Hasil Pencarian  ::  Simpan CSV :: Kembali

"Program iodisasi garam dengan cara fortifikasi iodium ke dalam garam merupakan cara yang paling tepat guna dan ekonomis untuk menanggulangi masalah gangguan akibat kekurangan iodium. Tetapi dalam perkembangannya ada beberapa isu yang menyatakan bahwa penggunaan garam ber-iodium tidak efektif karena kadar iodiumnya akan berkurang bahkan hilang bila dicampur dengan bumbu dapur.Untuk mengetahui lebih jauh keberadaan iodium dalam bumbu dapur perlu diadakan penelitian dengan menggunakan beberapa metode analisis yang lebih sensitif dibanding metode yang pernah dilakukan (lodometri) karena banyaknya senyawa kimia dalam bumbu dapur yang berinteraksi dengan iodat. Metode X-ray Fluorescence digunakan untuk menganalisis secara total kandungan iodium dalam suatu sampel. Metode ini dapat digunakan dalam menganalisis iodium dalam berbagai spesies baik itu dalam bentuk iodida, iodat, iodium dan bentuk kompleks. Metode X-ray Fluorescence sangat sensitif dalam menganalisis suatu unsur yaitu sampai kisaran ppm. Dalam penelitian ini selain metode X-ray Fluorescence juga dilakukan pengujian menggunakan metode iodometri dengan maksud untuk mengetahui sejauh mana hasil yang diperoleh dengan metode ini.Metode X-ray Fluorescence dilakukan dengan cara mencampurkan sekitar 25 gram garam NaCl yang mengandung sekitar 480 ppm kalium iodat dengan masing-masing 25 gram bumbu dapur (cabe, ketumbar dan merica). Campuran ini kemudian dilarutkan dengan aquades menjadi 100 ml dan dianalisis dengan alat X-ray Fluorescence. Intensitas yang dihasilkan dari unsur iodium dalam campuran bumbu dapur dan garam iodat dibandingkan dengan intensitas unsur iodium larutan standar iodat yang diketahui konsentrasinya menggunakan perhitungan regresi linier. Hasil yang diperoleh dari pengujian ini adalah untuk bumbu cabe terjadi penurunan iodat sekitar 12,84 %, bumbu ketumbar sekitar 6,42 % dan merica sekitar 1,14 %.Metode iodometri dilakukan dengan cara melarutkan 62,5 gram masing-masing bumbu dapur (cabe, ketumbar dan merica) ke dalam 500 ml aquades. Larutan ini disaring dan hasil saringan diambil 10 ml kemudian ditambahkan 1 gram NaCl dengan variasi konsentrasi iodat. Campuran ini kemudian dititrasi dengan natrium tiosulfat. Hasil yang diperoleh dibandingkan dengan sampel garam tanpa penambahan bumbu dapur. Dari hasil perbandingan ternyata pada konsentrasi iodat sekitar 470 ppm terjadi penurunan untuk masing-masing bumbu dapur yaitu cabe sekitar 75,5%, ketumbar 51,43% dan merica 20,99%.Perbedaan penurunan iodat dalam bumbu dapur dari kedua metode ini disebabkan karena perbedaan prinsip dan fungsi dari metode. lodometri hanya dapat menganalisis iodium dalam bentuk iodat saja sedangkan dalam matrik bumbu dapur yang mengandung senyawa-senyawa kimia kemungkinan iodat berada dalam beberapa bentuk senyawa . X-ray Fluorescence dapat menganalisis iodat dalam beberapa bentuk senyawa iodium sehingga matrik bumbu dapur yang begitu kompleks tidak menjadi masalah."

"Pada awal pandemi COVID-19, keputusan medis pada pasien ditentukan oleh dokter berdasarkan banyak tes medis (misalnya, tes reaksi berantai polimerase, tes suhu, CTScan atau X-ray). Metode transfer learning telah digunakan dalam beberapa penelitian dan berfokus hanya pada satu biomarker (misalnya, hanya CT-Scan atau X-Ray saja) untuk mendiagnosis pneumonia. Dalam studi terbaru, modalitas tunggal memiliki keakuratan klasifikasi sendiri dan setiap biomarker yang berbeda dapat memberikan informasi pelengkap untuk mendiagnosis COVID-19 pneumonia. Tujuan pada penelitian ini adalah membangun model multimodal yaitu dengan menggabungkan dua masukan (input) menjadi satu keluaran (output) pada tahapan pembuatan model. Dua model transfer learning yang berbeda telah digunakan pada masing-masing masukan dengan dataset open-source 2849 gambar CT-Scan dan 2849 gambar X-ray untuk mengklasifikasikan gambar CT-Scan dan gambar X-ray menjadi dua kelas: normal dan COVID-19 pneumonia. Model transfer learning yang digunakan adalah model DenseNet121, model MobileNet, model Xception, model InceptionV3, model ResNet50 dan model VGG16 untuk proses ekstraksi fitur. Alhasil, akurasi klasifikasi terbaik didapatkan sebesar 99,87% saat penggabungan jaringan ResNet50 dan VGG16. Kemudian, akurasi klasifikasi terbaik didapatkan sebesar 98,00% saat menggunakan modalitas tunggal model ResNet50 dengan data CT-Scan dan akurasi klasifikasi sebesar 98,93% untuk model VGG16 dengan data X-Ray. Metode penggabungan multimodal learning menunjukkan akurasi klasifikasi yang lebih baik dibandingkan dengan metode yang menggunakan hanya satu modalitas saja.

---

Due to COVID-19 Pandemic, medical decisions on patients were made by doctors based on many medical tests (e.g., polymerase chain reaction test, temperature test, CT-Scan or X-ray). Transfer learning methods have been used in several studies and focus on only one biomarker (eg, CT-Scan or X-Ray only) for diagnosing pneumonia. In recent studies, a single modality has its own classification accuracy and each different biomarker can provide complementary information for diagnosing COVID-19 pneumonia. The purpose of this research is to build a multimodal model by combining two inputs (inputs) into one output (output) at the modeling stage. Two different transfer learning models were used at each input with an open-source dataset of 2849 CT-Scan images and 2849 X-ray images to classify CT-Scan images and X-ray images into two classes: normal and COVID-19 pneumonia. . The transfer learning model used is the DenseNet121 model, the MobileNet model, the Xception model, the InceptionV3 model, the ResNet50 model and the VGG16 model for the feature extraction process. As a result, the best classification accuracy was obtained at 99.87% when merging the ResNet50 and VGG16 networks. Then, the best classification accuracy was obtained at 98.00% when using a single modality ResNet50 model with CT-Scan data and a classification accuracy of 98.93% for the VGG16 model with X-Ray data. The multimodal learning combination method shows better classification accuracy than the method that uses only one modality."