Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Proteinuria merupakan indikator adanya penyakit gagal ginjal yang ditandai dengan konsentrasi protein yang tinggi pada urine. Urine manusia dengan konsentrasi protein melebihi 0,15 g/L dianggap abnormal dan dapat diindikasikan sebagai penderita proteinuria. Secara berkolerasi, tingginya konsentrasi protein dalam urine menyebabkan pH urine semakin rendah dan specific gravity urine semakin tinggi. Beberapa tahun terakhir, dikembangkan sistem urinalisis berbasis deep learning menggunakan citra ponsel pintar. Namun, sistem ini hanya mampu memprediksi satu kadar analit urine tertentu, sesuai dengan target yang ditentukan. Pada penelitian ini, dikembangkan sistem urinalisis multi-output berbasis citra kamera ponsel pintar menggunakan model ResNet50 yang mampu melakukan pengukuran terhadap kadar protein, pH, dan specific gravity urine secara serentak. Urinalisis dilakukan dengan memanfaatkan kolorimetri pada strip uji celup urine URIT 11G. Citra strip uji dan papan warna referensi (X-Rite ColorChecker) diambil menggunakan kamera ponsel pintar, kemudian diproses menjadi bentuk barcode uji. Barcode uji digunakan sebagai input model dengan output berupa prediksi kadar analit dalam urine. Hasil penelitian ini menunjukkan bahwa model urinalisis multi-output berhasil dibangun menggunakan arsitektur CNN ResNet50 dengan akurasi sebesar 96,63% pada output klasifikasi serta mampu melakukan prediksi kadar analit secara regresi dengan performa R2 dan RMSE berturut-turut sebesar 0,9487 dan 0,0951. Performa tersebut menunjukkan bahwa sistem urinalisis multi-output berhasil dibangun dengan performa yang dapat bersaing dengan model urinalisis single-output, secara lebih efisien karena hanya menggunakan satu model ResNet50 untuk menghasilkan 6 output prediksi berbeda. ......Proteinuria is an indicator of kidney disease characterized by high protein concentration in urine. Human urine with protein concentration exceeding 0.15 g/L is considered abnormal and indicative of proteinuria. Correlatively, elevated protein concentration in urine leads to lower urine pH and higher specific gravity. In recent years, a deep learning-based urinalysis system using smartphone images has been developed. However, these systems are only capable of predicting a specific analyte level in urine according to predetermined targets. In this study, a multi-output urinalysis system based on smartphone camera images was developed using the ResNet50 model. This system is capable of simultaneously measuring protein, pH, and specific gravity levels in urine. Urinalysis was conducted using colorimetry on URIT 11G urine dipstick tests. Images of the dipstick tests and reference color board (X-Rite ColorChecker) were captured using a smartphone camera and processed into test barcodes. The test barcodes were used as inputs for the model, which generated predictions of analyte levels in urine as outputs. The results of this study demonstrate that a multi-output urinalysis model was successfully built using the ResNet50 CNN architecture. It achieved an accuracy of 96.63% in classification output and was able to predict analyte levels through regression with R2 and RMSE performances of 0.9487 and 0.0951, respectively. These performances indicate that the multi-output urinalysis system was successfully developed with competitive performance compared to single-output urinalysis models, but with greater efficiency as it only utilized one ResNet50 model to generate six different prediction outputs.

