteksi Hg2+ dengan prinsip kolorimetri. Oleh karena itu, penilitian ini bertujuan untuk mengembangkan metode deteksi merkuri yang sensitif dan selektif menggunakan nanopartikel emas terkonjugasi asam sianurat dalam perangkat berbasis kertas. Kondisi optimum dalam preparasi kertas saring untuk menghasilkan sensor yang paling baik yaitu dengan menggunakan kertas saring Whatman No. 1 yang direndam dalam larutan AuNP terkonjugasi asam sianurat selama 24 jam dan pengeringan pada suhu 50oC selama 10 menit. Analisis dilakukan setelah perangkat kertas diteteskan sampel sebanyak 20 µL sehingga terjadi perubahan warna yang jelas dari merah muda ke warna ungu kebiruan setelah 5 menit. Deteksi dapat diamati secara visual dengan mata telanjang hingga konsentrasi Hg2+ yang cukup kecil yaitu 0,05 µM. Respon kolorimetri sensor juga selektif terhadap Hg2+ setelah dilakukan pengujian dengan ion-ion logam Ba2+, Zn2+, Cd2+, Mn2+, Cu2+, Mg2+, Ag2+, dan Fe2+. Selain itu, respon dari sensor juga konsisten untuk sampel air danau yang dibubuhi Hg2+. Hasil dari penelitian ini yaitu dapat memberikan teknologi dasar yang menjanjikan untuk pengembangan sensor yang terjangkau, cepat, portabel, dan mudah digunakan untuk deteksi dan pemantauan kadar Hg2+ dalam air.

---

Mercury is one of the heavy metals that can be found in both fresh water and sea water and has high toxicity so that its spread needs to be controlled. It has been found that gold nanoparticles conjugated with cyanuric acid have the ability to detect Hg2+ by the colorimetric principle. Therefore, this research aims to develop a sensitive and selective mercury detection method using cyanuric acid-conjugated gold nanoparticles in a paper-based device. The optimum condition for preparing filter paper to produce the best sensor is using Whatman No. filter paper. 1 which was soaked in AuNP solution which had been conjugated with cyanuric acid for 24 hours and dried at 50oC for 10 minutes. Analysis was carried out after 20 µL of sample was dropped on the paper device so that there was a clear color change from pink to bluish-purple after 5 minutes. Detection can be observed visually with the naked eye down to a fairly small Hg2+ concentration of 0.05 µM. The colorimetric response of the sensor is also selective towards Hg2+ after testing with metal ions Ba2+, Zn2+, Cd2+, Mn2+, Cu2+, Mg2+, Ag2+, and Fe2+. In addition, the response from the sensor is also consistent for lake water samples spiked with Hg2+. The results of this research can provide a promising basic technology for the development of sensors that are affordable, fast, portable, and easy to use for the detection and monitoring of Hg2+ levels in water.Mercury is one of the heavy metals that can be found in both fresh water and sea water and has high toxicity so that its spread needs to be controlled. It has been found that gold nanoparticles conjugated with cyanuric acid have the ability to detect Hg2+ by the colorimetric principle. Therefore, this research aims to develop a sensitive and selective mercury detection method using cyanuric acid-conjugated gold nanoparticles in a paper-based device. The optimum condition for preparing filter paper to produce the best sensor is using Whatman No. filter paper. 1 which was soaked in AuNP solution which had been conjugated with cyanuric acid for 24 hours and dried at 50oC for 10 minutes. Analysis was carried out after 20 µL of sample was dropped on the paper device so that there was a clear color change from pink to bluish-purple after 5 minutes. Detection can be observed visually with the naked eye down to a fairly small Hg2+ concentration of 0.05 µM. The colorimetric response of the sensor is also selective towards Hg2+ after testing with metal ions Ba2+, Zn2+, Cd2+, Mn2+, Cu2+, Mg2+, Ag2+, and Fe2+. In addition, the response from the sensor is also consistent for lake water samples spiked with Hg2+. The results of this research can provide a promising basic technology for the development of sensors that are affordable, fast, portable, and easy to use for the detection and monitoring of Hg2+ levels in water."

