Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Instrumentasi berbasis ponsel pintar serta kolorimetri digunakan dalam penelitian ini untuk mengetahui nilai pH pada urin. Bisasanya pengujian urin secara kimiawi dengan menggunakan strip uji urin, diperoleh nilainya secara visual maupun menggunakan alat. Interpretasi strip uji dapat dilakukan dengan membandingkan warna melalui pengamatan ataupun dengan menggunakaan penganalisis urin terkomputerisasi untuk memberikan hasil yang lebih akurat. Namun, penggunaan alat masih terbatas dikarenakan harga yang mahal serta tidak portabel. Oleh sebab itu dalam penelitian ini, dirancang sistem pengukuran pH urin berdasarkan prinsip kolorimetrri dengan menggunakan ponsel pintar. Pada pengolahan citra dilakukan koreksi warna dengan membandingkan metode linear color correction, polynomial color correction, dan root polynomial color correction. Root polynomial color correction memberikan hasil koreksi yang paling baik dengan nilai jarak Euclidean sebesar 2,6. Untuk melakukan prediksi nilai pH urin, digunakan model Decision Tree LS-Boost dengan nilai RMSE sebesar 0,07. Aplikasi Android dibangun menggunakan komunikasi klien-server pada sebuah jaringan intranet. Server Node.js digunakan untuk mengunggah citra dengan rata-rata waktu yang diperlukan sebesar 1,47 sekon. MATLAB Production Server juga digunakan untuk melakukan pemrosesan citra hingga memberikan hasil prediksi nilai pH. Rata-rata waktu yang diperlukan dari server MATLAB untuk menghasilkan nilai prediksi sebesar 1,44 sekon.

---

An instrumentation device based on smartphone and colorimetry is used in this experiment to find pH value in urine. Normally chemical urinalysis with a test strip, the results are obtained visually or using a machine. Its interpretation visually can be done by comparing the reagent color through observation or using a computerized urine analyzer for more accurate results. However, access to the urine analyzer is still limited because it is expensive and not portable. Therefore in this experiment, we design a urine pH measurement system using the smartphone-based colorimetry principle. In image processing, we conduct a color correction by comparing the methods of linear color correction, polynomial color correction, and root polynomial color correction. Root polynomial color correction provides the best correction results with a Euclidean distance value of 2.6. The Decision Tree LS-Boost model was used to perform a prediction of urine pH value. The average RMSE value is 0.07 for a dataset from Huawei and Samsung smartphones. Android Application was built using client-server communication in an intranet. The Node.js server is used for uploading the image with an average time of 1.47 seconds. MATLAB Production Server is also used for image processing until it gave the prediction value of urine pH. The average time it takes from the MATLAB server to generate a predictive value is 1,44 seconds. "

"Urinalisis merupakan test kesehatan yang bertujuan untuk mengetahui informasi mengenai zat-zat yang terkandung dalam urine, yang bertujuan untuk mendeteksi suatu kondisi medis. Salah satu instrumen urinalisis yang umum digunakan adalah Strip Uji Urine. Strip uji urine menggunakan prinsip kolorimetri, yaitu teknik yang digunakan untuk mengukur kadar suatu substansi dengan cara menganalisa intensitas warnanya. Implementasi kolorimetri pada urinalisis berada pada perubahan warna dari bantalan reagen yang berada pada strip uji, ketika bereaksi dengan zat yang terkandung dalam urine. Umumnya interpretasi perubahan warna strip uji urine dilakukan dengan kasat mata, hal ini mengakibatkan rentan terjadi kesalahan interpretasi. Oleh karena itu, penelitian mengenai penggunaan kamera ponsel pintar dan strip uji urine sedang ramai diteliti. Namun, penelitian umumnya dilakukan hanya mencakup pengukuran pada satu parameter saja. Pada penelitian ini, penulis merancang sistem kolorimetri Multi-Output untuk urinalisis dengan memanfaatkan strip uji urine dan ponsel pintar. Sistem pemodelan Multi-Output ini dirancang menggunakan arsitektur model AlexNet, dengan menghasilkan pengkuran tiga parameter secara simultan. Dengan Sistem prediksi Multi-Output kadar Leukosit, Berat Jenis, dan pH pada urine berhasil dirancang dengan performa yang baik. Performa model klasifikasi menghasilkan nilai 99% pada seluruh analit. Performa model regresi menghasilkan nilai RMSE 0.0013 untuk analit Specific Gravity, dan 0.1126 untuk analit pH. Performa regresi menghasilkan nilai R2 0.9730 untuk analit Specific Gravity, dan 0.9787 untuk analit pH. System urinalisis Multi-Output menawarkan fungsi yang efisien dengan performa yang baik, namun dengan waktu komputasi yang lebih singkat.

