Estimasi Kadar Albumin Dalam Larutan Susu Menggunakan Pengolahan Citra Dipstick Berbasis Algoritma Deterministik Klasik

Enas Erliana Zakiya Yudhana, Dr. Yohanes Suyanto, M.I.Kom.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penelitian ini mengembangkan sistem estimasi kadar albumin dalam urin menggunakan pengolahan citra digital berbasis algoritma deterministik klasik. Sistem ini ditujukan sebagai alternatif terhadap interpretasi visual pada pengujian strip dipstick konvensional yang bersifat subjektif dan terbatas pada skala semi-kuantitatif. Sistem memproses citra area reaktif melalui tahapan cropping ROI, konversi warna ke RGB, HSV, dan Grayscale, serta ekstraksi fitur numerik untuk menghasilkan estimasi kuantitatif kadar albumin.

Dataset penelitian dibentuk dari uji larutan manipulator protein berbasis susu bubuk soya untuk membuat dataset interpolatif. Lima sampel massa baru digunakan secara terpisah sebagai data uji. Model prediksi dibangun menggunakan metode interpolasi linear dan spline terhadap fitur warna Hue (H), Blue (B), dan Grayscale.

Hasil pengujian menunjukkan fitur Hue (H) dengan interpolasi Spline Akima memiliki performa terbaik dengan nilai R² = 0,9794 terhadap referensi semi-validasi dan 0,8382 terhadap referensi interpolasi massa. Fitur Blue (B) dengan interpolasi Spline PCHIP menghasilkan R² = 0,9503 dan 0,7449. Sementara Grayscale dengan interpolasi linear menunjukkan performa terburuk dengan R² negatif yaitu -0,6635 dan -2,3106. Meskipun belum tervalidasi secara klinis, sistem ini menunjukkan potensi sebagai alternatif yang terjangkau untuk mendeteksi albumin secara kuantitatif berbasis citra.

This study develops a urine albumin level estimation system using digital image processing based on classical deterministic algorithms. The system serves as an alternative to conventional dipstick test visual interpretation, which is often subjective and limited to semi-quantitative scales. The system processes the reactive area of the dipstick image through ROI cropping, color space conversion to RGB, HSV, and Grayscale, followed by numerical feature extraction to produce quantitative albumin estimates.

The dataset was constructed from tests using protein-manipulated solutions based on powdered soy milk to create an interpolative dataset. Five additional samples with new mass values were separately used as test data. Predictive models were built using linear and spline interpolation methods applied to the extracted color features Hue (H), Blue (B), and Grayscale.

Experimental results show that the Hue (H) feature with Akima Spline interpolation achieved the best performance, with R² = 0.9794 against semi-validation references and 0.8382 against mass-based interpolation reference. The Blue (B) feature with PCHIP Spline interpolation yielded R² = 0.9503 and 0.7449, respectively. Meanwhile, the Grayscale feature with linear interpolation showed the weakest performance with negative R² values of -0.6635 and -2.3106. Despite the absence of clinical validation, this system demonstrates potential as an affordable image-based alternative for quantitative albumin detection.

Kata Kunci : albumin, pengolahan citra, dipstick, estimasi kuantitatif