"Kesehatan merupakan kebutuhan dasar setiap manusia untuk menjalani kehidupan sehari hari. Urinalisa merupakan pemeriksaan kesehatan tubuh berdasarkan cairan urin. Protein merupakan salah satu parameter yang dapat digunakan untuk mengetahui kondisi kesehatan tubuh. Keadaan protein yang tidak normal dalam tubuh dapat mengindikasikan adanya penyakit gangguan ginjal, gagal jantung dan proteinuria. Urine analyzer merupakan alat yang dapat mendeteksi adanya protein dalam urin. Keterbatasan akses menggunakan alat Urine Analyzer menjadi latar belakang dilakukan pengukuran protein dalam urin berbasis ponsel pintar. Ponsel pintar mempunyai kamera ponsel yang memungkinkan digunakan dalam pemrosesan gambar. Ponsel pintar yang digunakan untuk pengukuran protein pada urin dalam penelitian ini adalah Huawei Nova 5T dan Samsung Galaxy A51 dengan menggunakan aplikasi Opencamera untuk mengambil citra sampel strip uji dan papan warna. Pada penelitian ini dilakukan pula pengujian ukuran resolusi kamera terhadap algoritma koreksi warna dan segmentasi pada citra. Data citra kemudian dilakukan koreksi warna untuk menghasilkan warna citra yang optimal. Metode koreksi warna yang digunakan adalah metode Root-Polynomial Color Correction (RPCC). Citra hasil koreksi warna selanjutnya digunakan sebagai data masukan untuk pengukuran kadar protein pada urin menggunakan model regresi Artificial Neural Network dengan metode fungsi pelatihan Lavenberg-Marquardt. Hasil penelitian menunjukan bahwa, algortima koreksi warna bekerja optimal pada ukuran resolusi minimum sampai resolusi maksimum. Algortima koreksi warna yang digunakan menghasilkan performa yang baik dengan hasil evaluasi koreksi warna sebesar 1,13 – 1,83 ΔE. Model regresi menggunakan ANN menghasikan nilai evaluasi sebesar 0,05 – 0,04 RRMSE atau 95% - 96%. Hasil ini menyimpulkan bahwa algortima model regresi Artificial Neural Network dengan fungsi pelatihan Lavenberg-Marquardt dapat digunakan untuk pengukuran kadar protein pada urin berbasis ponsel pintar.

---

Health is a basic need of every human being. Urinalysis is an examination of the body's health based on urine. Protein is one of the parameters that can be used to determine the health condition of the body. The state of abnormal protein in the body can indicate kidney disorders, heart failure and proteinuria. Urine analyzer is a tool that can detect the presence of protein in urine. Limited access using Urine Analyzer is the background for measuring protein in urine based on smart phones. Smartphones have cell phone cameras that allow them to be used in image processing. The smart phones used for measuring protein in urine in this study were Huawei Nova 5T and Samsung Galaxy A51 using the application Opencamera to take sample images of test strips and color boards. In this study, the size of the camera resolution was also tested against color correction algorithms and image segmentation. The image data is then color corrected to produce the optimal color image. The color correction method use the Root-Polynomial Color Correction (RPCC) method. The color-corrected image then used as input data for measuring protein levels in urine using regression model Artificial Neural Network with training function method Lavenberg-Marquardt. The results show that the color correction algorithm works optimally at the minimum resolution to the maximum resolution. The color correction algorithm used produces good performance with the results of the color correction evaluation being 1,13 – 1,83 ΔE. The regression model using ANN produces an evaluation value of 0.05 – 0.04 RRMSE or 95% – 96%. These results conclude that the regression model algorithm Artificial Neural Network with training function Lavenberg-Marquardt can be used for smartphone-based urine protein measurement."