---

Urinalysis is a medical test used to examine information about various substances contained in urine. Urinalysis is generally used as a diagnostic tool that aims to detect or monitor a medical condition. One of the commonly used urinalysis instruments is the Urine Test Strip. Urine test strips use the principle of colorimetry. Colorimetry is a technique used to measure the level of a substance by analysing its color intensity. The implementation of colorimetry in urinalysis lies in the change in color of the reagent bearing on the test strip when it comes into contact with substances contained in the urine. Generally, the interpretation of changes in the color of a urine test strip is done by naked eye, however, this method is prone to misinterpretation. For this reason, research on the use of smartphone cameras and urine test strips is being actively studied. However, research that is generally carried out only includes measurements on one parameter. In this study, the authors designed a Multi-Output colorimetric system for urinalysis by utilizing urine test strips and smartphones. The system is designed to detect three parameters at once, in contrast to one-parameter Deep Learning modeling, this Multi-Output modeling can produce three parameters measurements simultaneously. By using the AlexNet model architecture, the Multi-Output Prediction System for Leukocyte levels, Specific Gravity, and pH in urine was successfully designed with good performance. The performance of the classification model resulted in a value of 99% for all analytes. The performance of the regression model yielded an RMSE value of 0.0013 for the Specific Gravity analyte, and 0.1126 for the pH analyte. Regression performance produces an R2 value of 0.9730 for the Specific Gravity analyte, and 0.9787 for the pH analyte. Multi-Output urinalysis systems offers a more comprehensive evaluation compared to single-output systems. Deep Learning Multi-Output system offers efficient functions with good performance with shorter processing time."

"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."

"Prediksi konsentrasi analit urin telah berhasil dikembangkan menggunakan kertas kolorimetri berbasis ponsel pintar Android dengan metode regresi ensemble learning. Beberapa pengembangan yang dilakukan pada penelitian ini meliputi segmentasi citra secara otomatis, koreksi citra menggunakan metode RPCC, dan pengembangan model regresi untuk prediksi 3 (tiga) analit urin, yaitu glukosa, pH dan protein. Model regresi tersebut selanjutnya divalidasi dengan performa terbaik pada sampel urin responden yang rentan terhadap perubahan warna. Pada penelitian ini, persiapan urin buatan dilakukan dengan membuat konsentrasi 0-2.000 mg/dl untuk analit glukosa dan protein. Selain itu, larutan pH buffer 5–9 juga digunakan untuk kepentingan analisa pH. Model regresi yang dikembangkan berbasis mesin pembelajaran ensemble dengan optimasi boosting. Selain itu, aplikasi berbasis server juga dikembangkan menggunakan aristektur RESTful API dengan 2 (dua) server, yaitu server unggah menggunakan Node.js dan server komputasi menggunakan MATLAB Production Server. Hasil yang diperoleh adalah performa R2 sebesar 0,98, 0,99 dan 0,98 serta nilai RMSRE sebesar 0,04, 0,03 dan 0,07 untuk masing-masing analit glukosa, pH dan protein. Tingkat keberhasilan aplikasi adalah 100% pada Samsung Galaxy A51 dan Huawei Nova 5T. Penelitian ini mampu memprediksi konsentrasi glukosa, pH dan protein dengan baik sehingga dapat dijadikan alternatif aplikasi pemantauan kesehatan.

---

Prediction of urine analyte concentration has been successfully developed based on an Android smartphone using colorimetric paper with the ensemble learning regression method. Some of the developments in our study include automatic image segmentation, image correction using the RPCC method, and the development of a regression model for the prediction of 3 (three) urine analytes, namely glucose, pH, and protein. Furthermore, the model was successfully validated for best performance in the respondent's urine susceptible to color change. We used artificial urine at a concentration of 0-2.000 mg/dl for glucose and protein samples for this study. In addition, pH buffer solutions 5–9 are also used for urine pH analysis. The regression model developed is based on ensemble learning with boosting optimization method. In addition, server-based applications are also developed using RESTful API architecture with (2) two servers, the upload server using Node.js and the computing server using the MATLAB Production Server. As a result, the R2 performance for glucose, pH and protein analytes were 0,98, 0,99 and 0,98 and RMSRE were 0,04, 0,03 dan 0,07, respectively. The Android application success rate was 100% on Samsung Galaxy A51 and Huawei Nova 5T. This study estimates that glucose, pH, and protein levels are good enough for health monitoring applications."

