Prosiding SNF - Fmipa

Pros
idi
ng
Semi
narNas
ionalFi
si
ka
InovasRise Fi
si
k da Apli
kasi
ny d
Er M erdek Bel
aja –Kampu M erdek
Depar
temenFisi
ka-FMI PA
Uni
ver
sit
asHasanuddin
Makas
sar,2Oktober2022
Prosiding
Seminar Nasional Fisika Makassar 2022
“Inovasi Riset Fisika dan Aplikasinya di Era Merdeka Belajar – Kampus Merdeka”
Prosiding
Seminar Nasional Fisika Makassar 2022
Editor
Bualkar Abdullah
Bidayatul Armynah
Bannu
Universitas Hasanuddin
Makassar, 2 Oktober 2022
Prosiding Seminar Nasional Fisika Makassar 2022
Editor Penyelenggara
Prof. Dr. Bualkar Abdullah, M.Eng.Sc. Pengarah: Dr. eng. Amiruddin, S.Si., M.Si.
Dr. Ir. Bidayatul Armynah, M.T. Tim Pengarah: Dr. Khaeruddin, M.Sc., Dr. Sci.
Bannu, S.Si., M.Si. Muhammad Zakir, M.Sc., Dr. Syahribulan,
M.Si., Prof. Dr. Arifin, M.T.
Reviewer Ketua: Azwar Sutiono, S.Si., M.Si.
Prof. Dr. Sri Suryani, DEA. Wakil Ketua: Heryanto, S.Si., M.Si.
Prof. Dr. Dahlang Tahir, M.Si. Kesekretariatan: Dr. Nurlaela Rauf, M.Sc., Nur
Prof. Dr. rer nat Wira Bahari Nurdin Hasanah, S.Si., M.Si
Prof. Dr. Tasrief Surungan Sie Sekretariat: Dr. Sri Dewi Astuty, M.Si., A.
Asviana Amin, S.E., Hareana, A.Md.
Layout dan Desain Sampul Sie Akomodasi: Prof. Dr. Syamsir Dewang,
Muhammad Hidayat M.Eng.Sc., Prof. Dr. Paulus Lobo Gareso,
M.Sc., Drs. Bansawang, BJ., M.Si.
e-ISBN 978-979-530-467-8 Sie Reviewer: Prof. Dr. Sri Suryani, DEA., Prof.
Mei 2023 Dr. Dahlang tahir, M.Si., Prof. Dr.rer.nat. Wira
Bahari Nurdin, Prof. Dr. Tasrief Surungan,
Penerbit M.Sc.
Unhas Press Sie Editor: Prof. Dr. Bualkar Abdullah, M.Eng.
Gedung UPT Unhas Press, Sc., Dr. Ir. Bidayatul Armynah, M.T., Bannu,
Kampus Unhas Tamalanrea S.Si., M.Si.
Jln. Perintis Kemerdekaan Km. 10 Sie Umum: Syukur Polanunu, S.T., Ahmad
Makassar — 90245 Muhtam Yusran Himie, S.T.
 +62 8229 9555 591 Sie Humas: Dr. Pariabti Palloan, S.Si, M.T., Dr.
 unhaspress@gmail.com Irwan Ramli, M.Si., Alexander Pakiding, S.Si.,
 unhaspress.unhas.ac.id M.Si., Ihsan, S.Pd., M.Si., Dr. Nurlina, S.Si.,
M.Pd., Ihfa Indira N., S.Si., M.Si.
Anggota IKAPI No: 002/SSL/01 &
APPTI No: 005.026.1.03.2018
Hak Cipta © Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hasanuddin.
All rights reserved. Hak cipta dilindungi undang-undang.
Dilarang memperbanyak isi buku ini, baik sebagian maupun seluruhnya

dalam bentuk apapun tanpa izin tertulis dari penulis/penerbit.
Seminar Nasional Fisika Makassar (SNF-MKS) 2022, 2 Oktober 2022
Universitas Hasanuddin, Makassar – Indonesia
Kata Pengantar
Bismillahirrahmanirrahim
Assalamu’alaikum Warahmatullahi Wabarakatuh.
Puji syukur kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga kegiatan Seminar
Nasional Fisika (SNF) Makassar 2022 dapat terlaksana dan menghasilkan buku abstrak ini yang berisi
kumpulan abstrak dari makalah yang akan dipresentasikan. Seminar dilakukan dengan metode hybrid
untuk memudahkan pemakalah yang terkendala oleh jarak. Oleh karena itu, SNF 2022 mengambil tema
“Inovasi Riset Fisika dan Aplikasinya di Era Merdeka Belajar – Kampus Merdeka”.
Kompleksitas ilmu Fisika sebagai core of science dengan berbagai fenomenanya sangat dapat
diimplementasikan di berbagai topik riset. Untuk itu para Fisikawan harus mampu berfikir secara
inovatif dan strategis dalam menyeimbangkan antara teori dan praktik nyata sehingga hasilnya dapat
dimanfaatkan untuk kemaslahatan umat manusia. Terutama di masa pandemik sekarang yang membuat
pelaksanaan riset menjadi terbatas. Melalui prinsip Tri Dharma Perguruan Tinggi, meliputi pendidikan,
penelitian, dan pengabdian pada masyarakat, para akademisi dan peneliti diharapkan tetap berkontribsi
secara nyata untuk mempublikasikan hasil penelitiannya agar kepakarannya sebagai peneliti meningkat.
Kualitas penelitian dapat dilihat dari banyaknya akademisi dan peneliti yang mempublikasikan karyanya
di jurnal internasional terindex.
Sejauh ini Departemen Fisika FMIPA Unhas telah menggelar sejumlah seminar Nasional dan
Internasional secara reguler, termasuk SNF 2022. Pelaksanaan kegiatan ini mendapat dukungan mulai
pimpinan Departemen, Fakultas dan Universitas. Oleh karena itu panitia menghaturkan terima kasih
setinggi-tingginya kepada: Prof. Dr. Ir. Jamaluddin Jompa, M.Sc. (Rektor Universitas Hasanuddin), Dr.
Eng. Amiruddin, M.Si. (Dekan FMIPA Unhas), dan Prof. Dr. H. Arifin, M.T. (Ketua Departemen Fisika
Unhas) atas dukungan baik secara moril maupun materil sehingga kegiatan ini dapat terlaksana dengan
baik. Panitia juga berterima kasih kepada para Invited Speaker atas kesediaannya membagi ilmu dan
pengalaman di bidang keahlian masing-masing: Prof. Drs. Agus Purwanto, M.Si., M.Sc., D.sc. (ITS),
Prof. Dr. Madzalim, M.Si (UNESA), Dr. Muhammad Hilmy Alfaruqi, S.T., M.Eng (UTS), dan Dr. Altje
Latununuwe. M.Si. (UNPATTI). Terima kasih yang sama dihaturkan pula kepada seluruh pemakalah
dan para peserta yang memberikan berkontribusinya. Tak lupa kepada seluruh panitia yang telah bekerja
keras demi terlaksananya kegiatan ini.
Akhir kata, semoga buku ini dapat bermanfaat bagi kita semua dan apabila ada ketidaksempurnaannya,
maka panitia berharap saran dan masukan untuk perbaikan di kemudian hari.
Makassar, 30 September 2022
Ketua Panitia SNF
Azwar Sutiono, S.Si., M.Si.
v
Daftar Isi
Kata Pengantar v
Daftar Isi vii
Sistem Monitoring Pencemaran Udara Karbon Monoksida di TPA Antang Berbasis Internet of
Things 1
Gita Iriandina, A. Arifin, Bidayatul Arminah
Pengaruh Model Pembelajaran Inkuiri Terbimbing Berbantuan Google Sites Terhadap

Keterampilan Berpikir Kritis Peserta Didik Kelas XI di SMA Negeri 22 Gowa 7
Muhajirin Makkawaru, Nurlina, Nurazmi
Rancang Bangun Alat Cyclic Voltammetry Berbasis Arduino Uno untuk Pengukuran
Superkapasitor dari Biomassa 14
Zhafaat Rahimi Z., Bidayatul Armynah, Erman Taer
Penerapan Model Pembelajaran Inkuiri Terbimbing Terhadap Peningkatan Keterampilan Proses

Sains Peserta Didik SMA Negeri 5 Luwu 21
Magfirah Idham, Nurlina, Rahmawati
Perbandingan Hasil Belajar Fisika Peserta Didik yang Aktif Berorganisasi Dengan Yang Tidak
Aktif pada Masa Pandemik 31
Ihfa Indira Nurnaifah, Gusra
Sistem Pemantauan Volume Cairan Infus Berbasis Aplikasi Blynk 40

Riska Dama Yanti, Ida Laila, Arifin, Bualkar Abdullah
Analisis Variasi Spasial dan Temporal Tingkat Ancaman Bahaya Sambaran Petir di Kabupaten
Bone Tahun 2017-2021 51
Muh. Said L, Megawati, Amirin Kusmiran, Firdaus Muhidin, Asriani, Alamsyah
Efektivitas Model Pembelajaran Inkuiri Pokok Bahasan Dinamika Gerak pada Siswa
Kelas X MIPA 7 MAN Pinrang 57
Rosita Rosita, Hasni Hasni
Studi Peningkatan Laju Kehilangan Massa pada Evolusi Bintang Masif 69

Andi Agung Prawira Negara, Nur Hasanah, Tasrief Surungan
Klasifikasi Bunga Iris menggunakan Algoritma Naïve Bayes dengan Rapidminer 77

Fitri, Eko Juarlin, Wira Bahari Nurdin
Klasifikasi Pasien Kanker Payudara Menggunakan Naive Bayes Dengan Program RapidMiner 86
Betuel Nabyal, Eko Juarlin, Heryanto
Wormhole dalam Persamaan Medan Gravitasi Einstein Efektif Dunia Brane Didukung oleh
Energi Phantom 90
M. H. Hamdi, Bansawang, BJ, A. Sutiono
Model Gravitasi f(R) Hu-Sawicki-Starobinsky Dalam Kosmologi 98

Ade Ilham Tamara Kurniawan, Bansawang BJ, Tasrief Surungan,
Faqihah Fajriani J, Emar Mokiman Kala Tagari
Solusi Persamaan Diferensial Parsial dengan Metode Elemen Hingga Menggunakan Freefem++ 104
Israil, Eko Juarlin
vii
Studi Perubahan Sifat Struktur Dan Termodinamik Pelipatan Protein Model Hp Menggunakan
Simulasi Monte Carlo Dengan Algoritma Wang-Landau 109
Safrullah, Tasrief Surungan, Bansawang BJ.
Klasifikasi Bintang Variabel Berdasarkan Pengaruh Perubahan Kecerahan Menggunakan Algoritma

K-Nearest Neighbor 116
Andi Yusriandi Pratama, Nur Hasanah, Eko Juarlin
Analisis Karakteristik Hidroksiapatit Dari Cangkang Kerang Darah (Anadara Granosa) 120
Maysarah. A. Mallarangi, Nurlaela Rauf, Paulus Lobo Gareso
Analisis Uji Kesesuaian Pesawat X-Ray Mobile Berdasarkan Parameter Pengujian di BPFK
Makassar 124
Asmiati, A. Tasya Ferdianti, Rahmawati Mahyuddin, Dwi Febri Isradiati, Muh. Said L
Pengaruh Suhu Sintering Terhadap Efisiensi Massa Hidroksiapatit Cangkang Kerang Darah
(Anadara Granosa) 131
Nova Marliana, Nurlaela Rauf, Sri Suryani
Energi Listrik DC pada Sistem IEM-FC (Electrolite Membrane Fuel Cell) dari Larutan Batang
Pisang Ambon Tua Dan Muda (Musa Paradisiaca Var Sapientum) 136
Febrianti Mahrani Kolly
Analisis Dosis Keluaran Radiasi Sinar X Menggunakan Teknik Automatic Exposure Control (AEC)
dan Fixed Tube Current (FTC) pada Pesawat CT Scan 143
Andi Fitriani, Gisela Gerard, Ulfah Rosyidah, Fatmasari Radjab,
Nurul Magfirawati, Bannu, Syamsir Dewang
Analisis Noise Level Hasil Citra CT Scan dengan Variasi Tegangan Tabung dan Variasi Slice
Thickness 148
Gisela Gerard, Andi Fitriani, Ulfah Rosyidah, Fatmasari Radjab,
Nurul Magfirawati, Bannu, Syamsir Dewang
Analisis Keluaran Berkas Radiasi Foton 6 MV pada Linear Accelerator Varian HCX 6540
menggunakan Detektor PTW 30013 Farmer di RS UNHAS 154
Nur Indah Sari, Bualkar Abdullah, Satrial Male
Penentuan Nilai Diagnostic Reference Level (DRL) pada Pemeriksaan CT-Scan Pasien Dewasa di
RSUD Haji Makassar 159
Yesriely, Syamsir Dewang, Bannu Abdul Samad
Analisis Keseragaman Distribusi Dosis Berdasarkan Dose Volume Histogram (DVH) Pada
Radioterapi Kanker Serviks 165
Ni Putu Sri Narayani, Bualkar Abdullah, Sri Suryani, Satrial Male
Pemrosesan Citra Chest CT-Scan Bebasis AI untuk Deteksi Covid-19 170

Eko Juarlin, Rezky Rachmadany Rachman, Syamsir Dewang, Sri Dewi Astuty
Pengaruh Pengukuran Ketebalan Irisan Terhadap Kualitas Citra pada Pesawat CT SCAN
Menggunakan Phantom AAPM 177
Nurul Magfirawati,Syamsir Dewang, Ulfa Rasyida, Fatmasari Radjab, Sri Dewi Astuti
viii
Sistem Monitoring Pencemaran Udara Karbon

Monoksida di TPA Antang Berbasis Internet of Things
Gita Iriandina*1, A. Arifin2, Bidayatul Arminah3
1,2,3
Departemen Fisika, Fakultas MIPA, Universitas Hasanuddin
*
E-mail: *1giriandina5@gmail.com
Abstrak
Pada umumnya pemrosesan akhir sampah di Tempat Pembuangan Akhir (TPA) sebagian besar dilakukan
dengan open dumping, ketiadaan tanah penutup akan menyebabkan polusi udara tidak teredam. Gas
polutan yang berasal dari TPA menghasilkan salah satu gas yaitu karbon monoksida (CO). Pemantauan
pencemaran udara karbon monoksida di sekitar TPA diperlukan untuk mengetahui kadar gas karbon
monoksida. Penelitian ini difokuskan pada pembuatan prototipe sistem pemantauan pencemaran udara
karbon monoksida di TPA Antang menggunakan konsep pemantauan jarak jauh sebagai penerapan
teknologi Internet of Things (IoT). Sistem pemantauan pencemaran udara di lingkungan TPA Antang
menggunakan sensor gas MQ-7. Hasil pengukuran secara real-time diteruskan oleh arduino uno,
kemudian dikirim menggunakan komunikasi wireless NodeMCU ESP8266. Pada sistem ini, data hasil
pengukuran dapat ditampilkan pada kolom chat bot software telegram. Hasil pengukuran menunjukkan
tingkat kesalahan sensor MQ-7 sebesar 3,57% yang menunjukkan akurasi sebesar 96,43%. Hasil
pengukuran yang diperoleh menunjukkan bahwa sensor dapat bekerja dengan baik. Keunggulan dari
penelitian ini yaitu sistem dapat melakukan pengukuran secara real-time, biaya terjangkau dan mudah
diaplikasikan.
Kata Kunci: Arduino uno; IoT; karbon monoksida; sensor gas; telegram.
1. PENDAHULUAN
Salah satu faktor penunjang A yang bersih adalah kualitas udara. Udara bersih sangat penting bagi
keberlangsungan hidup. Namun apabila terjadi pencemaran udara, maka akan berdampak buruk bagi
kesehatan terhadap kehidupan1. Pencemaran udara adalah pencemaran lingkungan oleh aktivitas manusia
sehingga kualitasnya turun sampai ke tingkat tertentu. Sumber pencemaran udara yang utama berasal
dari berbagai aktivitas manusia antara lain industri, transportasi, pembakaran sampah, perkantoran, dan
perumahan2. Pencemaran udara juga dapat terjadi akibat dekomposisi sampah.
Sampah menghasilkan beberapa komponen gas yang masuk ke udara dari hasil proses pembusukan
maupun pembakaran. Terdapat beberapa komponen gas yang dihasilkan akibat adanya proses pembusukan
sampah seperti, karbon monoksida (CO), karbon dioksida (CO2), fosfor (PO4), sulfur dioksida (SO2),
maupun metana (CH4)3. Jumlah gas yang dihasilkan akan semakin banyak apabila volume pembusukan
sampah semakin besar. Oleh karena itu, pembuangan dan pemusnahan sampah harus dilakukan sebaik
mungkin. TPA merupakan suatu tempat akhir yang digunakan untuk menampung semua sampah4.
Pemantauan pencemaran udara akibat gas yang ditimbulkan oleh TPA seperti gas CO dapat dilakukan
dengan menggunakan sensor gas MQ-7 berbasis teknologi IoT.
Pada penelitian sebelumnya tentang sistem pemantauan kualitas udara telah dilakukan oleh Jacquline
dkk. (2020), tentang sistem pemantauan kualitas udara dalam ruangan berbasis mikrokontroler, android
dan IoT5. Penelitian yang dilakukan oleh Kinnera dkk. (2019), mengenai pengaturan pemantauan
kualitas udara berbasis IoT berbiaya rendah menggunakan arduino dan sensor seri MQ 6 dengan analisis
data set6. Penelitian lain yang dilakukan oleh Kinnera dkk. (2019) dengan membuat sistem monitoring
kualitas udara berbasis IoT menggunakan MQ-135 dan MQ-7 dengan analisis pembelajaran mesin7.
Penelitian sebelumnya telah dilakukan percobaan monitoring kualitas udara dengan berbagai macam
alat dan media yang berbeda dan kelemahan seperti pada perangkat lunak memiliki akses yang cukup
rumit. Oleh karena itu, pada penelitian ini dirancang sebuah sistem monitoring untuk memantau kualitas
udara di lingkungan TPA Antang Makassar menggunakan sistem berbasis mikrokontroler arduino uno
1
yang terintegrasi dengan sensor MQ-7 untuk konsentrasi gas CO yang akan terhubung ke jaringan
internet menggunakan modul NodeMCU ESP8266 dengan perangkat lunak telegram sebagai media
monitoring data. Telegram memiliki bot Application Programming Interface (API) yang cukup lengkap
sehingga memungkinkan untuk membuat bot pintar yang dapat merespon pesan. Sistem pemantauan ini
diharapkan dapat merealisasikan konsep IoT untuk menampilkan data kualitas udara melalui aplikasi
telegram dan dapat dipantau secara jarak jauh.
2. BAHAN DAN METODE

