Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem tomografi pada industri memerlukan sistem akuisisi data yang cepat dan pengendalian proses scanning yang akurat dan presisi. Pada penelitian ini data tomografi diakuisisi dari sistem yang menggunakan berkas penyinaran radiasi fan beam dengan jumlah detektor sebanyak dua buah. Sistem tomografi yang dirancang terdiri dari: sumber radiasi gamma yang berasal dari isotop Cs-137 beraktivitas 30 mCi dan 80 mCi, detektor dengan kristal sintilasi NaI(Tl) yang dihubungkan dengan pencacah Ludlum M2200, serta sistem gerak yang terdiri dari pergerakan sumber dan detektor yang masing-masing membutuhkan 1 buah motor. Seluruh proses scanning dikendalikan melalui Arduino sebagai mikrokontroler serta LabVIEW sebagai software antarmuka dengan pengguna. Proses ini termasuk pengendalian motor, pembacaan encoder, serta komunikasi secara serial dengan pencacah Ludlum dan PC. Penggerakkan motor berhasil merotasikan sumber dan detektor hingga sudut terkecil 1° terhadap pusat rotasi dengan durasi yang dibutuhkan adalah 1 detik. Hasil pencacahan radiasi memiliki kesalahan statistik 1.47% untuk durasi 1 detik dan 0.99% untuk 2 detik. Gambar hasil rekonstruksi dengan ukuran piksel yang sama untuk data dari berkas kipas memberikan kualitas gambar yang lebih rendah dibandingkan berkas paralel. Namun untuk waktu pindai yang hampir sama yaitu ±30 menit, gambar dari berkas kipas memiliki kualitas yang lebih baik. Resolusi spasial kedua metode tomografi berhasil menunjukkan lubang pada phantom dengan diameter terkecil hingga 1 cm.

---

Industrial tomography system needs a fast data acquisition, as well as high accuracy and precision scanning control which is operated in an automated manner. In this research, the data was acquired from 2 detector-fan beam scanning method. This design consists of: gamma ray source from Cs-137 isotope having 30 and 80 mCi, scintillation detector made of NaI(Tl) crystal connected to Ludlum M2200 radiation counter, and motion system made up of source rotator and detector rotator with each motion corresponds to one motor. The whole process is controlled by Arduino as a microcontroller and LabVIEW as a graphical user interface. This process includes motor controlling, encoder reading, and serial communication with Ludlum counter and PC. Motor motions are able to rotate the source and detector with angle starting from 1° around the center of rotation and take time about 1 second per degree rotation. Radiation counting resulted in 1.47% statistical error for 1-second counting time and decreased to 0.99% as counting time is increased to 2 seconds. The reconstructed image with the same pixel size from fan beam method resulted in poorer quality than from parallel one. However, with nearly same total scanning time that is about ± 30 minutes, the fan beam method resulted in higher quality. Spatial resolution for both methods succeeded to show the holes which diameters are more than 1 cm within the phantom."

"Insulin adalah hormon yang disekresi oleh pankreas dan berfungsi mengatur kadar gula darah dalam tubuh. Gangguan pada sekresi insulin ataupun resistansi insulin dapat mengakibatkan diabetes. Bagi penderita diabetes yang memerlukan injeksi insulin, dosis yang tidak terpantau dapat berakibat fatal. Sehingga untuk memberikan diagnosis lebih akurat, pemantauan kadar gula darah dapat ditambah dengan pemantauan insulin. Dari beberapa metode analitik untuk deteksi insulin, elektrokimia adalah yang paling memungkinkan miniaturisasi perangkat dengan respon waktu cukup cepat dan biaya cenderung rendah. Sehingga dalam penelitian ini, sistem estimasi konsentrasi insulin akan dibangun dengan memanfaatkan perangkat analisis elektrokimia atau potensiostat yang bersifat portabel dan screen-printed carbon electrode (SPCE) termodifikasi multiwalled carbon nanotubes (MWCNT) sebagai sensor. Perangkat dioperasikan secara nirkabel melalui mobile device sedangkan seluruh pengolahan data dilakukan pada server komputer terpisah yang dapat diakses dengan komunikasi REST API (Representational State Transfer Application Program Interface). Skema ini yang memungkinkan deteksi beserta hasil estimasinya dapat diproses secara real-time. Sistem estimasinya sendiri dilakukan berdasarkan hubungan arus puncak reaksi elektrokimia yang terjadi pada saat menjalankan Cyclic Voltammetry (CV) dengan nilai konsentrasi insulin. Pada penelitian ini performa sistem ditingkatkan dengan menambahkan prediktor luas permukaan elektroaktif sensor, karena performa sensor secara elektrokimia sangat dipengaruhi oleh nilai luasan tersebut. Penambahan prediktor ini terbukti memberikan hasil estimasi dengan nilai R2 prediksi di atas 0,85 untuk ketiga data pengujian dari tiga sensor yang berbeda. Selain itu, prediktor luas permukaan juga diuji apakah memiliki hubungan yang signifikan secara statistik dengan konsentrasi dan didapati p-value bernilai 0,006. Nilai yang lebih rendah dari 0,05 membuktikan bahwa prediktor luas elektroaktif tidak hanya meningkatkan R2 secara kebetulan melainkan memang adanya hubungan dengan konsentrasi dengan tingkat kepercayaan 95%.

---

Administering incorrect dosage of insulin for diabetic patients can be fatal and result in severe health consequences. In addition to monitoring blood glucose levels, insulin detection can enhance diagnostic accuracy. Analytical methods, such as immunoassays and chromatography, although effective, are time-consuming and costly, making electrochemical methods more suitable for low-cost and portable applications. In this study, an insulin concentration estimation system was developed using a customized potentiostat that operates in real-time via Bluetooth Low Energy (BLE). Screen-printed carbon electrodes (SPCEs) modified with carboxyl-functionalized multiwalled carbon nanotubes (MWCNT-COOH) have been utilized because of their enhanced surface area and compact size, which make them suitable for portable applications. The estimation system was enhanced by incorporating multiple predictors: the peak currents from the second and third cycles of cyclic voltammetry analysis and the electroactive surface area of the. Through cross-validation, our method showed strong performance, achieving a determination coefficient (R2) greater than 0.90 for all combinations of training datasets and greater than 0.85 for all combinations of testing datasets. Additionally, hypothesis testing revealed that the surface area had a statistically significant relationship with concentration, with a p-value of 0.006, indicating that adding this predictor does not enhance R2 due to random chance."