Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam operasional rumah sakit, ruang operasi menjadi salah satu ruang yang cukup vital, karena tidak semua tindakan pengobatan dapat dilakukan dengan pendekatan yang konservatif (penggunaan obat), tetapi terdapat juga kondisi yang memerlukan tindakan operatif, seperti tindakan pengangkatan rahim dan pembedahan. Untuk menunjang tindakan tersebut, ruang operasi memiliki komponen dan karaktersitik sarana&prasarana yang berbeda. Sebagai rumah sakit yang baru berdiri, RSUI membutuhkan suatu SOP pemeliharaan & perawatan terhadap komponen sarana & prasarana yang ada, baik komponen struktur, arsitektur, mekanikal, elektrikal, dan peralatan biomedik untuk menjamin keselamatan dari pasien. Selain itu, SOP juga memberi kejelasan apa, siapa, dan kapan aktivitas pemeliharaan&perawatan tersebut dilaksanakan. Terdapat komponen yang terdiri dari 7 komponen arsitektur, 1 komponen struktur, 20 komponen mekanikal, 9 komponen elektrikal, dan 20 komponen peralatan biomedik yang dikembangkan untuk menjadi SOP. Faktor risiko dan mitigasinya pun dimasukan ke dalam komponen SOP, untuk menghindari dampak yang dapat membahayakan nyawa pasien atau menggangu jalannya operasional Ruang Operasi RSUI.

---

ABSTRACTIn hospital operations, the operating room is one of the vital room, because not all treatment of medicine can be carried out with a conservative approach (drug use), but there are also conditions that require operative measures, such as removal of the uterus and surgery. To support these actions, the operating rooms has different components and characteristics of facilities & infrastructure. As a newly established hospital, RSUI requires an SOP for maintenance & maintenance of existing facilities & infrastructure components, both structural, architectural, mechanical, and biomedical equipment to ensure the safety of patients. In addition, the SOP also gives clarity, who, and when the maintenance activities are carried out. There are 57 components consisting of 7 architectural components, 1 structural component, 20 mechanical components, 9 electrical components, and 20 biomedical equipment components developed to become SOPs. The risk factors and mitigation are included in the SOP component, to avoid impacts that could endanger the lives of patients or disrupt the operation of the RSUI Operating Room."

"ABSTRAKPerkembangan teknologi dalam bidang biomedik merupakan kemajuanpenting bagi umat manusia. Salah satu dari teknologi tersebut adalah biomaterialmampu luruh untuk stem tulang, yang saat ini sedang dikembangkan denganberbasis logam Fe. Penelitian ini membahas pengaruh albumin terhadap materialFe-Mn-C, yang difabrikasi melalui metode metalurgi serbuk, denganmemvariasikan kadar unsur Mn dan albumin terlarut. Kemudian dilakukankarakterisasi material Fe-Mn-C serta pengujian korosi material Fe-Mn-C danlarutan hasil perendamannya. Dari hasil penelitian ini didapatkan bahwakehadiran protein albumin dan penambahan kadar albumin pada larutan ringermenurunkan laju korosi. Hasil produk korosi pada larutan hasil pencelupanmaterial Fe-Mn-C didapatkan masih pada batas aman konsumsi harian tubuhmanusia, yang menandakan material Fe-Mn-C biokompatibel untuk diterapkansecara biomedik.

---

ABSTRACTBiomaterial technology has been a very important progress of human race.One of the most helpful biomaterial technology is biodegradable material forhuman bone-stem, which currently being developed with iron-based. This thesisdiscusses the effects of albumin towards Fe-Mn-C material, which has beenfabricated with metallurgy powder method, through varying levels of dissolvedMn and albumin elements. Afterwards, Fe-Mn-C material is characterized andexamined for its corrosion, along with the marinating solutions. This researchshows result that the existence of albumin protein by adding the level of albuminin ringer solution has decreased the corrosion rate. The corrosion result product inthe solution for marinating Fe-Mn-C material is still in a safe zone for dailyconsumption of human body, which indicates Fe-Mn-C material biocompatible tobe applied in biomedical."