Metode yang digunakan dalam penelitian ini yakni pengujian sistem monitoring kualitas udara
menggunakan metode IoT dan terbagi atas dua tahap yaitu rancang bangun perangkat keras dan
perancangan perangkat lunak. Tahapan penelitian dijabarkan sebagai berikut:
Perangkat Lunak
Perancangan perangkat lunak menunjukkan bagaimana sistem kerja alat yang dibuat. Perancangan
perangkat lunak dilakukan dengan membuat bot chat telegram menggunakan aplikasi telegram.
Pemberitahuan peringatan intruksi dilakukan dengan menggunakan media pesan instan (chat). Hal
utama dalam menggunakan fitur-fitur ini adalah dengan memiliki token atau kode otentikasi yang dapat
mengatur tindakan bot telegram8.
Proses pembuatan bot telegram:
1. Membuat bot telegram baru menggunakan bot father.
2. Memberi bot telegram nama yang ramah dengan nama pengguna yang unik.
3. Ketika pengguna telah menyelesaikan langkah-langkah ini, ada nomor token yang dapat digunakan
oleh pengguna untuk menghubungkan telegram dengan perangkat.
Bot father merupakan tempat pembuatan sejumlah deskripsi dan perintah yang ingin kita kirimkan
melalui NodeMCU ESP8266 seperti yang ditunjukkan pada Gambar 1.
Pengontrolan sistem pada aplikasi telegram dapat terhubung dengan perangkat keras menggunakan
koneksi Internet Protokol (IP) yang dibuat oleh mikrokontroler NodeMCU. Aplikasi Telegram memiliki
bot yang dapat terkoneksi pada NodeMCU dengan menggunakan token API9.
Gambar 1. Bot telegram
2
Perangkat Keras
Pada tahap perancangan perangkat keras, langkah pertama yang dilakukan adalah menyiapkan
komponen yang digunakan pada perangkaian sistem monitoring kualitas udara. Komponen yang
digunakan antara lain sensor MQ-7, arduino uno, NodeMCU ESP8266, power bank, buzzer, dan Licuid
Crystal Display LCD. Perancangan diagram blok sistem ditunjukkan pada Gambar 2.
Gambar 2. Diagram blok sistem.

Diagram blok sistem yang ditunjukkan pada Gambar 2 menggambarkan tentang prototipe perangkat
keras maupun komponen yang terkoneksi dengan IoT. Power bank sebagai catu daya yang menyalurkan
daya listrik ke perangkat mikrokontroler arduino uno dan NodeMCU ESP8266. Masukan berupa sensor
gas MQ-7 yang mendeteksi CO. Data CO diolah pada mikrokontroler arduino uno dan keluaran sensor
berupa tegangan sinyal analog kemudian dikonversi ke dalam bentuk sinyal digital oleh ADC (Analog
Digital to Converter) pada mikrokontroler dan diteruskan ke perangkat lunak melalui NodeMCU
ESP826610. Keluaran data kemudian ditampilkan pada aplikasi monitoring telegram.
3. HASIL DAN BAHASAN

Kalibrasi Sensor
Kalibrasi sensor deteksi gas karbon monoksida dilakukan untuk mengetahui alat yang digunakan
dapat berfungsi dengan baik dan mengetahui karakteristik dari sensor. Tahap kalibrasi untuk sensor
MQ-7 dilakukan dengan membandingkan hasil pengukuran sensor MQ-7 dengan alat ukur standar
CO analyzer pro dengan satuan parts per million (ppm). Data pembacaan dari sensor berupa keluaran
ADC. Keluaran analog sensor dikonversi menjadi sinyal digital melalui pin ADC pada mikrokontroler.
Hasil konversi data mikrokontroler ditampilkan pada sistem interface11. Pengujian pembacaan nilai
ADC MQ-7 dilakukan dengan cara membandingkan kadar gas yang ditampilkan dengan kadar gas yang
diperoleh melalui perhitungan rumus12.
Y = a + bx (1)
dimana,
^/yh^/x 2h - ^/xh^/xyh
a= (2)
n ^ /x h - ^ / x h
2 2
n ^/xyh - ^/xh^/yh (3)

b=
n ^ /x h - ^ /x h
2 2
Nilai Y adalah hasil pembacaan sensor dalam satuan ppm yang mendekati pembacaan alat
pembanding, x adalah hasil pembacaan sensor pada nilai ADC, a adalah konstanta, dan b adalah koefisien
3
regresi. Dilakukan perhitungan persamaan regresi linear untuk mendapatkan data sensor dalam satuan
ppm. Perhitungan ini dilakukan karena adanya perbedaan hasil antara alat ukur standar dengan sensor
yang disebabkan oleh perbedaan skala pada kedua alat. Pengambilan data monitoring sensor MQ-7 dan
alat ukur standar ditunjukkan pada Tabel 1 berikut.
Tabel 1. Hasil perbandingan data keluaran perangkat dan sensor MQ-7.
Alat Ukur Standar Sensor MQ-7 Keluaran
No.
(ppm) (ADC) (ppm)
1 0,99 347 1,02
2 1,03 362 1,11
3 2,42 556 2,37
4 3,83 763 3,72
5 5,12 998 5,25
Dari pengambilan data yang ditunjukkan pada Tabel 1 dapat dilihat grafik perbandingan keluaran
alat ukur standar (ppm) dan keluaran sensorMQ-7 (ppm) yang ditunjukkan pada Gambar 3.
Gambar 3. Grafik pembacaan alat ukur standar (ppm) dan pembacaan sensor (ppm).
Gambar 3 menunjukkan hasil pengukuran gas CO dengan konsentrasi yang bervariasi berdasarkan
alat ukur standar dan sensor MQ-7. Kenaikan hasil pembacaan sensor MQ 7 berdasarkan kenaikan
intensitas asap pula13. Berdasarkan data pada Tabel 1, diperoleh bahwa hasil sensor MQ-7 memiliki
rata-rata besar kesalahan yaitu 3,57%. Hasil pengukuran yang diperoleh mengggunakan sensor MQ-7
memiliki akurasi yang relatif lebih tinggi dibandingkan hasil penelitian sebelumnya. Pada penelitian
sebelumnya untuk sensor CO yang dilakukan oleh Hanna (2017) memperoleh rata-rata kesalahan
sebesar 4,021%12, dan yang dilakukan oleh Ananda, dkk. (2020) memperoleh rata-rata kesalahan sebesar
18,55%13.
Pengujian Sistem Monitoring Skala Lapangan
Pegujian sistem monitoring skala lapangan dilakukan setelah sensor diuji dan dikalibrasi. Lokasi
pengambilan data bertempat di TPA Antang, Kecamatan Tamangapa, Kota Makassar yang dilakukan
selama tiga hari yaitu pada tanggal 25-27 Mei 2022 pukul 08:00-17:00 WITA. Data hasil yang
ditampilkan di kolom bot chat telegram adalah data setiap 10 menit dapat dilihat pada Gambar 4.
4
Gambar 4. Grafik data gas CO dalam sepuluh menit.

Pada Gambar 4 menunjukkan bahwa grafik hubungan antara data gas CO di udara dan waktu setiap
sepuluh menit dan digunakan rentang 1-5 ppm sesuai dengan hasil data kalibrasi. Berdasarkan grafik
pada Gambar 4 bahwa kandungan gas CO di udara sekitar TPA Antang pada hari ke-1 mengalami
penurunan dikarenakan adanya perubahan kondisi cuaca dimana sekitar jam 15:00 turun hujan hingga
sore hari dan juga pada saat itu aktivitas yang terjadi di sekitar TPA tidak terlalu padat. Sedangkan
hari ke-2 dan ke-3, kandungan CO mengalami kenaikan dikarenakan kondisi yang berbanding terbalik
dengan kondisi hari ke-1, di mana cuaca pada saat itu cerah dan tidak turun hujan begitu pula dengan
aktivitas yang terjadi di TPA cukup padat. Asap kendaraan yang keluar masuk dan asap pembakaran di
lokasi TPA sangat mempengaruhi konsentrasi gas. Pada pembagian status keadaan polusi udara dibagi
menjadi dua bagian yaitu, “kondisi udara normal” pada rentang kandungan gas CO diudara kurang dari
30 ppm, dan “kondisi udara tidak normal” pada rentang kandungan gas CO di udara lebih dari 30 ppm.
4. KESIMPULAN
Perancangan sistem monitoring terdiri dari dua bagian perangkat yaitu perangkat keras untuk rangkaian
pengirim dan rangkaian penerima data, dan perangkat lunak aplikasi telegram. Sistem pemantauan untuk
pengukuran kadar gas CO menggunakan sensor MQ-7 dan sistem berbasis mikrokontroler arduino uno
yang terhubung ke jaringan internet menggunakan modul NodeMCU ESP8266. Data hasil pengukuran
sensor ditampilkan pada aplikasi telegram. Pengujian sensor MQ-7 diperoleh hasil bahwa sensor
memiliki rata-rata kesalahan sebesar 3,57%. Kualitas udara dengan konsentrasi gas CO yang terukur
memiliki status “kondisi udara normal”. Hasil pengukuran yang diperoleh di lapangan menunjukkan
bahwa sensor dapat bekerja dengan baik. Keunggulan pada penelitian ini yaitu menggunakan perangkat
lunak telegram secara gratis dan multiplatform yang dapat melakukan pengukuran secara real-time,
biaya terjangkau dan mudah diaplikasikan.
DAFTAR PUSTAKA
1. Jacquline, W. dan Oktoverano, L. (2018). Indoor Air Quality Monitoring and Notification System
with IoT Platform. Cogito Smart Journal 4(1): 2541-2221.
2. Sugiarso, B. A., Lumenta, A. S. M., Narasiang, B. S. dan Rumagit A. M. (2019). Aplikasi Sensor
Polusi Udara. Jurnal Teknik Elektro dan Komputer 8(3): 193-200.
3. Astry, A. dan Surahma, A. M. (2020). Dampak Tempat Pembuangan Akhir Sampah (TPA) Terhadap
Gangguan Kesehatan Masyarakat. Jurnal Kesehatan Komunitas 6(2): 171-176.
5
4. Farisa, H. dan Surahma, A. M. (2020). Gangguan Saluran Pernapasan Akibat Pencemaran Udara di
Lingkungan Tempat Pembuangan Akhir (TPA). Jurnal Kesehatan 13(2): 119-130.
5. Jacquline, W. dan Walfarid, H. L. (2020). AirQMon: Indoor Air Qulity Monitoring System Based on
Microcontroller, Android and IoT. Cogito Smart Journal 6(2): 2477-8079.
6. Kinnera, B. K. S., Somula R. dan Ashish KR. L. (2019) IoT Based Air Quality Monitoring system
using MQ135 and MQ7 with machine Learning Analysis. Scalable Computing: Practice and
Experience 20(4): 599-606.
7. Kinnera, B. K. S., Subhaditya, M. dan Parveen, S. H. (2019) Low Cost IoT Based Air Quality
Monitoring Setup Using Arduino and MQ Series Sensors with Dataset Analysis. Procedia Computer
Science 165: 322-327.
8. Siswanto., Thoha, N. H. dan Muhamad, J. (2020). Prototype Smart Home dengan Konsep IoT
(Internet of Thing) Berbasis Nodemcu dan Telegram. Jurnal SIMIKA 3(1): 85-93.
9. Dwi, P., Ibrahim. dan Wilma, N. A. (2021). Implementasi Pemantauan Kualitas Udara dengan
Menggunakan MQ-7 dan MQ-131 Berbasis Internet of Things. Jurnal Rekayasa dan Teknologi
Elektro 15(3): 240-245.
10. Al Rasyid, M. U. H., Asmara, R. dan Setianto, H. Y. (2020). Pemantauan Kualitas Udara Terintegrasi
dengan Semantic Web of Thing. Informatics for educators and professionals 4(2): 153-162.
11. Diken, Y. D., Irawan, W. W. dan Endro, S. (2017). Analisis Dampak Kualitas Udara Karbon
Monoksida (CO) di Sekitar Jl. Pemuda Akibat Kegiatan CarFree Day Menggunakan Program
Calinea Dan Surfer. Jurnal Teknik Lingkungan 6(1): 1-14.
12. Hanna, F. S. (2017). Rancang Bangun Pemantauan Kualitas Udara pada Taman Wilayah Melalui
Website Berbasis Arduino Menggunakan Logika Fuzzy. Jurnal Mahasiswa Teknik Informatika 1(1):
296-303.
13. Ananda, R., Rizal, M. dan Hurriyatul, F. (2020). Implementasi Monitoring Kualitas Udara Taman
di Kota Malang Menggunakan Low Power Mode pada Android berbasis Arduino Uno. Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer 4(5): 1546-1554.
6
Pengaruh Model Pembelajaran Inkuiri Terbimbing

