Claim Missing Document
Check
Articles

Found 22 Documents
Search

ANALISIS HASIL PENGUJIAN DAN KALIBRASI SYRINGE PUMP PARAMETER FLOWRATE DAN OCCLUSION MENGGUNAKAN METODE ISO GUM DAN METODE KRAGTEN Angelin, Nadia; Hadziqoh, Nur; Lasiyah, Nani; Surakusumah, Rino ferdian
JURNAL MUTIARA ELEKTROMEDIK Vol. 9 No. 2 (2025): Jurnal Mutiara Elektromedik
Publisher : Prodi Teknik Elektromedik Universitas Sari Mutiara Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Latar belakang: Syringe pump merupakan alat penting untuk memberikan cairan dan obat dalam dosis kecil secara akurat dan kontinu, sehingga kesalahan kerja dapat membahayakan pasien. Untuk menjamin keandalannya, alat ini perlu diuji dan dikalibrasi secara berkala, terutama pada parameter flowrate dan occlusion test karena keduanya berperan penting dalam kelancaran terapi. Selain itu, analisis ketidakpastian pengukuran seperti metode ISO GUM masih belum optimal diterapkan, sehingga penelitian ini diperlukan untuk memberikan gambaran yang lebih jelas tentang akurasi dan keandalan kalibrasi syringe pump. Tujuan: menganalisis hasil pengujian dan kalibrasi parameter flowrate dan occlusion test pada syringe pump menggunakan pendekatan ISO GUM untuk menghitung ketidakpastian pengukuran secara sistematis. Metode: menggunakan metode eksperimental kuantitatif dengan objek syringe pump Medcaptain Sys-3010, di mana data diperoleh melalui kalibrasi langsung sesuai standar MK 047-18 Kemenkes RI. Pengujian dilakukan pada parameter flowrate sebesar 10, 50, dan 100 ml/h serta occlusion test pada 100 ml/h dengan bantuan Infusion Device Analyzer (IDA) sebagai alat standar. Data yang dihasilkan kemudian dianalisis menggunakan dua metode estimasi ketidakpastian, yaitu ISO GUM dan Kragten, untuk menghitung dan membandingkan ketidakpastian pengukuran secara menyeluruh, sehingga memberikan gambaran yang komprehensif mengenai keandalan hasil pengujian syringe pump tersebut. Hasil: Hasil pengujian pada syringe pump Medcaptain Sys-3010 menunjukkan bahwa metode ISO GUM dan Kragten menghasilkan nilai ketidakpastian yang sangat berdekatan pada seluruh titik ukur. Pada parameter flowrate, ketidakpastian diperluas masing-masing berada di kisaran ±0,18 ml/h (10 ml/h), ±0,64 ml/h (50 ml/h), dan ±0,80 ml/h (100 ml/h) untuk kedua metode, sedangkan pada occlusion test di 100 ml/h diperoleh nilai ketidakpastian yang sama, yaitu ±0,9084 Psi. Hal ini menunjukkan bahwa kedua metode memberikan hasil yang konsisten dan dapat diandalkan dalam analisis ketidakpastian pengukuran syringe pump. Kesimpulan: hasil pengujian dan analisis ketidakpastian pada syringe pump Medcaptain Sys-3010 menggunakan metode ISO GUM dan Kragten memberikan nilai ketidakpastian yang konsisten pada parameter flowrate dan occlusion test. Kedua metode menghasilkan estimasi ketidakpastian yang berada dalam batas toleransi standar kalibrasi alat kesehatan, sehingga syringe pump Sys-3010 dinyatakan memiliki kinerja yang akurat dan layak digunakan. Metode ISO GUM dinilai lebih sistematis dan terstruktur dalam menentukan ketidakpastian, sementara metode Kragten lebih praktis dalam perhitungannya namun tetap memberikan hasil yang sebanding.
A Generalizable AI-Based Framework for Automated Slice Sensitivity Profile and Slice Thickness Measurement Across Multi-Phantom and Multi-Scanner CT Systems Nur Hadziqoh; Nani Lasiyah; Rino Ferdian Surakusumah; Arda Yunianta; Nurul Maisarah Binti Kamaruddin
Jurnal Penelitian Fisika dan Aplikasinya (JPFA) Vol. 15 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jpfa.v15n1.p71-88

Abstract

Slice Sensitivity Profile (SSP) and its Full Width at Half Maximum (FWHM) are critical indicators of longitudinal resolution and effective slice thickness in computed tomography (CT), forming a cornerstone of quality assurance (QA) protocols. This study introduces a robust and vendor-neutral framework for automated SSP and FWHM measurement using a deep learning-based approach, designed to overcome the limitations of manual, scanner-specific, and phantom-specific methods. A U-Net convolutional neural network was trained on annotated CT phantom images—including AAPM, Catphan, and ACR models—acquired across Philips, Siemens, and GE CT systems with varied slice thicknesses (1.0 mm and 5.0 mm). The pipeline includes automatic stair-step object segmentation, angular correction via Hough Transform, profile extraction, and real-time FWHM computation. Validation against manual measurements demonstrated strong correlation (r > 0.97) and mean absolute errors below 0.2 mm, with no statistically significant differences across stair-step positions (p > 0.05). The system showed excellent repeatability (CV < 1.5%) and reproducibility (CV < 2.5%), even with phantom repositioning and inter-operator variability. Additionally, the framework maintained consistency across all phantom types and scanner brands, confirming its cross-platform reliability and alignment with IEC 61223-3-5 and AAPM performance standards. These results position the proposed method as a generalizable and scalable QA solution, suitable for clinical integration, automated reporting, and longitudinal CT performance monitoring.