"Terkait klasifikasi detak elektrokardiogram (EKG), telah dikembangkan banyak algoritma, baik yang terkait dengan biomedik, maupun biometrik. Karena sifat non-stasioner dari sinyal EKG, agak sulit untuk menggunakan metode tradisional yang dioptimasi secara manual, misalnya ekstraksi fitur dan klasifikasi yang berbasis waktu. Hal ini membuka peluang untuk implementasi mesin cerdas. Penelitian ini menyajikan metode baru, yaitu Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) untuk klasifikasi detak elektrokardiogram, baik yang terkait dengan biomedik, maupun biometrik. Dengan menggunakan metode ini, hanya diperlukan dua tahap proses saja, yaitu deteksi detak dan klasifikasi. Pemrosesan awal dilakukan bersamaan dengan deteksi detak, sedangkan ekstraksi fitur dilakukan sekaligus dengan klasifikasi. Selain itu, untuk meminimalkan beban komputasi dan tetap menjaga kualitas klasifikasi, beberapa teknik telah diterapkan, antara lain Residual Network, All Convolutional Network (ACN), Depthwise Separable Convolution (DSC), dan Batch Normalization (BN). Kinerja RDS-CNN ini telah dievaluasi menggunakan database aritmia Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) dan database ECG-ID. Untuk implementasi biomedik, dalam fase pelatihan model Depthwise Separable CNN ini, digunakan sekitar 22% dari 110.057 detak yang diekstraksi dari 48 file dalam database MIT-BIH. Dengan hanya menggunakan 22% data latih ini, algoritma yang kami usulkan dapat mengklasifikasi 78% detak lainnya menjadi 16 kelas. Adapun, sensitifitas, spesifisitas, prediksi positif dan akurasi masing-masing adalah 99,03%, 99,94%, 99,03%, dan 99,88%. Hasil klasifikasi biomedik ini menunjukkan bahwa metode yang disajikan ini mengungguli metode terdepan lainnya. Sedangkan untuk implementasi biometrik, model RDS-CNN telah terbukti dapat digunakan untuk otentifikasi identitas EKG (ID) 90 orang sehat dan 48 pasien dengan akurasi hingga 100%, melalui klasifikasi 8 detak otentifikasi untuk ID 90 orang sehat, dan 6 detak otentifikasi untuk ID 48 pasien. Hasil otentifikasi biometrik ini juga mengungguli metode terdepan lainnya yang menggunakan database yang sama.

---

Regarding the classification of electrocardiogram (ECG) beats, many algorithms have been developed, both related to biomedical, and biometrics. Due to the non-stationary nature of ECG signals, it is complicated to use traditional methods that are manually optimized, for example, time-based feature extraction and classification. This computation problem opens up opportunities for machine learning implementation.

This research proposes a new method, namely Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) for the classification of ECG beats, both related to biomedical, and biometrics. By using this method, only two stages of the process are needed, namely beat detection and classification. Preprocessing is done simultaneously within beat detection, while feature extraction is done simultaneously within the classification stage. Also, to minimize computational cost and to maintain classification quality, several techniques have been applied, including Residual Networks, All Convolutional Networks (ACN), Depthwise Separable Convolution (DSC), and Batch Normalization (BN). The performance of the RDS-CNN has been evaluated using the Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) arrhythmia database and the ECG-ID database.

For biomedical implementation, 110,057 beats were extracted from 48 files in the MIT-BIH database. And approximately 22% of them used for latih the Depthwise Separable CNN model. With only 22% of this latih data, our algorithm can classify 78% of the rest ECG beats into 16 classes. Meanwhile, sensitivity, specificity, positive prediction, and accuracy are 99.03%, 99.94%, 99.03%, and 99.88%, respectively. The results of this biomedical classification show that this proposed method outperforms the other state-of-the-art methods.

As for the biometric implementation, the RDS-CNN model has been proven to be able to authenticate ECG ID of 90 healthy people and 48 patients with up to 100% accuracy, through the classification of eight authentication beats for ID 90 healthy people, and six authentication beats for ID 48 patient. The results of this biometric authentication also outperform other state-of-the-art methods that use the same database."