Berbantuan Google Sites Terhadap Keterampilan Berpikir
Kritis Peserta Didik Kelas XI di SMA Negeri 22 Gowa
Muhajirin Makkawaru*1, Nurlina2, Nurazmi3
1,2,3
Program Studi Pendidikan Fisika, Fakultas Keguruan dan Ilmu
Pendidikan, Universitas Muhammadiyah Makassar
E-mail: *1muhajirinmakkawaru@gmail.com
Abstrak
Kondisi peserta didik pada pembelajaran fisika saat menjawab soal fisika yaitu langsung menggunakan
persamaan tanpa melakukan analisis terkait materi yang dipelajari, menebak rumus yang digunakan,
dan menjiplak contoh soal yang menunjukkan bahwa keterampilan berpikir peserta didik masih perlu
ditingkatkan. Tujuan penelitian untuk mendeskripsikan keterampilan berpikir kritis peserta didik pada
kelas XI MIPA 1 dan XI MIPA 2 serta mengetahui pengaruh terhadap keterampilan berpikir kritis peserta
didik. Jenis penelitian yang digunakan adalah penelitian quasi experiment. Tingkat keterampilan berpikir
kritis peserta didik XI MIPA 1 memperoleh nilai rata-rata sebesar 57,48 dan kelas XI MIPA 2 sebesar
41,22. Berdasarkan analisis data pre-test yang diberikan kepada peserta didik menunjukkan bahwa
uji hipotesis non parametrik mann whitney nilai Asymp. Sig. 0,085 > 0,05 yang berarti keterampilan
berpikir kritis kedua kelas sama. Sedangkan setelah diberi perlakuan yang berbeda antara kedua kelas
yaitu penggunaan model pembelajaran inkuiri terbimbing berbantuan google sites pada kelas XI MIPA 1
dan model pembelajaran konvensional pada kelas XI MIPA 2 menunjukkan nilai Sig. (2-tailed) sebesar
0,001 < 0,05 yang berarti terdapat perbedaan kedua kelas sehingga dapat disimpulkan bahwa terdapat
pengaruh yang signifikan terhadap keterampilan berpikir kritis. Implikasi terhadap perkembangan ilmu
pendidikan fisika dapat menjadi referensi untuk memadukan model pembelajaran dengan media digital.
Kata Kunci: google sites; inkuiri terbimbing; keterampilan berpikir kritis.
1. PENDAHULUAN
Berdasarkan hasil wawancara yang dilakukan dengan guru fisika kelas XI MIPA di SMAN
22 Gowa menyatakan bahwa salah satu permasalahan yang dialami oleh peserta didik adalah pada
aspek keterampilan berpikirnya. Hal ini terlihat ketika peserta didik mengerjakan soal fisika, peserta
didik langsung menggunakan persamaan matematis tanpa melakukan analisis, menebak rumus yang
digunakan dan menjiplak contoh soal. Selain itu, peserta didik dalam proses menduga jawaban
sementara atau hipotesis masih kurang logis ketika diperhadapkan pada permasalahan fisika. Sehingga
perlu membuat lingkungan belajar fisika yang melatih pola pikir peserta didik agar dapat berpartisipasi
aktif memecahkan masalah dengan kritis, logis, dan tepat1.
Alternatif yang dapat dilakukan untuk meningkatkan partisipasi aktif peserta didik dalam
pembelajaran yaitu dengan menggunakan model dan media sehingga peserta didik mampu menyelesaikan
permasalahan fisika dalam kehidupan sehari-hari. Salah satu model pembelajaran yang meningkatkan
keaktifan peserta didik yaitu model pembelajaran inkuiri terbimbing karena menekankan pada proses
berpikir secara kritis dan analitis untuk mencari dan menemukan sendiri jawaban dari suatu masalah2.
Pemilihan model pembelajaran disertai dengan media pembelajaran dapat menunjang penyampaian
materi dengan baik. Media pembelajaran yang saat ini banyak digunakan adalah pemanfaatan teknologi
sebagai media pembelajaran untuk membantu kegiatan belajar mengajar3. Teknologi pendidikan saat
ini semakin berkembang sejak munculnya pandemi COVID-19 sehingga inovasi media pembelajaran
mengalami perkembangan. Kehadiran COVID-19 memberikan kebutuhan baru bagi dunia pendidikan
akan media pembelajaran yang dapat diakses menggunakan perangkat sehingga bisa diakses kapanpun
dan di manapun. Media pembelajaran tersebut memiliki berbagai macam model, salah satunya berbentuk
7
media web seperti google sites .4
Tujuan penelitian ini adalah mendeskripsikan keterampilan berpikir kritis peserta didik pada kelas
XI MIPA 1 dan di kelas XI MIPA 2, serta mengetahui pengaruh terhadap keterampilan berpikir kritis
peserta didik. Hipotesis dalam penelitian ini yaitu terdapat pengaruh model pembelajaran inkuiri
terbimbing berbantuan google sites terhadap keterampilan berpikir kritis peserta didik.
2. BAHAN DAN METODE

Jenis penelitian yang digunakan dalam penelitian ini adalah quasi experiment dengan desain
penelitian nonequivalent control group design 5. Penelitian dilakukan di SMAN 22 Gowa yang berlokasi
di Jalan Pelita Tamannyeleng, Tamannyeleng, Kec. Barombong, Kabupaten Gowa, Sulawesi Selatan,
90224. Pelaksanaan penelitian dilakukan pada semester genap tahun ajaran 2021/2022.
Populasi dalam penelitian ini merupakan seluruh peserta didik kelas XI MIPA SMAN 22 Gowa
sebanyak 134 yang terdiri dari empat kelas. Penentuan sampel menggunakan teknik purposive sampling
dengan XI MIPA 1 sebagai kelas eksperimen sebanyak 23 orang dan kelas XI MIPA 2 sebagai kelas
kontrol sebanyak 23 orang.
Variabel bebas (independen) dalam penelitian ini adalah model pembelajaran inkuiri terbimbing
berbantuan google sites. Sedangkan variabel terikat (dependen) dalam penelitian ini adalah keterampilan
berpikir kritis peserta didik. Prosedur dalam penelitian ini dibagi menjadi tiga tahap yaitu tahap awal,
pelaksanaan, dan akhir.
Penelitian ini menggunakan jenis instrumen tes keterampilan berpikir kritis yang berjumlah 8
nomor. Instrumen tes berbentuk soal uraian untuk mengukur keterampilan berpikir kritis peserta didik
pada materi Gelombang yang diberikan pada saat pre-test dan post-test. Perangkat penelitian sebelum
digunakan dilakukan beberapa uji seperti uji validitas, uji reliabilitas, indeks kesukaran, dan daya
pembeda. Teknik pengumpulan data pada tahap awal dilakukan dengan observasi, wawancara, dan
dokumentasi. Sedangkan pada tahap pengumpulan data dilakukan dengan pre-test dan post-test.
Teknik analisis data dilakukan dengan analisis deskriptif dan inferensial.
1. Analisis Deskriptif
a. Rata-rata
Perhitungan data rata-rata kelompok dapat dicari menggunakan persamaan sebagai berikut.
/ ^ti fih
x= /fi (1)
b. Standar Deviasi
Standar deviasi (s) untuk data distribusi (dikelompokkan) dirumuskan sebagai berikut.
^/fxh2
/fx 2 - /f - 1
S= /f - 1 (2)
c. Varians
Varians adalah kuadrat dari standar deviasi. Simbol varians untuk populasi adalah σ2 atau σ2n
sedangkan untuk sampel σ2n-1 atau S2 atau S 6.
d. Persentase
Penentuan persentase keterampilan berpikir kritis dalam penelitian ini ditentukan dengan rumus
sebagai berikut7.
Persentase ]%g = N # 100%
/n
e. Kategorisasi Nilai Keterampilan Berpikir Kritis

Kategorisasi nilai keterampilan berpikir kritis dapat ditentukan berdasarkan tabel 1 berikut ini8.
8
Tabel 1 Kategorisasi nilai keterampilan berpikir kritis

Kategori Kelas interval
Sangat tinggi X > M + 1,5 SD
Tinggi M + 0,5 SD < X ≤ M + 1,5 SD
Sedang M – 0,5 SD < X ≤ M + 0,5 SD
Rendah M – 1,5 SD < X ≤ M – 0,5 SD
Sangat rendah X ≤ M – 1,5 SD
2. Analisis Inferensial
a. Uji Normalitas
Kriteria pengujian uji normalitas menggunakan software SPSS adalah sebagai berikut.
1) Jika nilai Sig. > 0,05, maka data terdistribusi secara normal.
2) Jika nilai Sig. < 0,05, maka data tidak terdistribusi secara normal.
b. Uji Homogenitas
Berikut kriteria pengujian uji homogenitas.
1) Nilai Sig. > 0,05, maka varian nilai dari kedua kelas homogen.
2) Nilai Sig. < 0,05, maka varian nilai dari kedua kelas heterogen.
c. Uji Hipotesis
Apabila data berdistribusi normal maka uji hipotesis dapat dilakukan dengan menggunakan uji
parametrik independent-samples T test. Pengujian analisis hipotesis dengan taraf signifikansi α = 5%
memiliki kriteria sebagai berikut.
1) Nilai Sig. (2-tailed) < 0,05 terdapat pengaruh yang signifikan.
2) Nilai Sig. (2-tailed) > 0,05 tidak terdapat pengaruh yang signifikan.
Sedangkan apabila data tidak terdistribusi normal dan tidak homogen maka uji hipotesis yang dapat
digunakan adalah uji non parametrik yaitu uji mann whitney. Adapun kriteria untuk menentukan apakah
terdapat perbedaan atau tidak ditentukan sebagai berikut.
1) Nilai Asymp Sig. (2-tailed) < 0,05 terdapat pengaruh yang signifikan.
2) Nilai Asym Sig. (2-tailed) > 0,05 tidak terdapat pengaruh yang signifikan 9.
Adapun rumusan hipotesis statistik penelitian sebagai berikut 6.
H0 : μ1 = μ2
Ha : μ1 ≠ μ2

Hasil penelitian ini dianalisis dengan analisis deskriptif serta analisis inferensial. Tabel 2 di bawah
ini menunjukkan hasil analisis deskriptif pre-test keterampilan berpikir kritis.
Tabel 2. Hasil analisis deskriptif pre-test keterampilan berpikir kritis
Kelas
Kategori
Eksperimen Kontrol
Jumlah sampel 23,00 23,00
Nilai rata-rata 19,17 13,17
Standar deviasi 11,01 8,37
Nilai tertinggi 41,00 31,00
Nilai terendah 4,00 4,00
Nilai ideal 100,00 100,00
Sumber : data hasil pengolahan (2022)
9
Gambar 1. Diagram kategorisasi nilai dan frekuensi keterampilan

berpikir kritis peserta didik sebelum diberi perlakuan (pre-test)
Sumber: data hasil pengolahan (2022)
Gambar 2 Diagram persentase data pre-test keterampilan berpikir kritis

Berdasarkan analisis inferensial menggunakan aplikasi SPSS data penelitian pre-test post-test
keterampilan berpikir kritis diuji menggunakan uji normalitas, uji homogenitas, dan uji hipotesis. Uji
pertama yang dilakukan adalah uji normalitas dengan menggunakan uji pada aplikasi SPSS shapiro-
wilk dan menunjukkan bahwa data pre-test eksperimen, post-test eksperimen, dan post-test kontrol
terdistribusi normal karena nilai Sig. yang diperoleh lebih besar dari Sig. 0,05 yaitu 0,158 > 0,05, 0,414
> 0,05, dan 0,776 > 0,05. Sedangkan untuk data pre-test kontrol tidak terdistribusi normal karena besar
nilai Sig. sebesar 0,001 yang berarti lebih kecil dari nilai Sig. 0,001 atau 0,001 < 0,05.
Uji inferensial selanjutnya yang dilakukan terhadap data penelitian yang telah diperoleh adalah uji
homogenitas menggunakan one-way anova. Uji homogenitas dilakukan untuk mengetahui apakah data
10
penelitian yang telah dikumpulkan berasal dari kelas homogen atau tidak. Uji homogenits ini dilakukan
dengan uji one-way anova pada aplikasi SPSS. Adapun kriteria sebuah data berasal dari kelas yang
homogen jika nilai Sig. > 0,05. Berdasarkan uji homogenitas yang dilakukan pada pre-test menunjukkan
bahwa data tersebut bersifat homogen karena Sig. > 0,05 yaitu 0,057 > 0,05. Sedangkan data post-test
juga berasal dari kelas yang homogen karena nilai Sig. > 0,05 yaitu 0.975 > 0,05.
Selanjutnya dilakukan uji hipotesis pada data penelitian pre-test kelas eksperimen dan kontrol
serta uji hipotesis data penelitian post-test kelas eksperimen dan kontrol. Uji hipotesis dilakukan untuk
mengetahui pengaruh terhadap keterampilan berpikir kritis peserta didik pada kelas eksperimen dan
kelas kontrol ketika diberi pre-test dan post-test. Uji hipotesis dilakukan dengan memperhatikan uji
prasyarat yang telah dilakukan yaitu uji normalitas dan uji homogenits. Uji prasyarat tersebut merupakan
syarat untuk menggunakan uji hipotesis yang akan dilakukan.
Berdasarkan uji normalitas yang dilakukan pada data pre-test kelas eksperimen menunjukkan
bahwa data tersebut terdistribusi normal. Namun data pre-test kelas kontrol tidak terdistribusi normal
dan setelah dilakukan uji homogenitas menunjukkan bahwa data pre-test bersifat homogen. Sehingga
untuk melakukan uji hipotesis pada data pre-test dapat dilakukan dengan menggunakan uji statistik non
parametrik yaitu uji mann whitney. Berdasarkan uji mann whitney yang telah dilakukan pada data pretest
menunjukkan keterampilan berpikir kritis kelas eksperimen dan kelas kontrol adalah sama sebelum
diberikan perlakuan karena nilai Asymp. Sig. (2-tailed) lebih besar dari 0,05 yaitu 0,085 > 0,05.
Tabel 3 Hasil analisis deskriptif post-test keterampilan berpikir kritis
Kelas
Kategori
Eksperimen Kontrol
Jumlah Sampel 23,00 23,00
Nilai rata-rata 57,48 41,22
Standar deviasi 14,55 14,39
Nilai tertinggi 79,00 71,00
Nilai terendah 30,00 8,00
Nilai ideal 100,00 100,00
Sumber : data hasil pengolahan (2022)
Gambar 3 Diagram kategorisasi nilai dan frekuensi keterampilan

berpikir kritis peserta didik setelah diberi perlakuan (post-test)
11
Gambar 4. Diagram persentase data post-test keterampilan berpikir kritis peserta didik
Berdasarkan analisis data post-test hasil uji normalitas menunjukkan bahwa kedua data post-test
baik dari kelas eksperimen maupun kelas kontrol semuanya terdistribusi normal dan juga bersifat
homogen. Oleh sebab itu, untuk melakukan uji hipotesis dapat dilakukan dengan menggunakan uji
statistik parametrik yaitu uji independent-samples T test. Berdasarkan hasil uji independent-samples
T test yang telakukan pada data post-test menunjukkan bahwa terdapat perbedaan keterampilan
berpikir kritis peserta didik setelah diberi perlakuan yang berbeda yaitu dengan menggunakan model
pembelajaran inkuiri terbimbing berbantuan google sites pada kelas eksperimen dan menggunakan
model pembelajaran konvensional pada kelas kontrol. Oleh karena itu, hasil penelitian ini menunjukkan
pengaruh yang signifikan terhadap keterampilan berpikir kritis peserta didik karena nilai Sig. (2-tailed)
pada equal variances assumed karena data bersifat homogen yaitu sebesar 0,001 yang berarti nilai
tersebut lebih kecil dari nilai Sig. (2-tailed) atau 0,001 < 0,05. Hal ini sejalan dengan penelitian yang
dilakukan oleh Harjilah, dkk., (2019) bahwa terdapat pengaruh yang signifikan antara pembelajaran
dengan model inkuiri terbimbing terhadap keterampilan berpikir kritis fisika10.
Model pembelajaran inkuiri terbimbing merupakan model pembelajaran yang dapat membuat
peserta didik lebih aktif dengan cara membimbing, memberi pertanyaan, serta membuat rancangan
eksperimen agar peserta didik dapat melatih keterampilan berpikir kritis yang mereka miliki sehingga
dapat menyusun konsep sendiri melalui penyelidikan yang didampingi oleh guru. Penggunaan model
pembelajaran inkuiri terbimbing juga dapat dilakukan dengan dibantu berbagai macam media terlebih
saat ini sudah banyak berkembang media baik yang cetak maupun digital. Media digital merupakan
media yang saat ini tengah mengalami perkembangan yang baik salah satunya adalah media google
sites. Media google sites merupakan media berbasis website yang mudah diakses melalui gawai seperti
laptop dan handphone dan juga google sites dapat terintegrasi dengan fitur pembelajaran digital yang
lain seperti youtube sehingga memudahkan dalam proses pembelajaran yang dikombinasikan dengan
model pembelajaran inkuiri terbimbing.
Hal ini sejalan dengan penelitian yang pernah dilakukan oleh Nurmanita (2022) yang menunjukkan
bahwa pembelajaran menggunakan google sites berbantuan quizizz memberikan pengaruh yang
signifikan serta meningkatkan keterampilan berpikir kritis mahasiswa yang ditunjukkan dari nilai uji
thitung < ttabel. Selain itu, peningkatan keterampilan berpikir kritis peserta didik juga ditunjukkan dari
perolehan skor rata-rata peserta didik pada tes11.
12
4. KESIMPULAN
Tingkat keterampilan berpikir kritis peserta didik pada kelas XI MIPA 1 SMA Negeri 22 Gowa
sebagai kelas eksperimen yang diajar menggunakan model pembelajaran inkuiri terbimbing berbantuan
google sites memperoleh perolehan nilai rata-rata sebesar 57,48 dan termasuk dalam kategori sedang.
Tingkat keterampilan berpikir kritis peserta didik pada kelas XI MIPA 2 SMA Negeri 22 Gowa sebagai
kelas kontrol yang diajar menggunakan model pembelajaran konvensional memperoleh perolehan
nilai rata-rata sebesar 41,22 yang termasuk dalam kategori sedang. Terdapat pengaruh yang signifikan
terhadap keterampilan berpikir kritis peserta didik pada kelas eksperimen setelah digunakan model
pembelajaran inkuiri terbimbing berbantuan google sites dan model pembelajaran konvensional pada
kelas kontrol. Implikasi terhadap perkembangan ilmu pendidikan fisika dapat menjadi referensi untuk
memadukan model pembelajaran dengan media digital.
UCAPAN TERIMA KASIH

