Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu dampak ikutan dari gempabumi adalah likuifaksi. Likuifaksi merupakan peristiwa hilangnya kekuatan tanah akibat getaran gempabumi. Gempabumi M 7.7 pada 28 September 2018 di Palu-Donggala bukan hanya disertai tsunami dan aftershock, namun juga disusul adanya likuifaksi di Balaroa dan Petobo sehingga menyebabkan banyak korban jiwa. Fenomena likuifaksi dapat diteliti dengan melakukan identifikasi dan interpretasi struktur bawah permukaan. Salah satu metode untuk mengetahui struktur bawah permukaan adalah metode gaya berat. Pada penelitian ini dilakukan identifikasi bawah permukaan dengan pemodelan inversi 3D pada lokasi 119.6‒ 120.2 BT dan 0.6-1.2 LS berdasarkan data gayaberat. Data gayaberat yang digunakan bersumber dari satelit Global Gravity Model plus (GGMplus) dan hasil pengukuran lapangan oleh Badan Geologi. Hasil penelitian menunjukkan bahwa berdasarkan data satelit, nilai Anomali Bouguer di Sulawesi tengah berkisar antara -50 hingga 130 mGal. Selain itu, hasil pemodelan inversi 3D bawah permukaan menunjukkan adanya kontras densitas rendah di sekitar wilayah Kota Palu, Balaroa, dan Petobo dengan nilai -0.055 hingga -0.05 gram/cm3 dimana kedalaman densitas rendah ini sudah teridentifikasi sejak 0-125 meter di bawah permukaan dan semakin ke selatan semakin dalam. Kontras densitas rendah ini sesuai dengan kondisi geologi wilayah Palu yang didominasi lapisan Sedimen yang mampu menyimpan cairan dan menjadi faktor penyebab likuifaksi

---

Liquefaction is one of the effects following an earthquake, it is the soil strength loss due to the vibration of an earthquake. The earthquake which struck with a 7.7 magnitude on 28 September 2018 in Donggala and Palu, Sulawesi caused a series of disastrous events including a tsunami and aftershock liquefaction in Balaroa and Petobo, causing many casualties. The liquefaction can be investigated and possibly predicted by identifying and interpreting the subsurface structures. This paper identifies the geological structures in the subsurface using the gravity method. The study was carried out by 3D inversion modelling at locations 119.6‒ 120.2 BT and 0.6-1.2 LS based on gravity data. The gravity data was gained from Global Gravity Model plus (GGMplus) and the field measurement from the Geological Agency. The study from satellite and the Bouguer anomaly in the Central Sulawesi show that it has gravity of -50 to 130 mGal. The 3D inversion model of the subsurface shows low density contrast around the areas of Palu, Balaroa, and Petobo with values of -0.055 to -0.05 gram/cm3 where these low density depths have been identified from 0-125 meters below the surface and even deeper to the southern part of the study area. This low density contrast is in accordance with the geological conditions of the Palu which is dominated by porous sediment layers which are capable of storing fluids that are the main factor in causing the liquefaction.

Abstrak :
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.

Abstrak :
Wilayah Panas Bumi “X” merupakan bagian dari Busur Banda bagian Vulkanik Dalam. Busur Banda ini merupakan hasil dari subduksi antara Lempeng Indo-Australia dengan Lempeng Eurasia sehingga menghasilkan zona vulkanik yang menguntungkan terbentuknya sistem panas bumi. Identifikasi struktur geologi penting untuk memetakan zona permeabilitas tinggi di Wilayah Panas Bumi “X”, Nusa Tenggara Timur. Identifikasi struktur geologi pada penelitian ini menggunakan metode gravitasi dan pemetaan kelurusan berdasarkan Digital Elevation Model (DEM). Data anomali Bouguer lengkap dipisahkan menjadi anomali residual dan anomali regionalnya menggunakan filter Moving Average (MVA). Berdasarkan analisis spektrum, kedalaman rata-rata dari zona anomali gravitasi regional adalah 49,44 km, sedangkan kedalaman zona anomali gravitasi residual rata-rata adalah 3,612 km. Berdasarkan pemetaan kelurusan berdasarkan DEM, teridentifikasi kelurusan struktur geologi yang sebagian besar menunjukkan orientasi timur laut-barat daya. Hal ini cocok dengan sesar yang teridentifikasi dari data anomali residual berdasarkan analisis derivatif yang sebagian besar menunjukkan orientasi yang hampir sama. Orientasi ini juga cocok dengan sesar yang dilaporkan pada peta geologi yang menunjukkan orientasi yang mirip. Selain itu, pemetaan kelurusan berdasarkan DEM mampu menunjukkan keterkaitan antara keberadaan mata air panas dengan zona yang memiliki nilai Fault and Fracture Density (FFD) tinggi serta keterkaitan antara zona FFD sedang hingga tinggi dengan keberadaan sesar yang dilaporkan oleh peta geologi. Penelitian ini juga menghasilkan informasi mengenai zona permeabilitas tinggi yang berpotensi untuk diteliti lebih lanjut. ......The "X" Geothermal Area is part of the Inner Banda Volcanic Arc. This Banda Arc is the result of subduction between the Indo-Australian Plate and the Eurasian Plate, creating a favorable volcanic zone for the formation of geothermal systems. The identification of geological structures is crucial for mapping high-permeability zones in the "X" Geothermal Area, East Nusa Tenggara. In this study, the identification of geological structures was conducted using gravity methods and lineament mapping based on Digital Elevation Model (DEM). The complete Bouguer anomaly data was separated into residual and regional anomalies using a Moving Average (MVA) filter. Based on spectrum analysis, the average depth of the regional gravity anomaly zone was found to be 49.44 km, while the average depth of the residual gravity anomaly zone was 3.612 km. Based on lineament mapping from DEM, geological structures were identified predominantly showing a northeast-southwest orientation. This is consistent with the identified faults from the residual anomaly data through derivative analysis, which also exhibited a similar orientation. This orientation is also in agreement with reported faults on the geological map showing a similar orientation. Furthermore, lineament mapping from DEM was able to indicate the correlation between the presence of hot springs and zones characterized by high Fault and Fracture Density (FFD) values, as well as the correlation between moderate to high FFD zones and the reported faults on the geological map. This research also provides information regarding high-permeability zones that have the potential for further investigation.

Abstrak :
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.