Abstrak :
Penyakit ginjal kronis (PGK) merupakan tantangan kesehatan global yang signifikan dan mempengaruhi populasi di seluruh dunia. Salah satu tanda klinis PGK adalah piuria, yaitu keberadaan leukosit dalam urine, meskipun tidak selalu mengindikasikan infeksi saluran kemih (ISK). Dalam penelitian ini, telah dikembangkan sistem kolorimetri berbasis citra untuk mendeteksi kadar leukosit dan berat jenis pada urine menggunakan strip uji urine, aplikasi ponsel pintar, dan backend server.Perancangan sistem mencakup kotak uji akuisisi citra, algoritma pengolahan citra, serta model klasifikasi Convolutional Neural Network (CNN). Sistem juga melibatkan aplikasi ponsel pintar berbasis client-server dan server berbasis Flask. Hasil penelitian menunjukkan bahwa backend service berbasis Flask berhasil memprediksi nilai kadar leukosit dan berat jenis urine pada strip uji dengan kecepatan dan akurasi yang memuaskan. Pada individual model, kecepatan rata-rata pada web browser sebesar 271,2 ms, dan pada multi model sebesar 363,2 ms. Sedangkan pada aplikasi ponsel pintar, kecepatan rata-rata pada individual model mencapai 572,3 ms, dan pada multi model mencapai 648,8 ms. Tingkat akurasi pada individual model mencapai 97% dengan nilai RMSE sebesar 0,00144 dan R2 sebesar 0,966, sementara pada multi model, tingkat akurasi meningkat menjadi 98% dengan nilai RMSE sebesar 0,00195 dan R2 sebesar 0,937. Hasil menunjukkan bahwa kecepatan server pada web browser lebih cepat dengan kecepatan rata-rata 402,5 ms, dibandingkan dengan kecepatan ponsel pintar yang mencapai 686,1 ms. ......Chronic kidney disease (CKD) is a significant global health challenge that affects a large number of people worldwide. One clinical sign of CKD is pyuria, the presence of leukocytes in the urine, although it does not always indicate urinary tract infection (UTI). This study designed a image-based colorimetric system to detect leukocyte levels and specific gravity in urine using urine test strips, a smartphone application, and a backend server.The system's design encompasses an image acquisition box, image processing algorithm, Convolutional Neural Network (CNN) classification model, client-server based smartphone application, and Flask-based server. The system relies on color changes in the urine test strip due to chemical reactions with specific substances, measured using the smartphone application. The results were analyzed and evaluated using the confusion matrix to measure the system's performance.The findings of the study indicate that the Flask-based backend service successfully predicted leukocyte levels and specific gravity in urine on the test strip with impressive speed and accuracy. In the individual model, the average speed on the web browser was 271.2 ms, and in the multi-model it was 363.2 ms. On the smartphone application, the average speed in the individual model was 572.3 ms, and in the multi-model, it was 648.8 ms. The individual model achieved an accuracy of 97% with an RMSE of 0.00144 and R2 of 0.966, while the multi-model achieved an accuracy of 98% with an RMSE of 0.00195 and R2 of 0.937. The results showed that the web browser server was faster with an average speed of 402.5 ms compared to the smartphone's speed of 686.1 ms

Abstrak :
Ginjal adalah organ penting dalam tubuh yang berfungsi untuk menyaring darah dan membuang limbah tubuh melalui urin. Ketika ginjal tidak dapat berfungsi pada kapasitas penuh, tubuh akan mengalami gejala yang mempengaruhi kualitas hidup seperti letih, sakit, dan depresi. Pada umumnya, penyakit ginjal kronis ditandai oleh adanya protein didalam urine dan nilai pH yang kecil. Kadar kimia dalam urine seperti protein, pH dan lainnya dapat diuji sehingga membantu pekerja medis dalam diagnosis serta perawatan lebih lanjut. Salah satu metode urinalisis adalah dengan menggunakan tes strip yang memanfaatkan sistem kolorimetri. Namun akurasi dari tes strip masih bersifat semi-kuantitatif dan dibatasi oleh kemampuan penglihatan manusia. Pada penelitian ini, diusulkan rancangan sistem urinalisis berbasis deep learning dalam aplikasi seluler Android. Sisi klien pada aplikasi seluler dibangun dengan menggunakan framework React Native sedangkan sisi server dibangun menggunakan Flask. Aplikasi seluler yang dibangun memiliki tiga proses penting, yaitu proses akuisisi citra, pengunggahan citra, dan penampilan hasil pengujian. Model deep learning yang sudah dibangun diimplementasikan ke dalam sisi server untuk mendapatkan prediksi kadar protein dan pH. Hasil model regresi terbaik adalah model output tunggal dengan arsitektur ResNet-50 dengan nilai RMSE 0.055 dan 0.981. Hasil model klasifikasi terbaik adalah model empat output dengan arsitektur ResNet-50 dengan nilai akurasi 99.2% dan 98.5%. ......Kidneys are important organs in the body that filter blood and remove body waste through urine. When kidneys are not functioning at full capacity, the body will experience symptoms that affect the quality of life such as fatigue, pain, and depression. In general, chronic kidney disease is characterized by the presence of protein in the urine and a low pH value. Chemical levels in urine such as protein, pH, and others can be tested to help medical workers in diagnosis and further treatment. One method of urinalysis is to use a strip test that utilizes a colorimetric system. However, the accuracy of the strip test is still semi-quantitative and limited by the ability of human vision. In this study, a deep learning-based urinalysis system design in an Android mobile application is proposed. The client side of the mobile application is built using the React Native framework while the server side is built using Flask framework. The mobile application has three important processes, namely image acquisition, image upload, and test result display. The deep learning model that has been built is implemented into the server side to get predictions of protein and pH levels. The best regression results are single output models with ResNet-50 architecture with RMSE values of 0.055 and 0.981. The best classification results are the four-output model with ResNet-50 architecture with accuracy values of 99.2% and 98.5%.