Ucapan terima kasih kami sampaikan kepada pihak Prodi Pendidikan Fisika, FKIP, Universitas
Muhammadiyah Makassar karena telah membantu dan memfasilitasi kami dalam melaksanakan
penelitian ini. Selain itu, kami juga menyampaikan terima kasih kami kepada pihak sekolah SMA Negeri
22 Gowa yaitu Ibu Kepala Sekolah, Guru Fisika, Peserta Didik Kelas XI MIPA karena telah memberikan
izin dan memberikan bantuan dalam melaksanakan penelitian ini.
DAFTAR PUSTAKA
1. Diani, H., Irwandani, I. and Fujiani, D (2019). Pembelajaran Fisika dengan Model Brain Based
Learning (BBL): Dampak pada Keterampilan Berpikir Kritis. Indones. J. Sci. Math. Educ. 2:344–
352.
2. Yolanda, S. E., Gunawan and Sutrio (2019). Pengaruh Model Pembelajaran Inkuiri Terbimbing
Berbantuan Video Kontekstual Terhadap Penguasaan Konsep Fisika Peserta Didik. J. Pendidik. Fis.
dan Teknologi. 5: 341–347.
3. Qadri, N (2020). Penerapan Model Pembelajaran Inkuiri Terbimbing dengan Menggunakan Media
Animasi untuk Meningkatkan Keterampilan Berpikir Kritis Peserta Didik MA Wihdatul Ulum
Parangloe. Skripsi, Universitas Muhammadiyah Makassar.
4. Ismawati, I., Mutia, N., Fitriani, N. and Masturoh, S (2021). Pengembangan Media Pembelajaran
Fisika Berbasis Web Menggunakan Google Sites pada Materi Gelombang Bunyi. Schrodinger 2:
140-146.
5. Sugiyono (2018). Metode Penelitian Kuantitatif, Kualitatif, dan R & D. Bandung: CV Alfabeta.
6. Riduwan (2018). Dasar-dasar Statistik. Bandung: CV Alfabeta.
7. Rahayu, D. N. G., Harijanto, A. and Lesmono, A. D (2018). Tingkat Kemampuan Berpikir Kritis
Siswa SMA pada Materi Fluida Dinamis. J. Pembelajaran Fis. 7: 162–167.
8. Azwar, S (2013). Tes Prestasi Fungsi Pengembangan dan Pengukuran Prestasi Belajar. Yogyakarta:
Pustaka Pelajar.
9. Siregar, S (2017). Metode Penelitian Kuantitatif. Bandung: Kencana.
10. Harjilah, N., Medriati, R. and Hamdani, D (2019). Pengaruh Model Inkuiri Terbimbing Terhadap
Keterampilan Berpikir Kritis pada Mata Pelajaran Fisika. J. Kumparan Fis. 2: 79–84.
11. Nurmanita, M (2022). Efektivitas Pembelajaran Pancasila Berbasis Google Sites Berbantuan
Quizizz untuk Meningkatkan Kemampuan Berpikir Kritis Mahasiswa. Ideas J. Pendidikan, Sos.
dan Budaya. 8: 137-144.
13
Rancang Bangun Alat Cyclic Voltammetry

Berbasis Arduino Uno untuk Pengukuran
Superkapasitor dari Biomassa
Zhafaat Rahimi Z.*1, Bidayatul Armynah2, Erman Taer3
1,2
3
Departemen Fisika, Fakultas MIPA, Universitas Riau
*
E-mail: ZhafaatRahimi18@gmail.com
Abstrak
Superkapasitor adalah perangkat penyimpanan energi yang mengisi celah kosong di antara perangkat
penyimpan energi antara baterai (akumulator) dan kapasitor biasa. Superkapasitor dapat berfungsi
sebagai sumber energi terbarukan yang dapat meningkatkan kualitas energi. Pengukuran kapasitansi
dari superkapasitor perlu dilakukan untuk mengetahui jumlah muatan listrik yang dapat tersimpan.
Penelitian ini difokuskan pada pembuatan sistem pengukuran kapasitansi spesifik superkapasitor dengan
membuat alat cyclic voltammetry (CV) berbasis Arduino Uno menggunakan biaya yang relatif murah
dan dapat melakukan pengukuran secara real-time. Sistem pengukuran alat CV terdiri dari rangkaian
digital (Arduino Uno dan MCP4725), rangkaian analog (rangkaian potensiostat dan ADS1115), interface
(aplikasi desktop) untuk menampilkan data hasil pengukuran dan sel superkapasitor dari biomassa. Hasil
pengukuran alat CV pada satu sampel sel superkapasitor dari biomassa daun serai, NaOH 0,5 M 0,008
gram pada satu laju scan rate 1 mV/s dengan range 500 mV diperoleh kapasitansi spesifik bahan sebesar
57,8125 F/g.
Kata Kunci: Arduino Uno; CV; kapasitansi spesifik; superkapasitor biomassa.
1. PENDAHULUAN
Perangkat penyimpan energi konvensional seperti kapasitor tradisional dan baterai, biasanya
memperoleh energi dari sumber energi di sekelilingnya. Perangkat ini dapat menghasilkan keluaran
daya yang terputus-putus, sehingga membuatnya tidak kompatibel1. Superkapasitor atau dikenal juga
sebagai kapasitor elektrokimia dapat menutupi kekurangan tersebut karena memiliki kepadatan daya
tinggi, laju pengisian/pengosongan cepat, perawatan yang mudah, sifat keamanan tinggi, bobot yang
ringan, serta siklus hidup yang panjang dapat lebih dari 100.000 siklus2-5.
Superkapasitor dapat menyimpan daya listrik yang efisien, dan dapat melepaskan energi yang
besar dalam waktu singkat2,6. Superkapasitor atau ultrakapasitor dapat berfungsi sebagai sumber
energi terbarukan7. Perangkat penyimpan energi ini dapat menjembatani kesenjangan kepadatan energi
antara kapasitor tradisional dan baterai, serta dapat digunakan untuk melengkapi fungsi baterai dalam
pengaplikasiannya8-9.
Performa pengukuran superkapasitor dapat diukur menggunakan metode pelepasan muatan
galvanostatik (GCD), CV, dan Electrochemical Impedance Spectroscopy (EIS)10-11. Metode pengukuran
superkapasitor menghasilkan penilaian kinerja elektrokimia superkapasitor melalui parameter kapasitansi
spesifik, masa pakai, laju pengisian-pengosongan dan tahanan listrik dari superkapasitor11. Alat cyclic
voltammetry CV digunakan untuk mengukur kapasitansi spesifik dan mengevaluasi siklus hidup
superkapasitor. Kapasitansi spesifik (Csp) merupakan kemampuan sel superkapasitor dalam menyimpan
muatan dengan satuan Farad (F), dan sangat berpengaruh dalam menentukan kinerja superkapasitor12.
Beberapa penelitian terkait pengukuran performa superkapasitor menggunakan CV diantaranya
dilakukan oleh Giannakou, dkk. (2020) mengenai karakteristik sifat elektrokimia superkapasitor NiO
menggunakan CV dengan pengukuran elektrokimia menggunakan gamry interface 1000 E potensiostat/
galvanostat/ZRA dan gamry reference 600+ potensiostat/galvanostat/ZRA1. Babu, dkk. (2019) tentang
alat CV untuk menilai kemampuan siklus hidup yang panjang dan kapasitansi spesifik tinggi pada
14
superkapasitor kepingan nano Co3O4/CMC13. Che, dkk. (2019) tentang pengujian kecepatan laju siklik
dan stabilitas siklik menggunakan CV pada superkapasitor dengan elektroda komposit polianilin /
karbon nanotube berpori14. Namun, pada penelitian sebelumnya sulit dilakukan karena menggunakan
sistem yang kompleks, memerlukan biaya yang mahal dan tidak adanya alat CV yang tersedia secara
umum, sehingga sulit untuk menguji kinerja dan karakteristik dari superkapasitor.
Pada penelitian ini dilakukan pembuatan alat CV berbasis Arduino Uno dengan biaya yang murah
dan tetap memperhatikan kinerja yang baik sesuai dengan CV standar. Rangkaian CV dapat mengukur
superkapasitor menggunakan rangkaian potensiostat, sehingga dapat digunakan untuk mengatur
tegangan listrik dan mengukur arus listrik pada sel superkapasitor. Rangkaian potensiostat merupakan
rangkaian sederhana tersusun atas beberapa resistor dan penguat operasional (Op-Amp)15. Kegunaan
Arduino Uno adalah mengolah data tegangan masukan dan arus keluaran dari sel superkapasitor untuk
menghasilkan kurva cyclic voltammogram. Pada rangkaian Arduino ditambahkan pula MCP4725 untuk
menyuplai tegangan antara 0 – 5 Volt ke rangkaian potensiostat, dan ADS1115 sebagai Analog to Digital
Converter (ADC) yang mengubah nilai keluaran Arduino Uno menjadi nilai analog 16-bit15-16. Penelitian
ini menggunakan metode eksperimen dan pengembangan melalui proses fabrikasi yang mudah dan
biaya yang relatif murah serta diharapkan mampu memberikan informasi performa superkapasitor pada
sistem pengukuran yang sederhana.
2. BAHAN DAN METODE

Penelitian CV berbasis Arduino Uno untuk pengukuran superkapasitor biomassa diperoleh melalui
beberapa tahapan penelitian, diantaranya perancangan dan pembuatan alat CV dan pengukuran
superkapasitor dari biomassa.
Pembuatan Interface
Interface merupakan sebuah aplikasi desktop yang dapat menjalankan sistem kerja alat dan
menampilkan hasil pengukuran berupa kurva cyclic voltammogram yang ditampilkan pada laptop atau
personal computer (PC). Pembuatan aplikasi desktop dibangun menggunakan software visual studio
community 2022 pada sistem operasi Windows 10. Aplikasi ini dibuat menggunakan template Windows
Forms App (.NET Framework) yang didukung bahasa pemrograman visual basic.
Pada aplikasi desktop yang dibuat terbagi menjadi beberapa panel yang berfungsi untuk menjalakan
sistem kerja alat CV dan menampilkan kurva cyclic voltamogram diantaranya panel connection, panel
control, panel input, panel data grid view dan panel graph seperti yang ditunjukkan pada Gambar 1.
Gambar 1. Aplikasi desktop.

Pengontrolan sistem pada aplikasi desktop dapat terhubung dengan alat CV menggunakan kabel
USB A to B Arduino Uno. Aplikasi desktop memiliki panel connection yang dapat mendeteksi port
Arduino Uno pada alat CV, kemudian menghubungkannya.
15
Perancangan dan Pembuatan Alat Cylic Voltammetry

Perancangan dilakukan dengan simulasi rangkaian potensiostat menggunakan software Proteus
Professional 8. Setelah rangkaian pada simulasi mampu memberikan tegangan masukan pada
superkapasitor dan dapat mengukur sinyal keluaran berupa arus yang melalui superkapasitor, maka
rangkaian potensiostat dapat masuk ke tahap fabrikasi. Rangkaian potensiostat ditunjukkan pada
Gambar 2.
Gambar 2. Rangkaian potensiostat

Pembuatan alat CV terdiri atas rangkaian analog berupa rangkaian potensiostat, serta rangkaian
digital yang terdiri atas Arduino Uno, MCP4725 dan ADS1115. Diagram blok sistem ditunjukkan pada
Gambar 3.
Gambar 3. Diagram blok sistem

Blok diagram sistem yang ditunjukkan pada Gambar 3 menjelaskan mengenai prototipe alat CV
dan berbagai perangkat yang ada di dalamnya. Laptop sebagai sumber daya listrik ke perangkat
mikrokontroler Arduino Uno, DACMCP4725 dan ADS1115. Arduino Uno memberikan perintah yang
dalam bentuk coding di Arduino IDE ke MCP4725 untuk memberikan tegangan dengan rentang 0 – 500
mV ke rangkaian potensiostat kemudian diterukan ke superkasitor. Superkapasitor yang mendapatkan
masukkan tegangan, menghasilkan arus. Arus tersebut kembali ke rangkaian potensiostat kemudian
diubah menjadi sinyal analog berupa tegangan yang nilainya setara dengan arus dari superkapasitor.
Sinyal analog berupa tegangan dikonversi kedalam bentuk sinyal digital oleh ADS1115 dan diteruskan ke
mikrokontroler Arduino Uno. Akhirnya, data di Arduino Uno dikirim ke aplikasi desktop menggunakan
16
kabel USB A ke B Arduino Uno untuk ditampilkan dalam bentuk grafik cyclic voltammogram.
Pengukuran Superkapasitor dari Biomassa
Pengukuran dilakukan dengan menghubungkan dua kutub sel superkapasitor dari biomassa ke alat
CV untuk mendeteksi tegangan dan arus pada sel superkapasitor. Keluaran sel superkapasitor berupa arus
yang diubah menjadi tegangan, dikonversi dari analog ke digital menggunakan ADS1115, diproses oleh
mikrokontroler Arduino Uno untuk selanjutnya ditampilkan di PC. Hasil pengukuran alat CV merupakan
perubahan besaran tegangan (V) menjadi nilai arus (A). Nilai arus yang bervariasi dapat disebabkan
oleh perubahan besaran tegangan yang ditampilkan melalui kurva/grafik cyclic voltammogram. Blok
diagram pengukuran superkapasitor dari biommassa ditunjukkan pada Gambar 4.
Gambar 4. Blok diagram pengukuran superkapasitor biomassa.

Alat CV digunakan untuk mengukur kapasitansi spesifik dalam persamaan (1).
I -I
Csp = cs m d (1)
Csp adalah kapasitansi spesifik (Farad), Ic adalah arus charge (A), Id adalah arus discharge (A), s
adalah laju scan (mV/s) dan m adalah massa rata-rata (g)12.