"Stunting merupakan kondisi gagal tumbuh anak yang disebabkan oleh rendahnya asupan gizi, dimulai sejak janin hingga 1.000 hari pertama kehidupan. Salah satu indikator penyebab terjadinya kekurangan gizi adalah kekurangan Vitamin C. Vitamin C merupakan vitamin yang larut dalam air dan dikeluarkan melalui urine. Kadar Vitamin C urine kurang dari 1,12 mmol/L mengindikasikan bahwa pasien kekurangan asupan Vitamin C. Oleh sebab itu, diperlukan deteksi dini untuk pemantauan asupan Vitamin C yang cukup pada ibu hamil. Dalam penelitian ini, dilakukan pengembangan sistem kolorimeteri untuk pengukuran kadar Vitamin C dalam urine dengan model klasifikasi dan regresi berbasis citra dengan strip uji. Citra ditangkap menggunakan kamera ponsel pintar Samsung Galaxy A72, Samsung Galaxy A31, Huawei Nova 5T, dan Vivo Y12. Proses akuisisi citra menggunakan kotak uji yang berisikan papan warna referensi yang mengacu pada X-Rite Color Checker Classic dan barcode uji. Barcode uji merupakan transformasi dari strip uji dengan cara menggunting strip menjadi dua bagian sama besar. Diterapkan model koreksi warna Polynomial Color Correction (PCC) pada citra sebelum memasuki model. Arsitektur model Convolutional Neural Network (CNN) yang digunakan adalah VGG16. Dilakukan variasi bentuk citra input untuk mengetahui bentuk citra yang paling sesuai untuk sistem kolorimetri, studi kasus Vitamin C urine. Variasi bentuk citra input meliputi citra analit tunggal, citra analit multiple, citra seluruh analit, dan citra barcode urinalisis. Citra barcode urinalisis merupakan gabungan antara barcode uji dan warna referensi. Hasil penelitian menunjukkan bahwa model terbaik didapatkan dengan menggunakan bentuk citra input barcode urinalisis. CNN-VGG16 mampu melakukan koreksi warna serta ekstraksi fitur di dalam model. Keluaran sistem berupa 5 kelas kadar Vitamin C urine dan kadar Vitamin C urine. Eksperimen dilakukan dengan 3500 citra dengan sampel urine buatan dan 680 citra dengan sampel urine asli. Diperoleh performa model klasifikasi CNN-VGG16 dengan akurasi sebesar 99,5% pada urine buatan dan 88,7% pada urine asli. Didapatkan performa model regresi CNN-VGG16 dengan nilai R2 sebesar 0,998 dan RMSE sebesar 0,067 dengan urine buatan, serta nilai R2 sebesar 0,930 dan RMSE sebesar 0,457 dengan urine asli. Performa tersebut menandakan bahwa sistem kolorimetri urinalisis dapat digunakan untuk menentukan kelas kadar Vitamin C urine dan mengukur kadar Vitamin C urine.

---

Stunting is a condition of impaired growth and development that children experience caused by low nutrional intake, starting from fetus until the first 1,000 days of life. One indicator that cause malnutrition is a lack of Vitamin C. Vitamin C is a water-soluble vitamin and excreted in the urine. A urine Vitamin C level less than 1.12 mmol/L, indicates that the patient is deficient in Vitamin C intake. Therefore, early detection is needed to monitor adequate intake of Vitamin C in pregnant women. In this study, a colorimetric system was developed for predict Vitamin C contents in urine using image-based classification and regression models with urine test strip. The image was captured using the Samsung Galaxy A72, Samsung Galaxy A31, Huawei Nova 5T, and Vivo Y12 smartphone cameras. The image acquisition process uses an image housing box contains a reference color board that refers to the X-Rite Color Checker Classic and a test barcode. The test barcode is a transformation of the urine test strip by cutting the strip into two equal parts. The Polynomial Color Correction (PCC) color correction model is applied to the image before entering the CNN models. The architecture of the Convolutional Neural Network (CNN) model used is VGG16. Variations in the input image form were carried out to determine the most suitable image form for the colorimetric system, in case study of Vitamin C urine. Variations of input image form including single analyte image, multiple analyte image, all analyte image, and urinalysis barcode image. The urinalysis barcode image is a combination of the test barcode and the reference color. The results showed that the best model was obtained using the form of urinalysis barcode input image. CNN-VGG16 can perform color correction and feature extraction in the model. The system outputs are 5 classes of urine Vitamin C contents and Vitamin C contents of urine. Experiments were carried out with 3500 images using artificial urine samples and 680 images using real urine samples. The performance of the CNN-VGG16 classification model was obtained with an accuracy of 99.5% using artificial urine and 88.7% using real urine samples. The performance of the CNN-VGG16 regression model was obtained with an R2 value of 0.998 and an RMSE of 0.067 using artificial urine, as well as an R2 value of 0.930 and an RMSE of 0.457 using real urine. This performance indicates that the urinalysis colorimetric system can be used to determine the class of urine Vitamin C contents and measure urine Vitamin C contents."