Rekayasa Sensor Gas Quartz Crystal Microbalance terlapis Karbon Nanomaterial pada Sistem Electronic Nose untuk Diagnosa Diabetes dari Sampel Urin

Misbah, Misbah (2024) Rekayasa Sensor Gas Quartz Crystal Microbalance terlapis Karbon Nanomaterial pada Sistem Electronic Nose untuk Diagnosa Diabetes dari Sampel Urin. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 07111760010016-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

Diabetes merupakan penyakit kronis yang berbahaya. Penyakit ini dapat menyebabkan berbagai komplikasi seperti, kardiovaskuler, stroke, kebutaan dan yang lain. Selama ini diagnosa klinis bertumpu pada pemeriksaan glukosa dalam darah. Diagnosis ini dianggap cepat dan akurat. Namun demikian kemungkinan terjadinya infeksi dan rasa sakit saat pengambilan sampel darah merupakan suatu permasalahan tersendiri. Diagnosa awal dengan mengambil sampel urin dinilai lebih aman dan murah, tetapi selama ini belum memberikan informasi yang akurat. Beberapa sensor digunakan untuk mendiagnosa diabetes salah satunya adalah quartz crystal microbalance (QCM). Sensor ini yang mempunyai kelebihan, yaitu murah, dan sangat sensitif terhadap perubahan massa. QCM dengan pelapis bahan polimer telah digunakan dalam penelitian sebagai sensor yang dapat mendeteksi konsentrasi gas dengan konsentrasi rendah. Saat ini karbon nanomaterial merupakan bahan yang menjanjikan untuk digunakan sebagai pelapis sensor yang bisa mengikat molekul gas dengan konsentrasi sangat rendah. Oleh karena itu bahan karbon ini dipakai dalam disertasi ini.
Disertasi ini telah dilakukan studi terhadap sensitivitas dan selektivitas pada sistem e-nose menggunakan 7 buah QCM 10MHz yang terlapis karbon nanomaterial untuk mendiagnosis diabetes dari sampel urin. Jenis carbon nanomaterial yang digunakan meliputi single walled carbon nanotubes (SWCNT), double walled CNT (DWCNT) dan multi walled CNT (MWCNT), serta graphene oxide (GO) dengan ukuran diameter yang berbeda. Metode pelapisan karbon nanomaterial pada permukaan QCM menggunakan metode ultrasonic atomizer. Adanya gas yang terserap pada permukaan QCM dapat merubah frekuensi resonansi. Perubahan frekuensi resonansi ini diukur dengan metode reciprocal counter berbasis FPGA. Convolutional neural network (CNN) digunakan sebagai metode pengenalan pola sensor gas yang dilatih untuk dapat mendiagnosis gejala diabetes. Metode ini dapat meningkatkan sensitivitas dan selektivitas deret sensor gas pada sistem e-nose, sehingga mampu mendiagnosis gejala diabetes lebih akurat sampai 91%. Evaluasi performansi sensor QCM terlapis karbon nanomaterial berdasarkan atribut statistik dilakukan untuk mengetahui peranan material dalam identifikasi. Dari hasil statistik, dibagi menjadi dua bagian, variansi rendah sebesar 84% dan tinggi sebesar 96%. Pada evaluasi didapat akurasi tertinggi sebesar 91% untuk variansi rendah terdiri dari SWCNT, DWCNT, MWCNT diameter 4-6 nm dan MWCNT diameter 5-15 nm.
==============================================================================================================================
Diabetes is a dangerous chronic disease. This disease can cause various complications such as cardiovascular, stroke, blindness, and others. So far, clinical diagnosis relies on examining glucose in the blood. This diagnosis is considered fast and accurate. However, the possibility of infection and pain during blood sampling is problematic. Initial diagnosis by taking a urine sample is considered safer and cheaper, but it needs to provide accurate information. Several sensors are used to diagnose diabetes, one of which is the quartz crystal microbalance (QCM). This sensor has the advantages of being cheap and very sensitive to changes in mass. Quartz crystal microbalance with polymer material coating has been used in research as a sensor that can detect low concentrations of gas. Carbon nanomaterials are a promising material for sensor coatings that can bind gas molecules at very low concentrations. Therefore, carbon materials are used in this dissertation.
In this dissertation, a study was conducted on the level of sensitivity and selectivity of the e-nose system using seven pieces of 10 MHz QCM coated with carbon nanomaterial to diagnose diabetes from urine samples. The types of carbon nanomaterials used include single-walled carbon nanotubes (CNT), double-walled CNT, multi-walled CNT, and graphene oxide with different diameter sizes. Coating carbon nanomaterials on the QCM surface uses the ultrasonic atomizer method. The presence of gas adsorbed on the surface of the QCM can change the resonant frequency. Changes in the resonant frequency are measured using the FPGA-based reciprocal counter. Convolutional neural network (CNN) is a pattern recognition method for trained gas sensors to diagnose diabetes symptoms. This method can increase the sensitivity and selectivity of the gas sensor array in the e-nose system to diagnose diabetes symptoms more accurately, up to 91%. Evaluation of the performance of the QCM sensor coated with carbon nanomaterial-based on statistical attributes was carried out to determine the role of the material in identification. From the statistical results, it is divided into two parts, low variance is 84% and high is 96%. In the evaluation, the highest accuracy was obtained at 91% for low variance consisting of SWCNT, DWCNT, MWCNT diameter 4-6 nm, and MWCNT diameter 5-15 nm.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	CNN, Diabetes, FPGA, Karbon nanomaterial, QCM, Urin, Carbon nanomaterials, Urine
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7878 Electronic instruments T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7895.G36 Field programmable gate arrays--Design and construction.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Misbah Misbah
Date Deposited:	19 Aug 2024 02:35
Last Modified:	19 Aug 2024 02:35
URI:	http://repository.its.ac.id/id/eprint/112354

Actions (login required)

View Item