Hasil Pencarian  ::  Simpan CSV :: Kembali

"Layanan web RESTful ASP.NET dan RESTful Symfony memiliki kinerja yang berbeda pada sistem E-Voting. RESTful memiliki kinerja yang lebih baik dari sisi throughput dan latency dibanding RESTful Symfony. Kinerja RESTful ASP.NET yang lebih baik didukung oleh penggunaan sumber daya server yang lebih efisien. Perbedaan kinerja ini mengakibatkan kapasitas kedua RESTful berbeda. RESTful ASP.NET diestimasi dapat melayani 76.190 voter dan RESTful Symfony mampu melayani 52.458 voter dalam 6 jam. Kapasitas melayani voter ini dicapai oleh RESTful ASP.NET pada jumlah koneksi 100 dan dicapai oleh RESTful Symfony pada jumlah koneksi 10 dengan keduanya memiliki tingkat akurasi 100 %.

---

RESTful web services of ASP.NET dan Symfony have different performance record in E-Voting. RESTful of ASP.NET has better performance in terms of throughput and latency compared to Symfony. This better performance relate to efficient use of server resources by RESTful of ASP.NET. The differences in performance result indicate different capacity for both RESTful. RESTful of ASP.NET is estimated can serve 76.190 voters and Symfony can serve 52.458 voters in 6 hours. Serving capacity of voters is achieved by RESTful of ASP.NET on 100 connections and achieved by RESTful of Symfony on 10 connections with 100 % accuracy for both RESTful."

"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.

"