Hasil Pencarian  ::  Simpan CSV :: Kembali

"Zat warna yang ditambahkan ke dalam saos cabe dengan tujuan membuat makanan tersebut menjadi lebih menarik tidak semuanya aman untuk dikonsumsi. Penelitian ini bertujuan untuk menganalisis zat warna yang ada pada saos cabe. Isolasi dilakukan dengan menggunakan serat bulu domba, isolat yang diperoleh diidentifikasi dengan reaksi warna dan kromatografi kertas lalu ditentukan kadarnya secara spektrofotometri UV-Vis. Hasil analisa dari sepuluh saos cabe menunjukkan bahwa enam saos cabe mengandung zat warna sintetik, empat diantaranya mengandung zat warna Sunset Yellow FCF tunggal, satu mengandung zat warna Sunset Yellow FCF dan zat warna lain yang belum teridentifikasi dan satu saos cabe lagi belum teridentifikasi. Kadar Sunset Yellow FCF yang diperoleh pada saos cabe dengan bercak tunggal yaitu saos SW sebesar 0,0206%, saos SL sebesar 0,0224%, saos MW sebesar 0,0202% dan saos BT sebesar 0,0210%. Kadar tersebut masih dalam batas aman berdasarkan nilai jumlah asupan harian.

---

Not all of the colouring agent, which are added to food in order to make them more attractive, are safe to be consumed. The purpose of this research was to analyze the colouring agent that contained in chili sauce. The isolation was done by using fiber of sheep fur, the isolation products identified by colour reaction and paper chromatography, and then use spektrofotometri UV-VIS to analyzed the quantity of these samples.

The result of these analyses from ten chili sauce showed that six chili sauce contained of synthetic colouring agent, four from six chili sauce were contained of single Sunset Yellow FCF and the other colouring agent that not already identified and the last chili sauce not already identified too. The concentration of Sunset Yellow FCF from this result of chili sauce with single spot were sauce SW was 0,0206% , sauce SL was 0,0224%, sauce MW was 0,0202% dan sauce BT 0,0210%. These concentration are in the safe range based on total daily preserving."

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"Permintaan pasar akan batik semakin meningkat tajam semenjak tahun 2009, dimana UNESCO menetapkan batik sebagai warisan tak berwujud dari Indonesia untuk dunia. Pabrik penghasil batik semakin giat memperbanyak produksi namun memperkecil biaya produksi dengan beralih ke pewarna sintetis yang limbahnya mempunyai dampak buruk bagi lingkungan jika dibuang sembarangan. Oleh karena itu dikembangkan alat yang dapat memisahkan limbah pewarna batik dari air secara kontinyu, efektif, dan sederhana sehingga mudah digunakan oleh masyarakat awam. Dengan menerapkan sistem pemisahan dari air dan partikel padat dari limbah pewarna batik dengan metode elektroflotasi menggunakan elektroda alumunium alloy setebal 0,1 mm dengan keterangan 3 plat elektroda positif (anoda) yang mempunyai luas permukaan yang terekspos ke fluida untuk elektrolisis sebesar 116 cm2. Sedangkan 2 plat lainnya adalah elektroda negatif (katoda) dengan total luas permukaan sebesar 98cm2. Kemudian elektroda ini diberi asupan listrik DC sebesar 10V dengan arus 30A. Elektroda tadi ditempatkan pada tutup flange di dasar kolom flotasi yang terbuat dari kaca akrilik dengan tebal 5mm berbentuk pipa dengan diameter dalam 85mm dan berdiri setinggi 1000mm, didesain sedemikian rupa dengan inlet/outlet, dan slope sehingga memungkinkan pemrosesan limbah secara kontinyu. Lalu pada penelitian ini akan dicari laju alir dari air limbah pewarna batik yang akan diolah dengan melihat terlebih dulu hasil pengolahan menggunakan kapasitas olah pada penelitian yang sebelumnya yakni 27 liter/jam, lalu disesuaikan untuk variabel laju alir berikutnya apakah dapat diperbesar apabila sudah menghasilkan kualitas hasil air yang baik atau diperkecil untuk lebih meningkatkan kualitas hasil pengolahan air limbah pewarna batik dari purwarupa ini. Dari hasil penelitian didapatkan nilai warna, kekeruhan, dan TSS yang diuji lab dari sampel hasil pengolahan pada menit ke 0, 10, 20, 30, dan 40. Dapat disimpulkan bahwa laju alir yang paling optimal ialah 9 liter/jam dibandingkan dengan laju alir 18 liter/jam dan 27 liter/jam . Diharapkan alat ini kedepannya dapat memenuhi kebutuhan pengguna dari kalangan penyelenggara workshop membatik, maupun produksi batik rumahan.

---

Market demands for batik textile increasing after UNESCO declare that batik is one of Indonesia?s intangible heritage to ther world. To overcome that, batik textile factory increase it?s production quantity and decrease it?s production cost by using non-environtmental friendly waste producing synthetic colour. Therefore flotation device is developed to process batik waste water continuously, effective, and simple to use.

By using electroflotation (EF) method to separate solid particles from the water with the fix variables that are 0.1mm thick alumunium alloy electrode with 3anode plates that equal to 116 cm2 in area, and 2 cathode plates that equal to 98 cm2 in area. Then this electrode is supplied by 10V DC and 30A electricity. The electrodes will be fixed on the flange cover at the bottom of the flotation collumn which made from 5mm thick acrylic glass that bended into 85mm diameter pipe shape and 1000mm tall, and this flotation collumn is designed with inlet, outlet, dan slope to allow continous flow for waste processing.

In this research, the flow of the batik waste water will be determined by the processing capacity from the previous research that is 27 liters/hour, and then this flow is tested whether is it good enough for the flowrate of the prototype so the flowrate can be increased to optimized the processing speed of the prototype, or is it needs to be improved by decreasing the next flowrate. For knowing is the prototype is capable of processing batik waste water, there will be results from the sample that taken at 0, 10, 20, 30, and 40 minutes.

The value of the results are colour, turbidity, and total suspended solid that are tested by lab, and can be concluded from the lab test results that the most optimal flow rate of this prototype is 9 liters/hour compared to 18 liters/hour and 27 liters/hour flow rate. Hopefully this protoype can meet the needs for user from batik workshop organizers, and housemade batik factories."