Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem static inverter (SIV) pada KRL Holec-BN dengan teknologi VVVF (variable voltage variable frequency) mengubah tegangan input nominal 1.500 VDC menjadi tegangan output 380 VAC, tiga fasa, 50 Hz serta 110 VDC dan 137 VDC. SIV melayani beban berupa sistem kompresor, ventilasi, lampu-lampu penerangan, kontrol drive/pengereman, dll."

"Penggunaan radioimunokonjugat berbasis antibodi trastuzumab sebagai agen teranostik kanker payudara positif HER2 masih kurang ideal karena ukuran molekul yang relatif besar sehingga laju biodistribusi dan laju clearance relatif lambat dan mengakibatkan akumulasi dalam jaringan normal hati/ginjal dan darah. Berdasarkan fakta ini, fragmentasi trastuzumab menjadi F ab 39; 2 dan penandaan fragmen oleh radionuklida Lutetium-177 pemancar partikel ? dan ? telah dilakukan. Penyiapan fragmen F ab rsquo; 2 dilakukan melalui fragmentasi enzimatik oleh pepsin dan fraksinasi dengan kolom PD-10 Sephadex G-25 ., Fragmen F ab rsquo; 2 yang dihasilkan dikonjugasi dengan 2- 4-isothiocyanatobenzene -1,4,7,10-tetraazacyclododecane-1,4,7,10-tetraacetic acid p-SCN-Bn-DOTA dan radiolabeling dengan 177Lu. Fluktualitas dan afinitas F ab rsquo; 2 dalam pengikatannya dengan reseptor HER2 diamati melalui pendekatan simulasi dinamika molekuler dan penambatan molekul molecular docking . Hasil fragmentasi menunjukkan semua trastuzumab terkonversi menjadi Fragmen F ab 39; 2 dengan waktu hidrolisis optimum 18 jam. Purifikasi fragmen F ab 39; 2 dengan kolom kromatografi gel filtrasi menghasilkan 98 F ab rsquo; 2 murni dengan bobot molekul F ab 39; 2 98,35 kDa. Jumlah rasio mol pSCN-Bn-DOTA per fragmen antibodi 5.03 1.5 dengan perbandingan mol DOTA:F ab rsquo; 2 20:1. Stabilitas termodinamik radioimunokonjugat 177Lu-DOTA-F ab rsquo; 2 trastuzumab cukup tinggi dalam serum HSA pada suhu 37°C setelah masa penyimpanan selama 4 hari dengan kemurnian radiokimia yang masih dapat dipertahankan sebesar 91.96 0.26. Hasil simulasi dinamika molekuler menunjukkan bahwa fragmentasi Fc pada molekul trastuzumab relatif tidak merusak struktur dan konformasi F ab rsquo; 2 secara keseluruhan khususnya pada daerah CDR sehingga tidak menurunkan afinitas pengikatannya terhadap reseptor HER2. Hasil analisis SASA pada residu lisin F ab rsquo; 2 menunjukkan bahwa reaksi pembentukan konjugat DOTA-F ab rsquo; 2 diduga terjadi di luar daerah CDR sehingga tidak mengganggu afinitas pengikatannya terhadap reseptor HER2. Simulasi Lu-DOTA-Fab-HER2 dalam fase air menghasilkan ?Gbinding yang relatif lebih besar 15.5066 kkal/mol jika dibandingkan dengan kompleks HER2-Fab -45.1446 kkal/mol.

---

The use of trastuzumab as intact IgG labeling radionuclide for HER2 breast cancer theranostic agent is not ideal because it is slowly eliminated from the blood and normal tissues yielding low tumor blood T B and tumor normal tissue T NT ratios. Based on this fact, fragmentation of trastuzumab F ab 2 and radiolabeled of fragment by and particle of Lutetium 177 has been developed. Preparation of F ab 2 trastuzumab fragment were prepared by digestion of intact IgG with pepsin and fractionated in PD 10 column, through conjugated with 2 4 isothiocyanatobenzyl 1,4,7,10 tetraazacyclododecane 1,4,7,10 tetraacetic acid p SCN Bn DOTA and radiolabeled with 177Lu. The results of this preliminary work were the optimum time for completely digest of trastuzumab to form F ab 2 fragment was 18 hrs, where all trastuzumab converted to F ab 2 fragment. The purity of F ab 2 fragment from size exclusion chromatography was carried out of 98 and a molecular weight of F ab 2 was 98.35 kDa respectively. The average number of pSCN Bn DOTA chelates per antibody fragmen were 5.03 1.5 and the optimum conjugation reactions were performed at molar ratio 20 1 for pSCN Bn DOTA to trastuzumab. The stability test of radioimmunoconjugate in HSA serum in 37°C show the high stability of aliquot with radiochemical purity was 91.96 0.26 after 96h storage. Molecular dynamic simulation of F ab 2 fragment show that fragmentation of trastuzumab did not distrupt the whole structure and conformation of F ab 2 expecially in CDR region. The solvent accesibility surface area of lysine residue show that conjugation of pSCN Bn DOTA to F ab 2 occurred in lys residue outside of CDR region so it s not influenced the binding affinity of radioimunoconjugate. The docking of Lu DOTA F ab 2 with HER2 receptor in aquous system generated Gbinding more highly 15.5066 kkal mol than positive control HER2 Fab 45.1446 kkal mol."

"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."

"ABSTRAK

Produktifitas pada alat berat merupakan kinerja terpenting dalam industri konstruksi dan pertambangan, sehingga penerapan proses condition monitoring (CM) menjadi elemen penting dalam menentukan umur penggunaan komponen alat berat. Penentuan umur sisa (remaining useful life, RUL) dari komponen alat berat menjadi sangat penting untuk mendukung dan meningkatkan produktifitas alat berat dimana pendekatan best-practices digunakan dalam proses ini. Untuk mengatasi permasalahan ini, dibutuhkan estimasi RUL dari komponen alat berat dengan pendekatan data-driven menggunakan data mining. Metode yang digunakan pada penelitian ini untuk mengestimasi RUL komponen engine, final drive, dan transmisi alat berat adalah menggunakan Neural Networks (NN) dan Bayesian Networks (BN). Penelitian ini menggunakan data CM berjumlah 20 variabel dan melakukan reduksi dimensi variabel menggunakan principal component analysis (PCA). Hasil dari penelitian yang telah dilakukan didapatkan hasil estimasi terbaik pada komponen engine dan transmisi adalah dengan menggunakan metode NN dengan nilai RMSE model masing-masing sebesar 0,242 dan 0,196, sedangkan metode BN menjadi metode terbaik pada final drive dengan nilai RMSE sebesar 0,211.

---

ABSTRACT

---

Condition monitoring (CM) process is the key element to estimate remaining useful life (RUL) on heavy equipment`s components in the construction and mining industry with an aim to increase productivity. Nowadays, the best-practices approach has been applied to estimating RUL to improve production and performance of heavy equipment. Data mining method with the data-driven approach will be implemented to overcome the issue. Neural Networks (NN) dan Bayesian Networks (BN) method has been applied in this research to estimate RUL on heavy equipment`s engine, final drive, and transmission components. Principal component analysis (PCA) has been applied for dimension reduction of 20 variables from CM data in this research. The results shown estimating RUL on engine and transmission components provide better accuracy with the NN method which RMSE model achieve 0.242 and 0.196, respectively. Furthermore, the BN method provides better accuracy on final drive components with RMSE model achieves on 0.211.

"