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 :
Beras merupakan bahan pangan pokok bagi masyarakat Indonesia. Biasanya masyarakat Indonesia memilih beras berdasarkan varietas karena masing-masing varietas memiliki karakteristik cita rasa, tekstur, dan aroma yang berbeda-beda. Pada aspek kesehatan, masyarakat dapat memilih beras berdasarkan teknik budi daya, yaitu organik atau anorganik. Namun, pada saat ini belum ada instrumen yang mampu mengidentifikasi varietas dan teknik budi daya beras. Penelitian ini dirancang untuk membuat sistem pengenalan varietas dan teknik budi daya beras berbasis citra hiperspektral dengan rentang panjang gelombang 400 – 1000 nm. Sistem dirancang menggunakan multi-output multi-class dengan arsitektur AlexNet. Dalam proses pembangunan sistem, citra yang masuk ke dalam sistem disegmentasi menjadi bagian kecil yang disebut sebagai region of interest (ROI). Penelitian ini melakukan eksperimen variasi ukuran ROI sebesar 32x32, 36x36, dan 40x40. Hasil akurasi pengujian yang cukup baik diperoleh dari model multi-output dengan ukuran ROI 40x40. Hasil akurasi pengujian yang diperoleh adalah sebesar 95,14% untuk output varietas dan 96,43% untuk output teknik budi daya. Melalui eksperimen ini, sistem multi-output multi-class berbasis citra hiperspektral terbukti mampu mengidentifikasi varietas dan teknik budi daya beras sekaligus.

---

Rice is a staple food for Indonesian people. Usually, they choose rice based on varieties because each variety has different characteristics of taste, texture, and aroma. In health aspect, they can choose rice based on cultivation techniques such as organic or conventional. However, at this time there is no instrument that can identify variety and cultivation technique of rice. This research is designed to create a recognition system of both variety and cultivation technique based on hyperspectral image with a wavelength range of 400 – 1000 nm. The system is designed using multi-output multi-class with AlexNet architecture. In the system development process, the images that enter the system are segmented into small parts called region of interest (ROI). This study conducted an experiment with ROI variation size of 32x32, 36x36, and 40x40. A good test results are obtained from ROI size of 40x40. The test accuracy results are 95.14% for variety ouput and 96.43% for cultivation technique output. Through this experiment, a multi-output multi-class system based on hyperspectral image was proven to be able to identify variety and cultivation technique of rice at the same time.

Abstrak :
Pola konsumsi pangan masyarakat Indonesia saat ini telah beralih dari sekedar pemenuhan kebutuhan dasar menjadi pola konsumsi makanan sehat yang disebut sebagai pangan fungsional. Beras berpigmen masuk kedalam jenis makanan fungsional karena mengandung banyak antioksidan yang berasal dari antosianin. Namun beras berpigmen dinilai mudah apek jika disimpan terlalu lama. Teknologi iradiasi dapat digunakan untuk mengawetkan makanan secara aman dan efektif sehingga dapat memperpanjang umur simpannya. Penyinaran radiasi gamma dengan dosis tertentu dapat menyebabkan terjadinya perubahan komposisi nutrisi yang terkandung dalam beras. Sehingga perlu dilakukan pengukuran kandungan nutrisi beras berpigmen pasca iradiasi untuk menjamin kesesuaian gizi pada beras tersebut.  Penelitian ini dilakukan untuk membangun sistem multi-output yang mampu memprediksi kadar total antosianin dan kadar air pada beras berpigmen teriradiasi berbasis pencitraan hiperspektral. Evaluasi model dilakukan dengan menghitung nilai root mean square error (RMSE) dan koefisien determinasi R2 dari model multi-output dan membandingkan performanya dengan model single-output. Hasilnya didapatkan bahwa model multi-output Spectral Xception mampu melakukan prediksi yang sangat baik dengan performa pengujian kadar total antosianin menghasilkan nilai RMSE sebesar 0,9105 dan R2 sebesar 0,9963, serta pengujian kadar air bernilai RMSE sebesar 0,2529 dan R2 sebesar 0,9784. Selain itu, model multi-output secara umum lebih efisien dibandingkan single-output karena proses pelatihannya 48% lebih cepat. Pada penelitian ini juga dilakukan evaluasi performa model multi-output Spectral Xception saat menggunakan dataset yang berbeda. ......Food consumption pattern of the Indonesian people has shifted from merely fulfilling basic needs to becoming a healthy food consumption which is referred to functional food. Pigmented rice can be categorized as a type of functional food because it contains antioxidants derived from anthocyanins. However, pigmented rice is considered to be easily stale when stored for too long. Irradiation technology can be used to safely and effectively preserve food to extend its shelf life. Utilization of gamma radiation irradiation with certain doses can cause changes in the composition of the nutrients contained therein. So it is necessary to measure the nutritional content of post-irradiation pigmented rice to ensure the nutritional suitability of the rice. This research was conducted to develop a multi-output system to predict total anthocyanin content and water content in irradiated pigmented rice based on hyperspectral imaging. Model evaluation has been carried out by calculating the root mean square error (RMSE) value and the coefficient of determination R2 of the multi-output model and comparing its performance with the single-output model. The results showed that the multi-output spectral xception model was able to make very good predictions with test performance at total anthocyanin content RMSE values of 0.9105 and R2 0.9963, as well as testing for water content RMSE values of 0.2529 and R2 0.9784. In addition, the multi-output model is generally more efficient than the single-output model because the training process is 48% faster. This research also evaluates the performance of the multi-output spectral exception model when using different datasets.