Abstrak :
Latar Belakang Sarnpai saat ini batu saluran kemih (BSK) pada anak masih merupakan masalah kesehatan anak di negara yang sedang berkembang ( Aurora dkk.,1970; Remzi dkk.,1984 ). Urolitiasis atau batu saluran kemih telah dikenal sejak beberapa abad yang lampau. Ruffer (dikutip oleh Aurora dkk.,1970) melaporkan penemuan batu buli-buli di sela kerangka Predinasti Mesir; namun hingga saat kini BSK masih merupakan hal yang menarik dalam ilmu kedokteran untuk dibicarakan. Beberapa laporan dari Eropa dan Amerika yang dikutip oleh Walther dkk.(1980) menunjukkan adanya penurunan frekuensi kejadian BSK pada anak. Namun di beberapa negara Asia, penyakit ini masih bersifat endemis ( Malek, 1976; Tellaloglu dan Ander, 1984). Indonesia terletak pada kelompok negara dunia yang termasuk dalam daerah 'sabuk batu' ('stone belt'). Batu saluran kemih pada anak mempunyai frekuensi kejadian, komposisi batu dan keadaan Minis yang berbeda-beda, dari satu negara ke negara lain, dan dari masa ke masa. Bahkan di negara-negara yang penyakit ini bersifat endemis, terdapat perbedaan lokasi batu dan hubungannya dengan infeksi saluran kemih (Tellaloglu dan Ander, 1984). Penyakit ini berhubungan erat dengan faktor sosioekonomi. Berbagai penelitian telah membuktikan bahwa dengan perbaikan status sosio-ekonomi, frekuensi kejadian BSK bagian bawah akan menurun, namun frekuensi kejadian BSK bagian atas akan meningkat (Sinno dkk., 1979). Penyakit ini juga menunjukkan adanya predisposisi dalam keluarga ( Aurora dkk.,1970; Malek,1976; Smith,1981; Noe dkk.,1983 ). Baru saluran kemih merupakan bagian yang besar dari penyebab kunjungan ke unit gawat darurat maupun perawatan bedah di rumah sakit. Bahkan bagian terbesar dari operasi urologi adalah pengangkatan batu dari saluran kemih (Remzi,1980; Asworth dan Hill, 1988). Di Jakarta, dalam kurun waktu 1979 - 1980, Rahardjo dan Firdaoessaleh (1982), menemukan 319 kasus (20,49 %) batu saluran kemih dari 1557 kasus urologi yang dirawat. Akibat yang ditimbulkan oleh batu saluran kemih ialah obstruksi, infeksi, rasa nyeri dan metaplasia, yang sangat merugikan penderita. Obstruksi dan infeksi yang berlangsung lama akan menyebabkan gangguan fungsi ginjal, bahkan dapat sampai ke taraf gagal ginjal. Sedang rasa nyeri yang hebat, dapat menyebabkan seorang penderita Herman dari Binjai (Sumatera Utara) pada tahun 1988, nekat mengoperasi dirinya sendiri untuk mengeluarkan batu dari dalam buli-bulinya (Tempo, 1988). Meskipun penelitian yang ekstensif telah banyak dilakukan, namun sampai sekarang etiologi dan patogenesis pembentukan BSK masih belum jelas (Aurora dkk.,1970; Remzi, 1980 ). Penyakit batu saluran kemih sebenarnya merupakan penyakit kronik. Penyelidikan faktor penyebab terjadinya BSK pada setiap kasus perlu dilakukan untuk dapat mengatur cara pencegahan kekambuhan. Oleh karena belum semua faktor pembentukan batu dapat diterangkan dengan jelas, maka pemantauan untuk mengawasi hasil operasi dan kemungkinan kekambuhan sangat penting. Namun sangat disayangkan, pada kasus-kasus BSK , usaha yang dilakukan sering kali masih dititikberatkan pada pengangkatan batu itu sendiri, sehingga meskipun pengobatan BSK mengalami kemajuan yang pesat akhir-akhir ini, tetapi usaha pencegahan kekambuhan masih merupakan tantangan bagi para peneliti (Ohkawa dan Morimoto, 1987).

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.