Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada penelitian kali ini telah dirancang dan dibangun Sistem Akuisisi Data Elektrokardiograf (ECG) 12-Lead dengan ADS1298RECGFE-PDK sebagai analog front end dan Raspberry Pi 4 secara ringan, hemat daya, dan harga yang terjangkau. Rancangan sistem juga dikembangkan dengan baterai internal Sony VTC 5 dengan tujuan untuk reduksi noise dari power line. Pengambilan data dilakukan dengan menggunakan Prosim4 Fluke dengan data yang diambil adalah 60bpm, 80bpm, 90bpm dan partisipan dalam kondisi berbaring. Rancangan sistem ini akan dibandingkan dhasilnya dengan Bionet Cardiocare 2000 Hasil rekaman kemudian diolah dengan melakukan baseline wander removal, LPF, dan FFT. Data yang telah diproses pada rancangan sistem kemudian akan disimpan dalam format WFDB. Penelitian ini kemudian melakukan penghitungan selisih sinyal yang diperoleh dari Cardiocare dengan rancangan sistem yang dibuat. Metode regresi linier juga dilakukan untuk komparasi kedua rekaman. Regresi linier dilakukan pada sinyal rekaman 80 bpm. Dari hasil tersebut didapat error paling besar pada v1 dengan error selisih, gradien, dan intercept masing-masing 25.257, 0.132%, dan 3.641%. Rancangan sistem akan digunakan untuk identifikasi Myocardial Infarction menggunakan dataset dari PTB Diagnostic. Metode yang digunakan adalah convolutional neural network (CNN). Hasil dari klasifikasi diperoleh akurasi 96.28%, spesifisitas 94.07%, dan sensitivitas 96.89%.

---

This study has designed and built a 12-Lead Electrocardiograph Data Acquisition System with ADS1298RECGFE-PDK as an analog front end and Raspberry Pi 4 in a lightweight, power-saving, and affordable price. The system was also developed with the Sony VTC 5 battery in order to reduce noise from the power line. Data retrieval is done using Prosim4 Fluke with data taken are 60bpm, 80bpm, 90bpm and participants lying down. The system will be compared with the results of Bionet Cardiocare 2000. The results are then processed by performing a baseline wander removal, LPF, and FFT. Data that has been processed will be saved in WFDB format. This study then calculate the difference of signal obtained from Cardiocare with the system created. Linear regression method was also used to compare the records. Linear regression was performed on 80 bpm signal. From these results, the largest error was obtained in v1 with error difference, gradient, and intercept of 25.257, 0.132%, and 3.641%, respectively. This system will be used to identify Myocardial Infarction using dataset from PTB Diagnostic. The method used is convolutional neural network (CNN). The results have an accuracy of 96.28%, specificity of 94.07%, and sensitivity of 96.89%.

Abstrak :
Kerak pipa selalu terjadi pada pipa produksi pada pembangkit listrik yang memanfaatkan panas bumi. Kerak pipa dapat terjadi dalam waktu yang lama maupun dalam hitungan bulan. Hal ini dapat mempengaruhi diameter dalam pada pipa sehingga dapat mengurangi laju alir dan bahkan dapat menyumbat pipa. Pengukuran tebal kerak pipa dibutuhkan untuk dapat mengetahui seberapa besar kerak yang terjadi di dalam pipa. Gamma scanning merupakan teknik yang digunakan untuk menganalisis struktur di dalam suatu objek tanpa merusak atau membuka bagian objek tersebut sehingga dapat digunakan tanpa mengganggu jalannya operasi. Sistem Gamma scanning dalam penelitian ini dapat melakukan pemindaian secara otomatis dan dapat diinstall dengan mudah. Sumber radiasi Gamma Cs-137 digunakan sebagai pemancar foton gamma menembus objek yang kemudian akan dideteksi menggunakan detector sintilasi NaI(Tl). Sistem pengendali menggunakan Arduino dan Raspberry Pi 4 yang akan mengatur pergerakan secara otomatis dan juga pengambilan data serta pengolahan data. Data hasil rekonstruksi akan dianalisis untuk mengetahui ketebalan kerak di dalam pipa. ......The growth rate of pipe scale always occurs in production pipes at power plants that utilize geothermal energy. This growth rate can occur in a long time or in a matter of months. This can affect the inside diameter of the pipe so that it can reduce the flow rate and can even clog the pipe. Measurement of the growth rate of pipe scale is needed to be able to find out how much scale occurs in the pipe. Gamma scanning is a technique used to analyze the structure inside an object without damaging or opening parts of the object so that it can be used without disturbing the operation. The Gamma scanning system in this study can perform scanning automatically and can be installed easily. Gamma radiation source Cs-137 is used as a gamma photon emitter to penetrate the object which will then be detected using a NaI(Tl) scintillation detector. The control system uses Arduino and Raspberry Pi 4 which will automatically regulate the movement as well as data retrieval and data processing. The reconstructed data will be analyzed to determine the thickness of scale in the pipe.