Sistem Pengukuran Alat CV
Rangkaian potensiostat menggunakan konfigurasi dua elektroda, dimana elektroda pertama adalah
gabungan dari Auxiliary Electrode (AE) dan Reference Electrode (RE) yang terdapat pada rangkaian
voltage follower dan elektroda kedua adalah Working Electrode (WE) yang terdapat pada rangkaian
konverter I ke V. Rangkaian potensiostat dibuat menggunakan operational amplifier (OP) tipe OP97
yang bekerja pada tegangan +12 V dan -12 V dengan sumber tegangan berasal dari rangkaian catu daya.
Sistem pengukuran alat CV ditunjukkan dalam Gambar 5.
Gambar 5. Sistem pengukuran alat CV

Gambar 5 menunjukkan sistem pengukuran alat CV yang telah dibuat. Beberapa komponen tersebut
terdiri dari:
1. Laptop atau PC
2. Kabel USB A ke B Arduino Uno
3. Arduino Uno
4. MCP4725
5. ADS1115
17
6. Rangkaian potensiostat
7. Superkapasitor dari biomassa
Aplikasi desktop yang ada pada laptop berfungsi untuk menjalankan sistem kerja alat yang
terhubung dengan alat CV menggunakan kabel USB A to B Arduino Uno. Mikrokontroler ATmega328P
pada Arduino Uno bertindak sebagai otak dari alat CV dengan mengirim tegangan masukan melalui
MCP4725. MCP4725 melakukan transfer data melalui komunikasi serial berbasis I2C, dimana pin
SDA dan SCL MCP4725 dihubungkan dengan pin A4 dan A5 Arduino Uno. MCP4725 mengirimkan
tegangan melalui pin out, ke rangkaian potensiostat melalui pin Vin rangkaian voltage follower kemudian
diteruskan ke sel superkapasitor.
Prinsip kerja rangkaian potensiostat adalah memberikan tegangan konstan pada superkapasitor dan
mengukur arus dari superkapasitor yang mengalir kembali ke rangkaian potensiostat. Sinyal arus yang
masuk ke rangkaian potensiostat, diubah menjadi sinyal tegangan melalui rangkaian konverter I ke V.
Sinyal ini menjadi tegangan keluaran (Vout) pada rangkaian potensiostat.
ADS1115 memperoleh data tegangan dari pin output (Vout) yang senilai dengan arus dari sel
superkapasitor. ADS1115 merupakan pengubah data tegangan (analog) menjadi data digital. ADS1115
melakukan transfer data melalui komunikasi serial berbasis I2C, dimana pin SDA dan SCL ADS1115
dihubungkan dengan pin A4 dan A5 Arduino Uno. ADS1115 menggunakan alamat 0x48 dengan
menghubungkan pin ADDR ke pin GND. Tegangan keluaran rangkaian potensiostat hubungkan ke pin
A0 ADS1115 untuk dikonversikan kemudian diteruskan ke Arduino Uno untuk diproses.
Arduino Uno menerima data digital dari ADS1115. Data ini diolah sehingga dapat ditampilkan
sebagai perbandingan antara tegangan masukan dengan arus keluaran dari sel superkapasitor. Pengiriman
data tersebut ke laptop menggunakan kabel USB A to B Arduino Uno. Aplikasi desktop di laptop
berfungsi untuk menampilkan data hasil pengukuran berupa data tegangan masukan dan arus keluaran
dalam bentuk tabel data dan grafik cyclic voltammogram.
Pengukuran Superkapasitor Biomassa Daun Serai NaOH 0,5 M
Pengukuran sel superkapasitor dilakukan di Laboratorium Fisika Material Fakultas MIPA Universitas
Riau pada tanggal 15 Juni 2022. Pengukuran dilakukan dengan meletakkan sel superkapasitor yang
terhubung dengan perangkat lainnya pada posisi yang diinginkan. Skema pengukuran sel superkapasitor
dari biomassa dapat dilihat pada Gambar 6.
Gambar 6. Pengukuran sel superkapasitor biomassa daun serai NaOH 0,5 M

Pengukuran ini dilakukan menggunakan satu sampel sel superkapasitor dari biomassa daun serai
NaOH 0,5 M 0,008 gram pada satu laju scan rate 1 mV/s. Pengukuran dilakukan dengan meletakkan sel
superkapasitor berada antara dua kutub yang memisahkan antara elektroda kerja dan elektroda referensi.
Data pengukuran berupa tegangan masukan dan arus keluaran dari sel superkapasitor. Dengan waktu
yang diperlukan sekitar 1 s sampai 2 s dan tegangan yang dibutuhkan adalah 0 mV sampai 500 mV. Jika
arus, scan rate, dan massa sel superkapasitor diketahui dapat diketahui nilai kapasitansi spesifik dari
persamaan 1.
18
Data hasil pengukuran yang diperoleh dari alat CV dapat dilihat pada aplikasi dekstop, kemudian
data diolah dan ditampilkan dengan menggunakan aplikasi Origin Pro 9.0 seperti dalam Gambar 7.
Gambar 7. Grafik cyclic voltammogram superkapasitor biomassa daun serai NaOH 0,5 M
Pengukuran sel superkapasitor biomassa daun serai NaOM 0,5 M yang dilakukan dengan
menggunakan alat CV, mendapatkan hasil dengan dua kondisi yaitu pada kondisi pertama saat alat CV
memberikan bias maju pada elektroda, dimana terjadi penambahan tegangan yang berlangsung dari 0
mV, ion-ion elektrolit di dalam sel superkapasitor menuju ke masing-masing elektroda yang bermuatan
mengisi pori-pori karbon menghasilkan arus yang terus meningkat. Proses ini terus terjadi hingga
tegangan mencapai maksimum yaitu 500 mV. Proses ini dinamakan dengan proses pengisian. Ketika
tegangan mencapai 500 mV, secara spontan alat CV memberikan bias mundur pada elektroda. Secara
simultan ion-ion yang memiliki muatan sejenis dengan muatan elektroda melepaskan diri sehingga arus
terlihat meningkat dengan arah yang berlawanan. Proses ini dinamakan dengan proses pengosongan.
Peristiwa ini ditunjukkan pada Gambar 7.
Berdasarkan grafik cyclic voltammogram pada Gambar 7 diperoleh Ic = 0,00222 A saat tegangan
charge = 250 mV dan Id = 0,0017575 A dan saat tegangan discharge = 250 mV, s = 1 mV/s atau s =
0,001 V/s dan m = 0,008 g maka kapasitansi spesifiknya adalah:
I -I
Csp = sc # md
0, 00222 - 0, 0017575
Csp = 0, 001 # 0, 008
0, 0004625
Csp = 0, 000008
Csp = 57, 8125 F/g
Sehingga hasil pengukuran sel superkapasitor biomassa daun serai NaOH 0,5 M berupa kapasitansi
spesifik bahan sebesar 57,8125 F/g.
4. KESIMPULAN
Sistem pengukuran alat CV terdiri atas rangkaian analog berupa rangkaian potensiostat yang
menggunakan konfigurasi dua elektroda yang terdapat pada superkapasitor biomassa. Hasil pengukuran
alat CV yang telah dilakukan menggunakan satu sampel sel superkapasitor dari biomassa daun serai
NaOH 0,5 M pada satu laju scan rate 1 mV/s dengan range 500 mV dan diperoleh hasil pengukuran
berupa kapasitansi spesifik bahan sebesar 57,8125 F/g.
19
DAFTAR PUSTAKA
1. Palvos, G., Robert, C. T. S., Maxim S. (2020). Cyclic Voltrammetry Studies of Inkjet-printed NiO
supercapacitor: Effect of Substrates, Printing and Materials. Jurnal Electrochimica Acta 353: 1 – 11.
2. Rajangam, V., Chandu, V. V. M. G., Venkata, G. R. K., Raji, A., Tansir, A., Sangaraju, S., Moonsuk,
Y., Ihab, M. O., and Hee-Je, K. (2020). A review on porous carbon electrode material derived from
hypercrosslinked polymers for supercapacitor applications. Journal of Energy Storage 32: 1 – 20.
3. Satiye, K. and I. Afsin, K. (2020). Graphene and graphene oxide based aerogels: Synthesis,
characteristics and supercapacitor applications. Journal of Energy Storage 27: 1 – 12.
4. Xiaofang, Z., Zongying, X., Xufei, L., Peng, M., and Yingkui, Y. (2021). Redox-active polymers
as organic electrode materials for sustainable supercapacitors. Renewable and Sustainable Energy
Reviews 147: 1 – 2.
5. Zhengqing, Y., Feijun, W., Chao, J., Keguang, M., Miao, Y., Yanyan, L., and Ziqiang, S. (2017).
Nitrogen and oxygen-codoped carbon nanospheres for excellent specific capacitance and cyclic
stability supercapacitor electrodes. Chemical Engineering Journal 330: 1166 – 1173.
6. Aslam, H., Prasanta, B., Partha, S., and Sanjay, R. (2017). Recent developed different structural
nanomaterials and their performance for supercapacitor application. Applied Materials Today 9:
300–313.
7. Zifeng, L., Eider, G., Andrea, B., Katsuhiko, N., Pierre, L. T., Mathieu, S., Gleb, Y., and Patrice, S.
(2017). Materials for supercapacitors: When Li-ion battery power is not enough. Materials Today.
8. Erman, T., Agustino, A., Awitdrus, A., Farma, R., and Taslim, R. (2021). The Synthesis of Carbon
Nanofiber Derived from Pineapple Leaf Fibers as a Carbon Electrode for Supercapacitor Application.
Journal of Electrochemical Energy Conversion and Storage 18: 1 – 8.
9. Jinfeng, S., Yan, H., Yeung, N. S. S., Qi, X., Zifeng, W., Minshen, Z., Hongfei, L., Chunyi, Z., Hong,
H. (2017). Recent progress of fiber-shaped asymmetric supercapacitors. Materials Today Energy 5:
1 – 14.
10. Qiufeng, M., Kefeng, C., Yuanxun, C., and Lidong, C. (2017). Research progress on conducting
polymer based supercapacitor electrode materials. Nano Energy 36: 268 – 285.
11. Olly, N. T., Hermansyah, A., Emriadi, Sanusi, I., Admin A. (2018). Superkapasitor Berbahan Dasar
Karbon Aktif dan Larutan Ionik sebagai Elektrolit. Jurnal Zarah 6: 39 – 46.
12. Taer, E., Zulkifli, Z., Arif, E. N., and Taslim, R. (2016). Analisa Kapasitansi Spesifik Elektroda
Karbon Superkapasitor dari Kayu Karet terhadap Laju Scan Berdasarkan Variasi Aktivasi Hno3.
Jurnal Fisika dan Aplikasinya 1: 29-34.
13. Babu, I. M., William, J. J., dan Muralidharan, G. (2019). Ordered mesoporous Co3O4/CMC
nanoflakes for superior cyclic life and ultra high energy density supercapacitor. Applied Surface
Science 480: 371 – 383.
14. Che, B., Li, H., Zhou, D., Zhang,Y., Zeng, Z., Zhao, C., He, C., Liu, E., and Lu, X. (2019). Porous
polyaniline/carbon nanotube composite electrode for supercapacitors with outstanding rate capability
and cyclic stability. Composites Part B 165: 671-678.
15. Syafindra, D., Budi, E., dan Sugihartono, I. (2017). Rancang Bangun Sistem Potensiostat
Menggunakan Arduino Uno”. Prosiding SNIPS: 72 – 81.
16. Djatmiko, W. (2017). PROTOTIPE RESISTANSI METER DIGITAL, Seminar Nasional Sains dan
Teknologi: 1 – 8.
20
Penerapan Model Pembelajaran Inkuiri Terbimbing

Terhadap Peningkatan Keterampilan Proses
Sains Peserta Didik SMA Negeri 5 Luwu
Magfirah Idham*1, Nurlina2, Rahmawati3
1,2,3
Pendidikan Fisika, Fakultas Keguruan dan Ilmu Pendidikan,
Universitas Muhammadiyah Makassar
E-mail: *1idhammagfirah07@gmail.com
Abstrak
Penelitian berkaitan dengan penerapan model pembelajaran inkuiri terbimbing terhadap peningkatan
keterampilan proses sains peserta didik. Masalah utama dalam penelitian ini (1) Seberapa besar
keterampilan proses sains peserta didik yang diajar dengan menggunakan model pembelajaran inkuiri
terbimbing dalam pembelajaran fisika; (2) Seberapa besar peningkatan keterampilan proses sains peserta
didik yang diajar dengan menggunakan model pembelajaran inkuiri terbimbing dalam pembelajaran
fisika; Penelitian ini bertujuan untuk mengetahui peningkatan keterampilan proses sains peserta didik
sebelum dan sesudah diajarkan dengan menggunakan model pembelajaran inkuiri terbimbing. Jenis
penelitian ini adalah penelitian pra eksperimen dengan desain penelitian yang digunakan adalah 0ne-
Grup Pretest-Postest Design yang melibatkan dua variabel yang terdiri dari variabel bebas dan variabel
terikat. Pengambilan sampel dalam penelitian ini menggunakan Simple Random Sampling. Instrumen
penelitian yang digunakan adalah keterampilan proses sains peserta didik dengan 22 item soal yang
berbentuk multiple choise atau pilihan ganda pada pokok pembahasan “Kinematika Gerak Lurus”.
Penelitian ini menunjukkan bahwa keterampilan proses sains pre-test pada peserta didik sebelum
diterapkan model pembelajaran inkuiri terbimbing di peroleh skor rata-rata sebesar 10,88 sedangkan
pada post-test setelah diterapkan model pembelajaran inkuiri terbimbing diperoleh skor rata-rata sebesar
19,22 dan skor rata-rata uji n-gain ternormalisasi sebesar 0,75. Sehingga dapat disimpulkan bahwa
keterampilan proses sains peserta didik kelas X MIPA 2 SMA Negeri 5 Luwu terjadi peningkatan dengan
kategori tinggi setelah diterapkan pembelajaran inkuiri terbimbing.
Kata Kunci: inkuiri terbimbing, keterampilan proses sains
1. PENDAHULUAN
Bidang pendidikan memegang peranan penting dalam kehidupan karena pendidikan merupakan
suatu wahana yang digunakan untuk menciptakan pendidikan yang merupakan suatu wahana yang
digunakan untuk menciptakan sumber daya manusia berkualitas dan berkompoten di bidangnya masing-
masing. Pendidikan pada dasarnya merupakan suatu upaya untuk memberikan pengetahuan, wawasan,
keterampilan dan keahlian tertentu.
Kemampuan individu digunakan untuk mengembangkan bakat serta kepribadian dengan pendidikan.
Setiap peserta didik berusaha mengembangkan dirinya sehingga mampu menghadapi setiap perubahan
yang terjadi karena adanya kemajuan ilmu pengetahuan dan teknologi. Oleh karena itu, masalah dalam
pendidikan perlu mendapatkan perhatian dan penanganan yang jauh lebih baik lagi agar berbagai
masalah yang menyangkut baik yang berkaitan dengan kuliatas maupun kuantitasnya1.
Kualitas pendidikan di Indonesia khususnya di Sulawesi Selatan. Faktor rendahnya kualitas
pendidikan di Sulawesi Selatan salah satunya yaitu guru kurang dalam menggali potensi peserta didik
dalam proses pembelajaran. Maka dari itu kualitas pendidikan diharapkan selalu mengalami peningkatan.
Salah satu mata pelajaran umum yang di anggap sulit oleh rata-rata peserta didik baik itu SMP maupun
SMA adalah mata pelajaran fisika.
Berdasarkan wawancara dan hasil observasi pada saat peneliti melakukan magang 1 dan 2 di peroleh
informasi bahwa pembelajaran fisika di SMA Negeri 5 Luwu telah menerapkan kurikulum 2013 pada
21
proses belajar mengajar, akan tetapi guru masih menerapkan metode ceramah dan diskusi sehingga peserta
didik masih kurang terlatih dalam menemukan sendiri fakta dan konsep yang dipelajari secara mandiri.
Peserta didik hanya diberikan perkenalan alat tanpa melakukan praktikum dikarenakan laboratorium
saat itu dalam proses renovasi. Dari hasil pengamatan yang diperoleh dalam ruangan (kelas), pada saat
proses pembelajaran mulai berlangsung dapat dilihat di mana pada tahap awal pembelajaran sebelum
menuju ke materi selanjutnya, guru terlebih dahulu menggali kembali materi-materi yang sudah berlalu.
Kemudian ketika peserta didik mengalami kesulitan dalam menjawab guru berusaha memberikan
gambaran agar peserta didik tidak mengalami kesulitan dalam mencari jawaban yang diminta oleh guru.
Pada dasarnya fisika juga memerlukan suatu tindakan berupa praktikum. Karena dengan adanya
praktikum maka proses belajar fisika tidak akan membuat peserta didik merasa jenuh atau bosan dengan
pembelajaran fisika yang biasanya hanya menghapal rumus dan mengerjakan soal latihan. Keterampilan
proses sains ini di terapkan pada saat proses belajar kepada peserta didik yang di mana peserta didik
berperan aktif dalam proses pembelajaran untuk melatih pemahaman konsep melalui praktikum.
Sehingga peserta didik tidak hanya membaca dan mendengar cerita dari guru namun peserta didik bisa
langsung mencoba memperaktikkan sendiri dengan alat yang sudah pernah diperkenalkan atau dengan
alat yang sudah tersedia di laboratorium yang berkaitan dengan pokok pembahasan yang sudah dibaca
dan dipahami sebelumnya.
Dari hasil pengamatan yang diperoleh dalam kelas, pada saat proses pembelajaran mulai berlangsung
dapat dilihat di mana pada tahap awal pembelajaran sebelum menuju ke materi selanjutnya, guru terlebih
dahulu menggali kembali materi-materi yang sudah berlalu. Kemudian ketika peserta didik mengalami
kesulitan dalam menjawab guru berusaha memberikan gambaran supaya peserta didik tidak mengalami
kesulitan dalam mencari jawaban yang diminta oleh guru.
Model pembelajaran inkuiri terbimbing sangat jarang di temukan dalam metode pembelajaran yang
di kembangkan guru untuk melakukan proses pembelajaran. Saat menemui materi praktikum, guru
memberikan gambaran misalnya memberikan contoh dalam kehidupan sehari hari atau menayangkan
sebuah gambar/video untuk di perlihatkan ke peserta didik agar peserta didik bisa memahaminya. Guru
jarang melakukan percobaan atau praktikum sehingga peserta didik kurang merasakan hal baru, tidak
mampu mengeksperikan dirinya dalam sebuah percobaan/peraktikum maka dari itu dalam penelitian ini
peneliti ingin mencoba dan melihat peningkatan peserta didik dalam keterampilan proses sains.
2. BAHAN DAN METODE