"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.

"

"Air adalah komponen yang sangat penting untuk kehidupan manusia. Jenis air yang sangat berkaitan dengan manusia adalah air minum, air sanitasi, dan air kolam renang. Berdasarkan jenis air yang ada, instrumen yang sudah tersedia adalah dengan mengukur kadar kimia pada air menggunakan alat-alat laboratorium yang tidak efisien. Penelitian ini berfokus untuk membangun instrumen pengklasifikasi jenis air berbasis ponsel pintar untuk memudahkan pengklasifikasi jenis air. Instrumen yang dibangun memanfaatkan strip tes yang akan diakuisisi oleh kamera ponsel pintar. Selanjutnya citra akan dilatih menggunakan Deep Learning model CNN dengan arsitektur AlexNet dan ResNet50. Penggunaan DL sudah banyak dilakukan untuk mengklasifikasi citra dan hasilnya terbukti sangat baik. Model hasil pelatihan akan dijadikan sebagai server komputasi yang akan mengolah citra. Sisi klien merupakan aplikasi ponsel pintar dan dihubungkan ke server yang sudah dibangun. Hasil pelatihan model adalah arsitektur AlexNet dengan akurasi yang sangat tinggi yaitu sebesar 100%. Oleh karena itu, model AlexNet dijadikan server komputasi pada penelitian ini. Pembangunan aplikasi pengklasifikasi jenis air berhasil dibangun dengan arsitektur klien-server. Tingkat keberhasilan aplikasi adalah 100% dalam mengunggah dan mengolah citra. Berdasarkan hasil yang diperoleh, disimpulkan bahwa pembangunan instrument kolorimetri pengklasifikasi jenis air berbasis ponsel pintar android berhasil dibangun dengan sisi server mengimplementasikan model CNN arsitektur AlexNet.

---

Water is component that very important for human life. Some types of water human’s environments are drinking water, sanitary water, and swimming pool water. With these types of water, an instrument that are already available are to measure the chemical levels in water using laboratory equipment which is inefficient. This research focuses on building a smartphone-based water type classification instrument. The instrument being built will use the test strips that will be acquisition by the smartphone camera. Furthermore, the image will be trained using the Deep Learning CNN model with AlexNet and ResNet50 architectures. The use of DL has been widely used to classify images and the result is satisfying. The results of the training model will be used as a computing server that will process images. The client-side is a smartphone application and connected to a built-in server. The result of the training model is the AlexNet architecture has a high accuracy which is 100%. With this performance, AlexNet will be used as a computing server in this research. The development of the water type classifier application has been successfully built with a client-server architecture. The success rate is 100% in uploading and processing images. Based on the results obtained, it is concluded that the development of a colorimetric instrument for classifying water types based on an Android smart phone has been successfully built with the server side implementing CNN AlexNet architecture model. "

"Glukosa adalah salah satu indikator kesehatan tubuh yang dapat dideteksi oleh urin yang dapat membantu pendeteksian dini penyakit diabetes dan glikosuria. Glukosa dapat dideteksi oleh urine analyzer menggunakan metode pembacaan perubahan warna pada strip uji urin. Namun sayangnya, akses terhadap urine analyzer masih sangat terbatas dikarenakan ukurannya yang terlalu besar dan harganya yang terlalu mahal. Dalam penelitian ini sistem pengukuran kadar gula urin yang lebih murah dan lebih portabel dibuat menggunakan analisis citra berbasis ponsel pintar yang dipadukan dengan pemrosesan melalui komputer. Ponsel pintar yang digunakan pada penelitian ini adalah Huawei Nova 5T dan Samsung Galaxy A51 dengan bantuan aplikasi kamera OpenCamera. Citra strip uji diambil dengan menggunakan kotak khusus yang ditambahkan papan warna sebagai alat bantu untuk mengoreksi warna. Papan warna tersebut telah diuji menggunakan standar papan warna X-Rite ColorChecker. Citra yang telah diambil akan dikoreksi warnanya menggunakan metode Root-Polynomial Color Correction (RPCC) -yang telah diuji kemampuan koreksi warnanya pada variasi suhu warna lampu 2500K-8500K. Citra yang telah dikoreksi kemudian diprediksi kadar gulanya dengan model regresi Decision Tree menggunakan LSBoost. Hasil penelitian menunjukkan, Metode RPCC menunjukkan performa yang baik dengan nilai evaluasi koreksi warna (delta e) sebesar 1,8 – 2,6 ΔE. Hasil koreksi warna terbaik dimiliki oleh citra dengan suhu warna 4500K-7000K. Model regresi menghasilkan nilai evaluasi sebesar 0,21 – 0,01 RRMSE. Hasil ini menunjukkan bahwa sistem pengukuran kadar gula urin dengan metode pembacaan strip uji berbasis ponsel pintar yang menggunakan model Decision Tree-LSBoost dapat digunakan untuk mendeteksi nilai kadar gula.