Abstrak :
Dalam penelitian ini, telah dibangun sebuah sistem akuisisi data elektrokardiograf (EKG) 12-lead berbasis Raspberry Pi 4 yang berbobot rendah, berdaya rendah dan terjangkau. Raspberry Pi 4 digunakan untuk mengakuisisi dan memproses sinyal elektrokardiograf (EKG) dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas dan versality. Sebagai pusat dari sistem akuisisi data yang dibangun, Raspberry Pi menerima, memproses, dan menyimpan data dari Analog Front-End to Digital Converter (ADC) ADS1298RECGFE-PDK. ADS1298 memiliki beberapa kelebihan diantaranya adalah akuisisi data secara simultan, resolusi 24-bit, membutuhkan daya <0.2 mW dan noise<1μV. Komunikasi data yang digunakan dalam sistem yang dibangun adalah Serial Peripheral Interface (SPI). Sistem ini menggunakan sumber daya dari baterai Sony VTC5 18650 untuk mencegah interferensi power line. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter low pass Butterworth dengan orde 5 dan Fast Fourier Transform (FFT) pada program Python. Bahasa pemrograman yang digunakan adalah C yang digunakan untuk komunikasi antara Raspberry Pi dengan ADS1298RECGFE-PDK dan Python yang digunakan pemrosesan sinyal. Sistem ini telah dievaluasi menggunakan ProSim 4 yang menghasilkan bentuk gelombang ECG dengan ECG rate 120 BPM, 150 BPM, dan Aritmia, serta pengambilan data partisipan. Dicari juga selisih sinyal yang diperoleh dengan CardioCare 2000 dan hubungannya menggunakan regresi linier pada 120 BPM. Didapatkan nilai error selisih, gradien, dan intercept terbesar adalah 23.615%, 0.062%, dan 9.030%. Sistem ini akan digunakan dalam studi lain untuk mendeteksi Aritmia dengan metode klasifikasi Convolutional Neural Network (CNN). Hasil dari klasifikasi menunjukkan accuracy 100%, specificity 100%, dan sensitivity 100%.

---

In this study, a low weight, low cost, and affordable Raspberry Pi 4 based 12-lead electrocardiograph (ECG) data acquisition system has been built. Raspberry Pi is used to acquire and process electrocardiograph (ECG) signals in high performance, because it has a combination of flexibility and versality. As the center of the data acquisition system built, Raspberry Pi acquires, processes, and stores data from the ADS1298RECGFE-PDK Analog Front-End to Digital Converter (ADC). ADS1298 has several advantages including simultaneous data acquisition, 24-bit resolution, requires power <0.2 mW and noise <1μV. Data communication used in the system built is the Serial Peripheral Interface (SPI). The system uses the power source of the Sony VTC5 18650 battery to prevent power line interference. For the signal processing section, the authors implement the Butterworth low pass filter in order 5 and Fast Fourier Transform (FFT) in the Python program. The programming language used is C which is used for communication between Raspberry Pi with ADS1298RECGFE-PDK and Python which is used for signal processing. This system has been evaluated using ProSim 4 which produces ECG waveforms with ECG rates of 120 BPM, 150 BPM, and Arrhythmia, as well as participant data collection. This system is also looking for the difference in the signal obtained by CardioCare 2000 and its linear relationship using linear regression.The biggest difference, gradient, and intercept error values are 23.615%, 0.062%, and 9.030%. This system will be used in other studies to predict arrhythmias using the Convolutional Neural Network (CNN) classification method. The results of the classification show 100% accuracy, 100% specificity, 100% sensitivity.