Populasi dalam penelitian adalah peserta didik kelas X MIPA SMA Negeri 5 Luwu tahun ajaran
2021/2022 yang terdiri dari 2 kelas dengan jumlah peserta didik sebanyak 72 orang. Sampel dalam
penelitian ini menggunakan simple random sampling yang diambil hanya satu kelas X MIPA 2 yang
peserta didiknya berjumlah 36 orang. Variabel bebas dalam penelitian ini yakni model pembelajaran
inkuiri terbimbing sedangkan variabel terikat: Keterampilan Proses Sains (KPS).
Desain penelitian yang di gunakan adalah one-grup-pretest-posttest Design10.
O1 × O2 (1)
Keterangan :
O1 = Nilai Pretest sebelum diberi perlakuan
X =Treatment yang diberikan
O2 = Nilai Posttest setelah diberi perlakuan
1. Uji Validitas Item
Pengujian validitas setiap item dengan menggunakan rumus yang persamaan berikut:
M p - Mt p
c pbi = St q (2)
dengan :
γpbi = koefesien korelasi biserial
22
Mp = rerata skor dari subjek yang menjawab betul bagi item yang dicari validitasnya
Mt = rerata skor total
St = standar deviasi dari skor total
p = proporsi peserta didik yang menjawab benar
q = proporsi peserta didik yang menjawab salah (q = 1 – p)
Dengan kriteria, jika Y > 0,361 maka item dinyatakan valid dan jika Y < 0,361 maka item dinyatakan
drop.
2. Uji Reliabilitas Item
Selanjutnya untuk menghitung reliabilitas tes hasil belajar fisika digunakan rumus Kuder-Richardson
- 20 (KR-20) sebagai berikut:
rii = b n - 1 lc m
n s 2 - /pq
(3)
s2
Keterangan:
rii = Reliabilitas tes secara keseluruhan
p = Proporsi subjek yang menjawab item dengan benar
q = Proporsi subjek yang menjawab item salah (q = 1 – p)
Σpq = Jumlah perkalian antara p dan q
n = Banyaknya item
s2 = Standar deviasi dari tes (standar deviasi adalah akar varians)
a) Perhitungan Skor Rata-rata
Skor rata-rata peserta didik diperoleh dengan menggunakan persamaan seperti berikut:
/fi Xi
]X g = (4)
/fi
Keterangan:
X = Skor rata–rata
xi = Tanda kelas
fi = Frekuensi yang sesuai tanda kelas
b) Perhitungan Standar Deviasi
Untuk menghitung standar deviasi dapat menggunakan persamaan seperti berikut:
^/fi Xih2
/fi Xi2 - n
S= n-1 (5)
Keterangan:
S = Standar deviasi
∑fixi = Jumlah skor total peserta didik
∑fixi2 = Jumlah skor rata-rata
n = Banyaknya subjek penelitian
c) Varians
^/xh2
/ x 2
- N
S2 = N (6)
Kategorisasi skor keterampilan proses sains dalam penelitian ini dilakukan adaptasi kategori skor
keterampilan proses sains fisika. Pengkategorian menggunakan skala lima berdasarkan skor yang
diperoleh dalam penelitian yakni sangat tinggi, tinggi, sedang, rendah dan sangat rendah, seperti pada
tabel berikut:
23
Tabel 1. Pengkategorian Menggunakan Skala Lima

Interval Skor Kategori
21–26 Sangat Tinggi
16–20 Tinggi
11–15 Sedang
6–10 Rendah
0–5 Sangat Rendah
3. Uji N-gain
Untuk mengetahui peningkatan hasil belajar peserta didik maka digunakan nilai rata-rata gain yang
ternormalisasi. Gain dinormalisasikan merupakan perbandingan antara skor gain pretest-posttest kelas
terhadap gain maksimum yang mungkin diperoleh, yang menggunakan faktor Haake berikut:
^gh =
S posttest - S pretest
Smaksimum - S pretest (7)
Keterangan:
(g) = Nilai gain
Spost = Skor post-test
Spret = Skor pre-test
Smaks = Skor maksimal
Dengan kriteria interprestasi indeks gain3, yaitu:
Tabel 2. Kriteria Interpretasi Indeks Gain
Indeks Gain Kategori
g > 0,7 Tinggi
0,3 ≤ g ≤0,7 Sedang
g < 0,3 Rendah

3.1 HASIL
Pada bagian ini akan disajikan analisis berdasarkan analisis hasil penelitian yang telah dilakukan.
Adapun analisis tersebut adalah analisis deskriptif dan analisis n-gain.
1. Analisis Validasi Perangkat Pembelajaran
Perangkat pembelajaran yang terdiri dari Rencana Pelaksanaan Pembelajaran (RPP), bahan ajar
peserta didik, Lembar Kerja Peserta Didik (LKPD), dan tes keterampilan proses sains (pre-test dan
post-test) dengan judul “Penerapan Model Pembelajaran Inkuiri Terbimbing Terhadap Peningkatan
Keterampilan Proses Sains Peserta Didik SMA Negeri 5 Luwu” telah divalidasi oleh dua validator, yang
kemudian dianalisis dengan menggunakan uji Gregory.
Tabel 3. Hasil Validasi Perangkat
No Hasil Analisis Validasi Nilai Keterangan
1. Rencana Pelaksanaan Pembelajaran 1,00 Layak digunakan
2. Lembar Kerja Peserta Didik (LKPD) 1,00 Layak digunakan
3. Bahan Ajar 1,00 Layak digunakan
4. Tes Keterampilan Proses Sains Fisika 1,00 Layak.digunakan
Dari tabel di atas berdasarkan uji Gregory syarat r ≥ 0,75, maka semua perangkat layak digunakan
dalam penelitian, (selengkapnya dapat dilihat pada lampiran C).
24
2. Analisis Deskriptif
Data dalam penelitian ini diperoleh melalui pre-test dan post-test. Pre-test dan post-test dilaksanakan
dengan menggunakan perangkat tes yang sama Pre test dilakukan sebelum diberikan perlakuan. Setelah
itu barulah memberikan perlakukan yang sebenarnya dengan penerapan model pembelajaran inkuiri
terbimbing. Selanjutnya diberikan post-test untuk mengukur peningkatan tes keterampilan proses sains
peserta didik.
Berdasarkan tes yang diberikan kepada peserta didik pada saat pretest, maka diperoleh hasil analisis
deskriptif untuk skor mata pelajaran fisika peserta didik SMA Negeri 5 Luwu terhadap materi kinematika
gerak Lurus dengan model pembelajaran Inkuiri Terbimbing dapat di lihat pada tabel berikut ini:
Tabel 4. Statistik Skor Keterampilan Proses sains peserta didik kelas X
MIPA 2 SMA Negeri 5 Luwu pada saat Pre-test dan Post-test
Skor Statistik
Statistik
Pretest Posttest
Ukuran Sampel 36 36
Skor Tertinggi 16 22
Skor Terendah 7 13
Skor Rata-rata 10,88 19,22
Variansi 3,17 5,74
Standar Deviasi 1,78 2,40
Skor Maksimal 22 22
Skor Minimal 0 0
a. Hasil Penelitian Data Pre-test
Dari Tabel 3 peserta didik yang memiliki sampel penelitian kelas X MIPA 2 SMA Negeri 5 Luwu
memiliki jumlah peserta didik sebanyak 36 peserta didik. Dilihat dari skor tertinggi dari tes Keterampilan
Proses Sains peserta didik pada pretest yang dicapai sebanyak 16 dan skor terendah yang dicapai peserta
didik sebesar 7 dari skor ideal 22, dan skor rata-rata peserta didik sebesar 11,06 dengan standar deviasi
diperoleh 1,59. Jika skor tes keterampilan proses sains peserta didik kelas X MIPA 2 SMA Negeri 5
Luwu dianalisis menggunakan presentase pada ditribusi frekuensi, maka dapat dilihat pada tabel berikut:
Tabel 5. Distribusi Frekuensi dan Persentase Skor Tes Keterampilan Proses Sains
Peserta Didik Kelas X MIPA 2 SMA Negeri 5 Luwu pada Pre-test
Interval Skor Frekuensi Persentase %
07-08 3 8%
09-10 11 31%
11-12 17 47%
13-14 4 11%
15-16 1 3%
∑ 36 100%
Data distribusi frekuensi pre-test pada tabel 5 dapat disajikan dalam diagram batang sebagai berikut
25
Gambar 1. Diagram Distribusi Frekuensi Kumulatif dan Presentasi Skor Tes Keterampilan
Proses Sains Peserta Didik Kelas X MIPA 2 SMA Negeri 5 Luwu pada Pretest
b. Hasil Penelitian Data Post-test
Adapun data yang diperoleh dari tes Keterampilan Proses Sains peserta didik kelas X MIPA 2 SMA.
Negeri 5 Luwu setelah diterapkan model pembelajaran Inkuiri Terbimbing 7 kali pertemuan dengan materi
Kinematika Gerak Lurus, maka dapat dilihat pada tabel 4 di mana skor tertinggi dari tes Keterampilan
Proses Sains peserta didik yaitu 26 dan skor terendah yang di capai yaitu 13 dari skor ideal 22. Adapun
jumlah sampel pada post-test sebanyak 36 peserta didik dengan skor rata-rata 21,21 dan standar deviasi
yang diperoleh 15,69. Berdasarkan data yang diperoleh dari tes keterampilan proses sains peserta didik
diterapkan model pembelajaran Inkuiri. Terbimbing dengan menggunakan analisis distribusi frekuensi dan
persentase skor Keterampilan Proses Sains, maka dapat dilihat dari tabel berikut ini:
Tabel 6. Distribusi Frekuensi dan Persentase Skor Tes Keterampilan Proses Sains
Peserta Didik Kelas X MIPA 2 SMA Negeri 5 Luwu pada Post-test
Interval Skor Frekuensi Persentase %
13-14 1 3%
15-16 5 14%
17-18 7 19%
19-20 8 22%
21-22 15 42%
∑ 36 100%
Data distribusi frekuensi post-test pada Tabel 6 dapat disajikan dalam diagram batang. Gambar 2
berikut ini merupakan diagram batang distribusi frekuensi post-test.
Gambar 2. Diagram Distribusi Frekuensi Kumulatif dan Presentasi Skor Tes Keterampilan
Proses Sains Peserta Didik Kelas X MIPA 2 SMA Negeri 5 Luwu pada post-test.
Sesuai dengan tabel 6 tentang kategori skor keterampilan proses sains, maka dapat di lihat pada tabel 8 yang
menunjukkan interval skor dan pengkategorian keterampilan proses sains peserta didik sebelum dan sesudah.
26
Tabel 7. Distribusi Interval Skor, Persentase dan Kategori Tes Keterampilan

Proses Sains Peserta Didik pada Pre-test dan Post-test
Pretest Posttest
Interval Kategori
Frekuensi Persentase Frekuensi Persentase
21 – 25 0 0% 15 42% Sangat Tinggi
16 – 20 1 3% 8 22% Tinggi
11 – 15 21 58% 7 19% Sedang
6 – 10 14 39% 5 14% Rendah
0–5 0 0% 1 3% Sangat Rendah
Jumlah 36 100% 36 100%
Dari Tabel 7 dapat dilihat bahwa tes keterampilan proses sains peserta didik sebelum di terapkan
model pembelajaran inkuiri terbimbing 1 peserta didik atau (3%) berada di kategori tinggi, 21 peserta
didik atau (58%) dalam kategori sedang, 14 peserta didik atau (39%) berada dalam kategori rendah, dan
tidak ada peserta didik yang masuk dalam kategori sangat rendah. Namun tidak ada pula peserta didik
yang dapat mencapai ketegori sangat tinggi. Sedangkan pada tes keterampilan proses sains peserta didik.
setelah di terapkan model pembelajran inkuiri terbimbing terdapat 1 peserta didik atau (3%) peserta
didik dalam kategori sangat rendah, 5 peserta didik atau (14%) peserta didik berada pada kategori
rendah, 7 peserta didik atau (19%) berada dalam kategori sedang, 8 peserta didik (22%) berada dalam
kategori tinggi dan 15 peserta didik atau (42%) berada dalam kategori sangat tinggi. Jadi frekuensi yang
lebih banyak pada pre-test berada pada interval 11–15 dalam kategori sedang, sedangkan pada post-
test berada pada interval 21–26 dalam kategori sangat tinggi. Untuk lebih jelasnya dapat dilihat pada
diagram yang ditunjukkan pada Gambar 3 di bawah ini:
Gambar 3. Diagram Kategori dan Frekuensi Tes Keterampilan

Proses Sains Peserta Didik saat Pre-test dan Post-test
3. Analisis N-Gain
Untuk melihat kategori peningkatan tes keterampilan proses sains peserta didik. Rata-rata
ternomalisasi (n-gain), berikut ini disajikan distribusi dan perolehan rata-rata n-gain berdasarkan kriteria
indeks gain:
S posttest - S pretest
g= S
maksimum - S pretest
19, 22 - 10, 88
g=
22 - 10, 88
8, 34
g = 11, 12
g = 0, 75
27
Tabel 8. Distribusi Kriteria Perolehan Indeks N-Gain Ternomalisasi Peserta Didik

Rentang Kategori Frekuensi Persentase Rata-rata N-Gain
g ≥ 0,7 Tinggi 25 69%
0,3 < g ≤ 0,7 Sedang 11 31% 0, 75
g < 0,3 Rendah 0 0%
Jumlah 36 100%
Tabel 8 menunjukkan bahwa peserta didik kelas X MIPA 2 SMA Negeri 5 Luwu tahun ajaran
2021/2022 sebelum dan setelah menerapkan model pembelajaran inkuiri terbimbing memiliki skor rata-
rata gain ternormalisasi sebesar 0,75 yang merupakan kategori tinggi.
3.2 PEMBAHASAN
Hasil penelitian yang telah dilakukan di kelas X MIPA 2 SMA Negeri 5 Luwu, di mana keterampilan
proses sains peserta didik dapat diperoleh dengan melakukan pre-test dan post-test, dari hasil pre-test
dan post-test menggunakan analisis deskriptif dapat dikemukakan bawah tes keterampilan proses sains
pseserta didik terjadi peningkatan terhadap materi yang di berikan yaitu Kinematika Gerak Lurus yang
di terapkan dengan menggunakan model pembelajaran Inkuiri Terbimbing. Pada proses pembelajaran,
peneliti menerapkan pembelajaran Keterampilan Proses Sains di mana peserta didik di bagi dalam beberapa
kelompok, setiap kelompok menyelesaikan masalah yang ada pada lembar kerja peserta didik yang telah di
bagikan yang merupakan perangkat pembelajaran yang telah disiapkan peneliti sebelumnya, penilaian ini
berorientasi pada kelompok bukan individu, setiap kelompok memiliki bahan ajar yang telah disediakan.
Karena adanya pembelajaran inkuiri terbimbing yang telah di jelaskan bahwa model pembelajaran ini
menggunakan pola kegiatan pembelajaran dalam kelas yang dimulai dari orientasi untuk memecahkan
masalah, merumuskan masalah, mengajukan hipotesis, merencanakan, dan melakukan pemecahan
masalah, seperti mengamati, mengumpulkan data, menganalisis data dan menarik kesimpulan.
Hal di atas sejalan dengan yang dikemukakan oleh Schimidt menyatakan bahwa model pembelajaran
inkuiri terbimbing adalah satu proses untuk memperoleh dan mendapatkan informasi dengan melakukan
observasi dan eksperimen untuk mencari jawaban atau memecahkan masalah terhadap pertanyaan atau
rumusan masalah dengan menggunakan kemampuan berpikir kritis dan logis.
Secara umum dapat dikatakan bahwa model pembelajaran inkuiri terbimbing yang pembelajarannya
telah diatur dengan sedemikian rupa, menunjukkan keterlibatan peserta didik secara aktif dalam proses
pembelajaran. Guru merancang sedemikian rupa di mana peserta didik hampir seluruhnya mendapatkan
pengetahuannya melalui diri dan lingkungan sekitarnya. Guru bertindak sebagai fasilitator yang
membimbing peserta didik, dengan sedemikian rupa agar dapat belajar secara bermakna. Selain itu
guru juga melengkapi pengetahuan peserta didik dengan menggunakan pengetahuan peserta didik
sebelumnya yang di jadikan sebagai landasan. Fakta empiris yang disampaikan memberikan indikasi
bahwa pembelajaran fisika yang menggunakan model pembelajaran inkuiri terbimbing merupakan salah
satu model pembelajaran yang dapat digunakan untuk mencapai tujuan pembelajaran fisika.
Pada penelitian ini di temukan bahwa indikator keterampilan proses sains yang tergolong rendah
saat diterampkan dalam proses belajar fisika menggunakan model pembelajaran inkuiri terbimbing
yaitu indikator tentang mengklasifikasi soal hal ini terjadi kerena kurangnya pemahaman peserta didik
dalam pengklasifikasian soal tersebut, sedangkan indikator yang merupakan tinggi dalam indikator
keterampilan proses sains yaitu mengomunikasikan hal ini menandakan bahwa peserta didik cukup
memahami maksud dalam soal tentang mengomunikasikan.
Hasil analisis deskriptif yang diperoleh pada post-test lebih besar dari pada pre-test, hal ini dapat di
lihat pada skor rata yang di peroleh peserta didik pada pre-test 10,88 dan standar deviasi 1,78 sedangkan
untuk rata-rata post-test 19,22 dan standar deviasi 2,40. Hal ini menunjukkan adanya peningkatan
terhadap keterampilan proses sains fisika kelas X MIPA 2 SMA Negeri 5 Luwu sebelum dan sesudah
diterapkan model pembelajaran inkuiri termbimbing.
28
Hasil n-gain diperoleh peningkatan keterampilan proses sains peserta didik dalam kategori tinggi, sedang,
dan rendah secara individual dari 36 peserta didik terdapat 25 peserta didik atau (69%) yang memperoleh
kategori tinggi, 11 peseserta didik atau (31%) yang memperoleh kategori sedang dan 0 atau (0%) tidak ada
peserta didik yang memperoleh kategori rendah. Adapun skor rata-rata analisis n-gain adalah 0,75 yang
memperoleh kategori tinggi, hasil analisis ini menggambarkan bahwa setelah diterapkan model pembelajaran
inkuiri terbimbing di kelas tersebut terjadi peningkatan terhadap keterampilan proses sains fisika peserta didik.
4. KESIMPULAN
Hasil pengolahan data dan analisis data pada hasil penelitian yang sudah dilakukan di kelas X MIPA
SMA Negeri 5 Luwu mengenai peranan model pembelajaran inkuiri terbimbing terhadap keterampilan proses
sains peserta didik, diperoleh kesimpulan bahwa: (1) Sebelum menggunakan model pembelajaran Inkuiri
Terbimbing terhadap keterampilan proses sains peserta didik diperoleh skor rata-rata sebesar 11,06 yang
berada pada kategori sedang; (2) Setelah menggunakan model pembelajaran Inkuiri Terbimbing terhadap
keterampilan proses sains peserta didik diperoleh skor rata-rata sebesar 21,21 di mana skor ini berada pada
kategori tinggi; (3) Terdapat peningkatan keterampilan proses sains pada peserta didik kelas sebelum dan
setelah menggunakan model pembelajaran Inkuiri Terbimbing dan dinyatakan dalam kategori tinggi.
UCAPAN TERIMA KASIH