---

Glucose is one of the health indicators that can be detected from urine and it can be an early detection for diabetes and glycosuria. Glucose can be detected using a urine analyzer that uses the method of reading the color change on a urine test strip. However, access to urine analyzers is still very limited due to their large size and expensive price. In this study, a cheaper and more portable urine sugar measurement system was created using smartphone-based image analysis combined with computer processing. The smartphones that were used in this study are Huawei Nova 5T and Samsung Galaxy A51 who used the OpenCamera application. The image of the test strip is taken by using a special box with a color board inside as a tool for correcting colors. The color boards have been tested using the X-Rite ColorChecker standard. The image that has been taken will be color corrected using the Root-Polynomial Color Correction (RPCC) method, which has been tested for its color correction ability at the color temperature variation of the 2500K-8500K lamp. The corrected image then used to predict the sugar content using Decision Tree-LSBoost regression model. The results showed the RPCC method has a good performance with a color correction evaluation value (delta e) of 1.8 - 2.6 ΔE. The best color correction result is an image with a color temperature of 4500K-7000K. The regression model produces an evaluation value of 0,21 - 0,01 RRMSE. These results indicate that the urine sugar level measurement system with a smartphone-based test strip reading method using the Decision Tree-LSBoost model can be used to detect the value of sugar levels."

"ABSTRAKSkripsi ini membahas mengenai pengukuran kecepatan kendaraan dengan melakukan pendekatan kepada program (software). Pengukuran ini dilakukan dengan video hasil rekaman. Dari video tersebut dijadikan acuan untuk mengolah data melalui beberapa proses di dalam program. Program dibuat dengan anggapan bahwa benda hanya akan bergerak menuju satu arah saja sehingga data posisi objek pada suatu frame akan dibandingkan dengan data posisi pada frame sebelumnya, sehingga program akan hanya mencatat data yang sesuai. Dengan demikian, diharapkan data yang telah diseleksi akan menghasilkan error yang lebih kecil. Program ini akan menghasilkan data nomor frame, posisi pixel dari edge dan perbedaan pixel dari frame sebelumnya. Adanya informasi yang bisa didapatkan dari sebuah data video ini bisa memberikan nilai tambah dari hanya sekedar sebuah data video. Untuk itu keakuratan hasil perhitungan kecepatan kendaraan perlu dihitung juga. Setelah mengolah data video ini dan mendapatkan hasil perbandingan hasil kecepatan secara real dan perhitungan program, tujuan ke depannya adalah untuk dikembangkan lebih lanjut lagi pada estimasi kecepatan kendaraan di dalam rekaman video lalu lintas.

---

ABSTRACTThis thesis discusses the measurement of the speed of the vehicle by approaching the program ( software ). This measurement is done with the video recordings. From the video made ​​reference to process data through several processes in the program. The program is made with the assumption that the object will only move towards one direction only so that the data object's position in a frame will be compared with data on the position of the previous frame, so that the program will only record the appropriate data. Thus, it is expected that the data has been selected to produce a smaller error. This program will generate the data frame number, the position of the edge pixel, and the pixel difference from the previous frame. The existence of information that can be obtained from a video data can provide added value than just a video data. For the accuracy of the results of the calculation speed of the vehicle needs to be calculated as well. After processing the video data and get the results of the comparison results in real speed and calculation of the program, the future goal is to be developed further to estimate the speed of the vehicle in the video recording of traffic."