Abstrak :
Dalam sistem presensi konvensional, seringkali terjadi kecurangan dalam proses presensi baik itu yang menggunakan RFID ataupun manual dengan tanda tangan. Begitu pula dengan presensi menggunakan teknologi pengenalan wajah juga terjadi kecurangan dengan menggunakan foto gambar wajah atau rekaman video,  Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma Deep Learning untuk mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Pada pengimplementasiannya digunakan Raspberry Pi 4 Model B agar lebih efektif dan efisien dalam penerapannya. Metodologi yang digunakan dalam penelitian ini adalah dengan mengumpulkan dataset wajah asli dan palsu, kemudian dilakukan proses pelatihan menggunakan algoritma Deep Learning. Algoritma Deep Learning sudah terkenal efektif dalam mengenali fitur wajah. Dataset yang digunakan dalam penelitian ini adalah kombinasi antara dataset wajah asli dan palsu yang dikumpulkan dari berbagai sumber. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa penggunaan teknologi pengenalan wajah dengan penerapan algoritma Deep Learning sebagai Face Anti-Spoofing (FAS) mampu mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Hal ini terlihat dari tingkat keakuratan yang diperoleh dari proses pengujian yang dilakukan pada sistem presensi yang dikembangkan. Diharapkan sistem presensi ini dapat diimplementasikan secara luas untuk meningkatkan keamanan dan keandalan dalam sistem presensi berbasis wajah. ......In conventional attendance systems, cheating often occurs in the attendance process, whether using RFID or manual methods with signatures. Similarly, in attendance systems that utilize facial recognition technology, cheating can occur through the use of facial photos or video recordings. Therefore, this research proposes the use of Deep Learning algorithms to detect face spoofing attacks in facial-based attendance systems. For implementation, Raspberry Pi 4 Model B is employed to enhance effectiveness and efficiency. The methodology utilized in this study involves collecting genuine and fake face datasets, followed by training processes using Deep Learning algorithms. Deep Learning algorithms are renowned for their effectiveness in recognizing facial features. The dataset used in this research is a combination of genuine and fake face data collected from various sources. The results obtained from this research demonstrate that employing facial recognition technology with the application of Deep Learning algorithms as Face Anti-Spoofing (FAS) is capable of detecting face spoofing attacks in facial-based attendance systems. This is evident from the accuracy achieved during the testing process conducted on the developed attendance system. It is hoped that this attendance system can be widely implemented to enhance security and reliability in facial-based attendance systems.

Abstrak :
Penelitian ini bertujuan untuk melakukan studi awal untuk pengaruh musik terhadap aktivitas gelombang otak dengan menggunakan metode elektroensefalografi (EEG). Metode penelitian yang digunakan adalah pengambilan data EEG pada 8 partisipan sebelum dan sesudah mendengarkan musik dengan menggunakan perangkat berbasis Raspberry Pi 4 Model B dan ADS1299. Data EEG yang didapatkan kemudian dianalisis dengan metode statistik untuk menentukan apakah terdapat perubahan yang signifikan pada aktivitas gelombang otak, seperti gelombang theta, alpha, dan beta. Kami menemukan bahwa adanya peningkatan pada aktivitas gelombang alfa (8 – 13 Hz) dan theta (4-8 Hz) yang disebabkan oleh pengaruh paparan musik karya Mozart “Sonata” dan Beethoven “Pathetique” selama 15 menit berdasarkan uji statistik yang dilakukan. ......This research aims to conduct an initial study for the effect of music on brain wave activity using electroencephalography (EEG) method. The research method used is taking EEG data on 8 participants before and after listening to music using a device based on Raspberry Pi 4 Model B and ADS1299. The EEG data obtained was then analysed using statistical methods to determine whether there were significant changes in brain wave activity, such as theta, alpha, and beta waves. We found that there was an increase in alpha (8-13 Hz) and theta (4 - 8 Hz) wave activity caused by exposure to music by Mozart "Sonata" and Beethoven "Pathetique" for 15 minutes based on the statistical tests conducted.