Pada kesempatan ini, dengan kerendahan hati penulis ingin menyampaikan ucapan terima kasih
yang tulus kepada Ayahanda Idham dan Haera atas doa yang selalu melangit di waktu mustajab,
jatah kasih-sayang yang tak pernah berkurang dan segala pengorbanan dan usaha untuk keberhasilan
anaknya. Selama penulisan naskah ini Ayahanda dan Ibunda selalu memberikan dukungan motivasi
dan mendukung penulis. Semoga apa yang telah mereka berikan kepada penulis menjadi kebaikan dan
cahaya penerang kehidupan di dunia dan di akhirat.
Ucapan terima kasih dan penghargaan istimewa juga penulis sampaikan kepada Ibunda Dr. Nurlina,
S.Si., M.Pd selaku pembimbing I, dan Ibunda Dr. Rahmawati, M.Pd selaku pembimbing II yang selalu
bersedia meluangkan waktunya dalam membimbing penulis, memberikan penulis ide, arahan, saran, dan
bijaksana dalam menyikapi keterbatasan pengetahuan penulis, serta memberikan ilmu dan pengetahuan
yang berharga dalam penyusunan naskah ini. Semoga Allah SWT memberikan perlindungan, kesehatan,
dan pahala yang berlipat ganda atas segala kebaikan yang telah dicurahkan kepada penulis selama ini.
LAMPIRAN
Validitas instrumen dianalisis menggunakan persamaan koefisien korelasi biseral dengan rumus
sebagai berikut:
M p - Mt p
c pbi = St q
dengan:
γpbi = koefesien korelasi biser
Mp = rerata skor dari subjek yang menjawab betul bagi item yang dicari validitasnya
Mt = rerata skor total
St = standar deviasi
p = proporsi peserta didik yang menjawab benar
q = proporsi peserta didik yang menjawab salah
Dengan kriteria jika γpbi ≥ rtabel maka item dinyatakan valid dan jika γpbi < rtabel maka item dinyatakan
drop, dengan rtabel = 0,361. Untuk lebih jelasnya, perhitungan validitas item instrument dipaparkan pada
berikut.
Untuk validitas item soal nomor 1 dari 30 soal yamg diberikan ke 36 peserta didik:
a. Rata-rata peserta didik yang menjawab benar (Mp)
545
M p = 27 = 20, 185 . 20, 19
29
b. Mean dari skor total (Mt)

/x 704
Mt = n = 36 = 19, 555 . 19, 56
c. Proporsi peserta didik yang menjawab benar (p)
27
p = 36 = 0, 75
d. Proporsi peserta didik yang menjawab salah (q)
q = 1 - p = 1 - 0, 75 = 0, 25
e. Standar deviasi (St)
] N g^/fx 2h - ^/fxh2
N ] N - 1g
s=
]36g]14102g - ]704g2
36 ]36 - 1g
=
= 507672 ]- 495616
36 35g
= 12056
1260
= 9, 56
= 3, 09
f. Koefesien korelasi biserial
M p - Mt p
rpbi =St q
20, 19 - 19, 56 0, 75
= 3, 09 0, 25
0, 63
= 3, 09 3
rpbi = 0, 20 .1, 73 = 0, 346
Karena rpbi yang di peroleh dapal perhitungan (0,346) ternyata lebih kecil dari pada rtabel (0,361),
maka dapat di ambil kesimpulan bahwa butir item No.1 tersebut tidak valid atau drop.
DAFTAR PUSTAKA
1. Anam, K. (2015). Pembelajaran Berbasis Inkuiri: Metode dan Aplikasi. Yogyakarta, Pustaka Pelajar.
2. Arikunto,S. (2010). Presedur Penelitian: Suatu Pendekatan Praktik Edisi Revisi. Jakarta, Reneka Cipta.
3. Arikunto. (2013). Prosedur Penelitian Suatu Pendekatan Praktik. Jakarta, Rineka Cipta
4. Ertikanto. (2016). Teori Belajar dan Pembelajaran. Yogyakarta, Media Akademi.
5. Hilpan. (2014). Analisis Kesedian Keterampilan Proses Sains (KPS) Dalam Buku Sekolah Elektronik
(BSE) Fisika Kelas XI Pada Konsep Fluida. Skripsi tidak diterbitkan. Jakarta: Fakultas Ilmu Tarbiyah
Dan Keguruan: UIN Syarif Hidayatullah.
6. Ma'ruf, Abd. Samad, & Nuraisyah. (2014). Upaya Meningkatkan Hasil Belajar Fisika Melalui Model
Pembelajaran Inquiry Terbimbing Pada Peserta Didik. JPF. Universitas Muhammadiyah Makassar
7. Purwanto. (2016). Evaluasi Hasil Belajar. Pustaka Belajar. Yogyakarta.
8. Putrayasa, Made, Dkk. (2014). Pengaruh Model Pembelajaran Discovery Learning Dan Minat
Belajar Terhadap Hasil Belajar IPA Peserta didik. Jurnal Mimbar PGSD Universitas Pendidikan
Ganesha.
9. Riduwan. (2015). Dasar-Dasar Statistika. Bandung, Alfa Beta.
10 Sugiyono. (2017). Metode Penelitian Pendidikan Pendekatan Kuntitatif, Kualitatif dan R&D.
Bandung, Alfabeta.
11. Sulwinda. (2018). Penerapan Model Pembelajaran Inkuiri Terbimbing Terhadap Hasil Belajar
Peserta Didik Kelas X SMAN 3 Gowa. Skripsi. Makassar: Fakultas Keguruan dan Ilmu Pendidikan
Universitas Muhammadiyah Makassar.
30
Perbandingan Hasil Belajar Fisika Peserta

Didik yang Aktif Berorganisasi Dengan Yang
Tidak Aktif pada Masa Pandemik
Ihfa Indira Nurnaifah*1, Gusra2
1,2
Pendidikan Fisika STKIP Darud Da’wah wal Irsyad Pinrang
E-mail: *1ihfaindirrr@gmail.com
Abstrak
Penelitian ini merupakan penelitian ex-post facto yang dilaksanakan pada bulan Maret-April Tahun
2021 di SMAN 9 Pinrang yang berlokasi di Kec. Cempa Kabupaten Pinrang. Tujuannya adalah untuk
mengetahui perbedaan hasil belajar fisika peserta didik yang aktif berorganisasi dengan yang tidak aktif
berorganisasi pada masa pandemik. Variabel bebas dalam penelitian ini adalah keaktifan peserta didik
berorganisasi yang diukur menggunakan angket. Sedangkan variabel terikatnya adalah hasil belajar fisika
yang datanya dikumpulkan menggunakan instrumen dokumen. Dari hasil penelitian diperoleh: 1) Rata-
rata hasil belajar fisika peserta didik yang aktif berorganisasi pada masa pandemi adalah 82,4; 2) Rata-
rata hasil belajar fisika peserta didik yang tidak aktif berorganisasi pada masa pandemik adalah 81,2; 3)
Hasil uji-t menunjukkan bahwa thitung < ttabel, dengan demikian tidak terdapat perbedaan signifikan antara
peserta didik yang aktif berorganissasi dengan yang tidak aktif berorganisasi. Faktor yang membuat nilai
peserta didik tidak jauh berbeda adalah karena kondisi pandemi yang proses pembelajaran pun dilakukan
secara jarak jauh. Karena kondisi ini kegiatan di Sekolah hampir tidak ada, termasuk kegiatan-kegiatan
organisasi menjadi tiada. Kurangnya aktivitas organsasi ini membuat peserta didik yang tadinya aktif
berorganisasi menjadi semi tidak aktif. Sehingga nilai peserta didik tidak jauh berbeda.
Kata Kunci: aktif; hasil belajar; organisasi
1. PENDAHULUAN
Pendidikan merupakan elemen paling penting yang menjamin kelangsungan kehidupan suatu
bangsa, karena pendidikan merupakan wadah untuk mengembangkan potensi individu. Pendidikan
utamanya dapat diperoleh melalui bangku sekolah. Selain proses belajar-mengajar, peserta didik juga
ditawarkan untuk terlibat dalam kegiatan non akademik, yaitu ekstrakurikuler atau organisasi. Kegiatan
non akademik ini menjadi wadah dalam mengembangkan soft skill agar menjadi lulusan yang mandiri,
penuh inisiatif, bekerja secara cermat, penuh tanggung jawab dan gigih.
Kegiatan ekstrakurikuler adalah kegiatan kurikuler yang dilakukan peserta didik di luar jam
belajar kegiatan intrakurikuler dan kegiatan kokurikuler di bawah bimbingan dan pengawasan satuan
pendidikan. Salah satu bentuk kegiatan ekstrakurikuler adalah organisasi. Organisasi merupakan sebuah
sistem yang terdiri dari aneka macam elemen atau subsistem yang saling berinteraksi dalam upaya untuk
mencapai tujuan atau sasaran1. Sedangkan pengertian organisasi menurut Mathis and Jackson adalah
suatu kesatuan sosial dari sekelompok manusia yang saling berinteraksi menurut suatu pola tertentu
sehingga setiap anggota organisasi memiliki fungsi dan tugasnya masing-masing, sebagai suatu kesatuan
yang memiliki tujuan tertentu dan mempunyai batas-batas yang jelas, sehingga bisa dipisahkan2.
Secara teoritis, organisasi sekolah dalam menyelenggarakan programnya terlebih dahulu menyusun
tujuan dengan baik yang implementasinya dilakukan secara efisien dan efektif dalam proses belajar mengajar.
Di dalam organisasi juga diperlukan adanya semangat organisasi dan organisasi ditentukan oleh sistem yang
ada dalam organisasi dan kualitas sang pemimpin. Keefektifan organisasi sekolah tergantung pada desain
organisasi dan pelaksanaan fungsi komponen organisasi yang mencakup proses pengelolaan informasi,
partisipasi, perencanaan, pengawasan, dan pembuatan kebijakan dalam pelaksanaan tugas pokok3.
Beberapa manfaat mengikuti kegiatan organisasi antara lain: 1) melatih bekerja sama dalam bentuk
tim kerja multi disiplin; 2) membina siap mandiri, percaya diri, disiplin, bertanggung jawab; 3) membina
31
dan mengembangkan minat bakat; 4) melatih berkomunikasi dan menyatakan pendapat di depan umum;
5) membina kemampuan kritis, produktif, kreatif dan inovatif; serta 6) menambah wawasan4.
Bagi peserta didik yang terlibat aktif dalam kegiatan organisasi tentu punya lebih banyak kegiatan
dibandingkan dengan yang tidak aktif. Sebab selain menyelesaikan tugas-tugas dari guru juga harus
mengejakan tugas-tugas dalam organisasi. Hal ini sedikit banyaknya memberi pengaruh terhadap hasil
belajar peserta didik. Hasil belajar merupakan wujud nyata dari kemampuan peserta didik menerima
pelajaran. Hasil belajar ditunjukkan dengan nilai-nilai tes, baik secara lisan, tulisan maupun praktik.
Hasil belajar adalah pola-pola perbuatan, nilai-nilai, pengertian-pengertian, sikap, apresiasi dan
keterampilan5. Pendapat lain mengungkapkan bahwa hasil belajar yang menjadi objek penilaian kelas
berupa kemampuan-kemampuan baru yang diperoleh peserta didik setelah mereka mengikuti proses
belajar-mengajar tentang mata pelajaran tertentu6. Hasil belajar seorang peserta didik dipengaruhi
oleh faktor internal dan faktor eksternal. Faktor internal berupa faktor jasmani dan faktor psikologis
(intelegensi dan kemauan), sedangkan faktor eksternal berupa lingkungan keluarga, lingkungan sekolah
dan lingkungan masyarakat.
Peserta didik yang aktif berorganisasi dituntut untuk dapat menyeimbangkan antar waktu belajar
dan waktu berorganisasi. Namun pada kenyataannya, kegiatan organisasi terkadang membutuhkan porsi
waktu dan perhatian yang lebih. Sehingga peserta didik yang aktif berorganisasi terkadang tersita waktu
belajarnya. Hal ini kemungkinan besar memengaruhi hasil belajar peserta didik tersebut.
Di UPT SMAN 9 Pinrang terdapat 4 (empat) macam organisasi peserta didik yang memiliki cukup
banyak anggota. Organisasi yang dimaksud adalah Organisasi Siswa Intra Sekolah (OSIS), Praja Muda
Karana (Pramuka), Remaja Mushallah (Remus), dan Palang Merah Remaja (PMR). Peserta didik yang
menjadi anggota organisasi tersebut tersebar dari kelas X hingga kelas XII. Di mana yang menjadi
pengurus inti dari organisasi-organisasi tersebut sebagian besar merupakan peserta didik di Kelas X
dan XI. Akan tetapi pada pandemi covid-19, sekolah ditutup dan kegiatan belajar mengajar dialihkan
menjadi Pembelajaran Jarak Jauh (PJJ) secara online. Tujuannya adalah mengurangi interaksi manusia
sehingga dapat memutus mata rantai penularan virus tersebut.
Sekolah tidak aktif bukan berarti bahwa kegiatan persekolahan dihentikan. Pembelajaran tetap
berlangsung, hanya saja bentuknya yang berubah. Begitupun dengan kegiatan kurikuler, organisasi
peserta didik tidak berjalan sebagaimana biasanya namun tidak berarti dibubarkan. Kegiatan organisasi
pun berubah bentuk menjadi lebih banyak via daring. Inilah yang menjadi landasan peneliti melakukan
penelitian ini untuk mengetahui perbedaan hasil belajar fisika peserta didik anggota organisasi dan
bukan anggota dengan mengambil UPT SMAN 9 Pinrang sebagai subjek penelitian, mengingat pada
waktu itu aktivitas di Sekolah dikurangi bahkan ditiadakan sama sekali.
Adapun tujuan dari penelitian ini adalah untuk: 1) mengetahui bagaimana hasil belajar fisika peserta
didik yang aktif berorganisasi pada masa pandemi; 2) mengetahui bagaimana hasil belajar fisika peserta
didik yang tidak aktif berorganisasi pada masa pandemi; dan 3) mengetahui adakah perbedaan signifikan
hasil belajar fisika peserta didik yang aktif berorganisasi dengan yang tidak aktif berorganisasi pada
masa pandemi.
Berdasarkan latar belakang masalah dan tujuan penelitian maka hipotesis yang di ajukan adalah:
H0 = Tidak terdapat perbedaan signifikan hasil belajar peserta didik aktif berorganisasi dengan yang
tidak.
H1 = Terdapat perbedaan signifikan hasil belajar peserta didik aktif berorganisasi dengan yang tidak.
2. METODE
Penelitian ini merupakan penelitian ex-post facto, artinya penelitian tentang variabel yang kejadiannya
sudah terjadi sebelum penelitian dilaksanakan7. Penelitian dilakukan dengan menurut ke belakang
untuk mengetahui faktor-faktor yang menimbulkan kejadian tersebut tanpa memberikan perlakuan atau
memanipulasi variabel yang diteliti. Penelitian ini telah dilaksanakan pada bulan Maret-April semester
genap Tahun Ajaran 2020/2021 di SMAN 9 Pinrang yang berlokasi di Kec. Cempa Kabupaten Pinrang.
32
Populasi pada penelitian ini adalah seluruh kelas XI SMAN 9 Pinrang dan sampelnya sebanyak 19
orang.
a. Instrumen Penelitian
1) Angket
Responden dalam penelitian ini adalah seluruh peserta didik kelas XI SMAN 9 Pinrang. Angket
digunakan untuk mengetahui tingkat keaktifan peserta didik dalam kegiatan organisasi sekolah. Angket
yang digunakan dalam penelitian ini adalah angket tertutup yaitu angket skala Guttman yang hanya
disediakan dua pilihan jawaban (dikotomi). Berikut Tabel 1 menunjukkan cuplikan angket yang
diberikan kepada sampel:
Tabel 1. Tabel Cuplikan Angket
Nomor
Pernyataan Ya Tidak
Butir
6 Apakah Anda senang mengikuti kegiatan ekstrakurikuler?
11 Jika sekolah mengadakan suatu kegiatan, apakah Anda siap meluangkan
waktu Anda untuk selalu ikut serta dalam kegiatan tersebut?
12 Apakah Anda sering menggunakan sebagian besar waktu yang dimiliki
untuk mengurus kegiatan organisasi?
16 Apakah Anda selalu menyempatkan diri untuk datang ke sekretariat
organisasi?
19 Apakah Anda mementingkan organisasi daripada pembelajaran di kelas?
2) Dokumen
Dokumen adalah catatan mengenai kejadian yang telah lalu, dalam hal ini nilai rapor peserta didik
kelas XI SMAN 9 Pinrang untuk mata pelajaran fisika pada semester genap Tahun Ajaran 2019/2020
(Kelas X) dan semester ganjil Tahun Ajaran 2020/2021 (Kelas XI).
b. Teknik Analisis Data
1) Uji Coba Instrumen
a) Uji Validitas Instrumen
Validitas adalah ukuran yang menunjukkan kesahihan sebuah instrumen. Karena instrumen
dalam penelitian ini menggunakan skala Guttman, sehingga untuk memperoleh tingkat validitas
instrumen angketnya penulis menggunakan Coefficient of Reproducibility (CR) dan Coefficient of
Scability (CS). Adapun rumus yang digunakan untuk menghitung CR dan CS adalah:
CR atau Koefisien Reprodusibilitas (KR)8
e (1)
KR = 1 - n
Keterangan:
KR = Koefisien Reprodusibilitas
e = Jumlah kesalahan
n = Jumlah pertanyaan dikali jumlah responden
KR dikatakan baik bila nilainya ≥ 0,90
CS atau Koefisien Skalabilitas8
e (2)
KS = 1 - ]
c n - Tng
Keterangan:
KS = Koefisien Skalabilitas
e = Jumlah kesalahan
c = Kemungkinan mendapatkan jawaban yang benar, karena pilihan jawaban ya (1) dan tidak (0)
maka c adalah 0,5.
33
n = Jumlah pertanyaan dikali jumlah responden