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 :
Sebagai negara yang memproduksi dan mengkonsumsi beras dalam jumlah besar, instrumen untuk mengidentifikasi kualitas mutu dan varietas cukup dibutuhkan di Indonesia. Varietas dan kualitas dari suatu beras sangat mempengaruhi harga jual beras tersebut. Sulitnya proses identifikasi varietas dan kualitas dapat menimbulkan kecurangan dalam proses jual beli. Salah satu metode yang cukup modern untuk melakukan identifikasi adalah menggunakan pencitraan hiperspektral yang digabungkan dengan pembelajaran mesin. Pada penelitian ini dibuat sebuah sistem klasifikasi multi-output untuk mengidentifikasi varietas dan kualitas beras secara bersamaan. Sistem ini menerima citra hiperspektral dengan 224 band pada rentang 400-1000 nm. Bagian tengah citra akan disegmentasi dan dijadikan input model klasifikasi. Keluaran dari model ini berupa hasil prediksi varietas dan kualitas mutu dari sampel beras tersebut. Sistem dibuat untuk mengklasifikasikan 8 varietas beras, yaitu pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4 dan ciherang serta 2 buah kualitas yaitu premium dan medium. Model klasifikasi dibuat dengan menggunakan 3 buah arsitektur yang berbeda. Sistem dengan arsitektur InceptionV3 menghasilkan akurasi validasi sebesar 97.57% dan 91.30%. Sistem dengan arsitektur Xception menghasilkan akurasi validasi sebesar 95.83% dan 86.74%. Sistem dengan arsitektur HybridSN menghasilkan akurasi validasi terbaik yaitu sebesar 99.39% dan 97.09%. Berdasarkan hasil akurasi tersebut terlihat bahwa sistem klasifikasi multi-output CNN dapat bekerja dengan cukup baik. ......As a country that produces and consumes large amounts of rice, instruments to identify quality and varieties are quite needed in Indonesia. The variety and quality of a rice greatly affects the selling price of the rice. The difficulty of the process to identifying varieties and qualities can lead to fraud in the buying and selling process. One fairly modern method of performing identification is to use hyperspectral imaging combined with machine learning. In this study, a multi-output classification system was created to identify the variety and quality of rice simultaneously. The system receives hyperspectral image with 224 bands in the range of 400- 1000 nm. The middle part of the image will be segmented and inputted into the classification model. The output of this model is in the form of predictions of varieties and quality of the rice sample. The system was made to classify 8 varieties of rice, namely pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4, ciherang and 2 class of quality, namely premium and medium. The system was made using 3 different architectures. Systems with the InceptionV3 produce validation accuracy of 97.57% and 91.30%. Systems with the Xception resulted in validation accuracy of 95.83% and 86.74%. Systems with HybridSN architecture produce the best validation accuracy of 99.39% and 97.09%. From the results of such accuracy, it can be seen that the multi-output classification system can work quite well.