Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."