Tn = Jumlah pilihan jawaban
KS dikatakan baik bila nilainya ≥ 0,60
b) Uji Reliabilitas
Realibilitas menunjukkan bahwa sebuah instrumen dapat dipercaya. Suharsimi Arikunto
menyebutkan bahwa suatu tes dikatakan memiliki reliabilitas yang tinggi apabila tes tersebut dapat
memberikan hasil yang tetap. Kata “tetap” di sini bukan berarti memiliki skor yang terus-menerus sama/
tetap ketika diujikan berkali-kali pada peserta didik yang sama, tetapi mengikuti perubahan yang ajeg.
Uji reliabilitas dalam penelitian ini menggunakan rumus dari Kuder & Richardson, yaitu K-R 207:
r11 = b n - 1 lc m
n S 2 - /pq
(3)
S2
Keterangan:
r11 = Reliaabilitas tes secara keseluruhan
n = Banyaknya item
p = Proporsi subyek yang menjawab item dengan benar
q = Proporsi subyek yang menjawab item dengan salah (1-p)
S2 = Varians
2) Uji Prasyarat
a) Uji Normalitas
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data
pada sebuah kelompok data atau variabel, apakah sebaran data tersebut terdistribusi normal ataukah
tidak. Uji normalitas yang dapat digunakan adalah uji grafik, Chi-Square, Kolmogorov Smirnov,
Lilliefors, Shapiro Wilk. Data yang baik dan layak untuk membuktikan model-model penelitian
tersebut adalah data distribusi normal. Uji normalitas yang digunakan dalam penelitian ini adalah
uji Liliefors.
Menurut Sudjana (2009)9, uji normalitas data dilakukan dengan menggunakan uji Liliefors (Lo)
diawali dengan penentuan taraf sigifikansi, yaitu pada taraf signifikasi 5% (0,05) dengan hipotesis
yang diajukan adalah sebagai berikut:
H0 = Sampel berasal dari populasi yang terdistribusi normal
H1 = Sampel tidak berasal dari populasi yang terdistribusi normal
Dengan kriteria pengujian:
Jika Lhitung < Ltabel terima H0, dan
Jika Lhitung > Ltabel tolak H0
Adapun langkah-langkah pengujian normalitas adalah :
1. Data pengamatan x1, x2 , x3, …, xn dijadikan bilangan baku z1, z2, z3, …, zn dengan menggunakan
x -x
rumus s (dengan x̅ dan s masing-masing merupakan rata-rata dan simpangan baku)
i
2. Untuk setiap bilangan baku ini dengan menggunakan daftar distribusi normal baku, kemudian
dihitung peluang F(zi) = P (z < zi)
3. Selanjutnya dihitung proporsi z1, z2, z3, …, zn yang lebih kecil atau sama dengan zi. Jika proporsi
ini dinyatakan oleh S(zi) maka:
r11 = b n - 1 lc m
n S 2 - /pq (4)
S2
4. Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.
5. Ambil harga yang paling besar di antara harga-harga mutlak selisih tersebut, misal harga tersebut
L0.
Untuk menerima atau menolak hipotesis nol (H0), dilakukan dengan cara membandingkan L0 ini
dengan nilai kritis L yang terdapat dalam tabel untuk taraf nyata yang dipilih .
34
b) Uji Homogenitas
Uji homogenitas bertujuan untuk mengetahui apakah cuplikan dari populasi yang homogen atau
tidak. Salah satu uji homogenitas adalah uji varians sebagai berikut:
1. Menghitung variansi masing-masing kelompok
2. Menghitung harga F
variasi terbesar
F = variansi terjecil (5)
3. Data dikatakan homogen jika Fhitung < Ftabel
3) Pengujian Hipotesis
Pengujian hipotesis menggunakan uji-t. Uji t ini dipengaruhi oleh hasil uji kesamaan dua varians.
Jika varians kedua kelompok sama maka rumus uji t yang digunakan9:
x1 - x 2 ]n1 - 1g s12 + ]n2 - 1g s 22 (6)
t= ; s2 = n1 + n2 - 2
1 + 1
s n1 n2
Keterangan:
x̅1 = Nilai rata-rata kelompok peserta didik yang tidak aktif berorganisasi
x̅2 = Nilai rata-rata kelompok peserta didik yang aktif berorganisasi
s12 = Variansi data pada kelompok peserta didik yang tidak aktif berorganisasi
s22 = Variansi data pada kelompok peserta didik yang aktif berorganisasi
s2 = Variansi gabungan
n1 = Banyak subjek pada kelompok peserta didik yang tidak aktif berorganisasi
n2 = Banyak subjek pada kelompok peserta didik yang aktif berorganisasi
Derajat kebebasan (dk) untuk tabel distribusi t yaitu (n1 + n2 – 2) dengan peluang (1 – 1/2α), α = 5%.
Kriteria yang digunakan yaitu jika thitung > ttabel, maka H1 diterima.
Jika diperoleh simpulan bahwa kedua varians tidak sama, maka rumus yang digunakan9:
x1 - x 2 (7)
t' =
s12 s 22
n1 + n2
Kriteria yang digunakan, tolak H0 jika : t' $
w1 t1 + w2 t2
w1 + w2
dengan w = sn dan tn = t(1 – 1/2α), (n – 1) ; α = 5%

2

Dari hasil penelitian perbandingan hasil belajar fisika peserta didik yang aktif berorganisasi dengan
yang tidak aktif pada masa pandemi diketahui bahwa terdapat 19 orang responden yang terbagi menjadi
12 orang peserta didik yang aktif berorganisasi dan 7 orang peserta didik yang tidak aktif berorganisasi.
a. Uji Coba Instrumen
1) Uji Validitas Instrumen
Instrumen pada penelitian diuji keabsahannya menggunakan CR dan CS. Instrumen pada penelitian
ini berjumlah 15 butir pernyataan yang terdiri dari 21 pernyataan positif dan 4 butir pernyataan negatif.
CR dan CS dihitung menggunakan aplikasi Microsoft Excel dengan perolehan hasil hitung CR < 0,9 yang
berarti bahwa instrumen tersebut tidak valid. Pada kasus seperti ini, ada 2 hal yang bisa dilakukan untuk
memperoleh hasil hitung CR valid yaitu dengan menambah jumlah responden atau mengurangi jumlah
butir pernyataan. Karena kondisi yang tidak memungkinkan untuk menambah jumlah responden, maka
penulis memilih opsi yang kedua. Maka jumlah butir pernyataan yang digunakan menjadi sisa 20 butir
pernyataan, dan diperoleh hasil yang memenuhi kriteria bahwa angket yang digunakan adalah valid.
Selanjutnya dilakukan perhitungan dengan cara yang sama menggunakan Microsoft Excel dan diperoleh
hasil CR = 0,907. Dengan demikian, CR > 0,9 maka CR dikatakan baik. Apabila CR masuk kategori baik
maka instrumen penelitian dapat dikatakan valid. Adapun untuk harga CS yang diperoleh nilai 0,146.
Kriteria CS yang baik adalah ≥ 0,60, sehingga CS yang diperoleh tidak cukup baik.
35
2) Uji Reliabilitas Instrumen

Setelah melakukan uji validitas selanjutnya dilakukan uji reliabilitas. Adapun kriteria yang
digunakan adalah , jika harga r semakin mendekati 1 maka berarti instrumen tersebut semakin reliabel,
dan instrumen dapat digunakan untuk penelitian. Harga r yang diperoleh setelah perhitungan adalah
0,745, maka dapat dikatakan bahwa instrumen yang digunakan cukup reliabel.
b. Uji Prasyarat
Uji prasyarat analisis digunakan untuk mengetahui apakah data dapat dilanjutkan untuk pengujian
hipotesis atau tidak. Uji prasyarat tersebut adalah uji normalitas dan uji homogenitas. Data yang
dimaksud adalah hasil belajar fisika atau nilai rapor fisika peserta didik yang menjadi sampel penelitian.
Berikut Tabel 2 menunjukkan perbandingan rata-rata nilai rapor peserta didik yang aktif berorganisasi
dengan yang tidak aktif berorganisasi.
Tabel 2. Tabel Perbedaan Nilai Peserta Didik yang Aktif
Berorganisasi dan yang Tidak Aktif Berorganisasi.
Nilai PD Aktif Organisasi Nilai PD Tidak Berorganisasi
No.
(X) (Y)
1. 84,3 81,3
2 84,0 82,0
3 83,0 83,3
4 83,7 83,0
5 81,7 81,3
6 80,3 79,0
7 83,0 78,3
8 82,7
9 85,0
10 84,3
11 79,0
12 78,3
∑ 989,3 568,2
1) Uji Normalitas
Uji Normalitas data pada penelitian ini menggunakan uji Liliefors dengan hasil seperti yang
ditunjukkan pada Tabel 3 berikut:
Tabel 3. Tabel distribusi data normalitas peserta didik yang aktif berorganisasi
No Xi Zi F(Zi) S(Zi) | F(Zi) – S(Zi) |
1 78,3 -1,89908 0,0288 0,0833 0,0546
2 79 -1,57798 0,0573 0,1667 0,1094
3 80,3 -0,98165 0,1631 0,2500 0,0869
4 81,7 -0,33945 0,3671 0,3333 0,0338
5 82,7 0,1193 0,5475 0,4167 0,1308
6 83 0,2569 0,6014 0,5833 0,0180
7 83 0,2569 0,6014 0,5833 0,0180
8 83,7 0,5779 0,7184 0,6667 0,0517
9 84 0,7156 0,7629 0,7500 0,0129
10 84,3 0,8532 0,8032 0,9167 0,1134
36

11 84,3 0,8532 0,8032 0,9167 0,1134
12 85 1,1743 0,8799 1 0,1201
rata-rata 82,4417 82,442
simpangan baku 2,1803 2,180
L0 0,1308 0,131
Ltabel 0,242
L0 < Ltabel normal
Dari perhitungan menggunakan Microsoft Excel diperoleh L0 = 0,131, adapun Ltabel untuk α = 0,05
adalah 0,242. Maka dapat disimpulkan bahwa L0 < Ltabel, dengan demikian dapat dikatakan bahwa data
nilai rapor peserta didik yang aktif berorganisasi terdistribusi normal. Sedangkan data untuk peserta
didik yang tidak aktif berorganisasi dapat dilihat dalam sajian Tabel 4 berikut.
Tabel 4. Tabel distribusi data normalitas peserta didik yang tidak aktif berorganisasi
1 78,3 -1,4920 0,0678 0,1429 0,0750
2 79 -1,1217 0,1309 0,2857 0,1547
3 81,3 0,0952 0,5379 0,5714 0,0335
4 81,3 0,0952 0,5379 0,5714 0,0335
5 82 0,4656 0,6793 0,7143 0,0350
6 83 0,9947 0,8401 0,8571 0,0171
7 83,3 1,1534 0,8756 1 0,1244
rata-rata 81,1714 81,171
simpangan baku 1,8953 1,895
L0 0,1547 0,155
Ltabel 0,3
L0 < Ltabel normal
Dari perhitungan menggunakan Microsoft Excel diperoleh L0 = 0,155, adapun Ltabel untuk α = 0,05
adalah 0,3. Maka dapat disimpulkan bahwa L0 < Ltabel, dengan demikian dapat dikatakan bahwa data nilai
rapor peserta didik yang tidak aktif berorganisasi juga terdistribusi normal.
2) Uji Homogenitas
Setelah melakukan uji normalitas, selanjutnya pengolahan data dilanjutkan dengan melakukan
uji homogenitas. Uji homogenitas pada penelitian ini menggunakan uji F. Data hasil perhitungan
menggunakan Microsot Excel dapat dilihat pada Tabel 5 berikut.
Tabel 5. Tabel uji F dengan dua variabel
Variabel 1 Variabel 2
Rata-rata 82,4417 81,1714
Varians 4,7536 3,5923
Observasi 12 7
df 11 6
F 1,3232
P(F <= f) satu sisi 0,3815
Nilai kritis F satu sisi 4,0274
37
Dari tabel di atas terlihat bahwa besar Fhitung adalah 1,323 sedangkan Ftabel adalah 4,027 maka berarti
Fhitung < Ftabel. Dengan demikian keadaan ini memenuh syarat untuk hasil belajar fisika peserta didik adalah
homogen. Ketika data terdistribusi normal dan homogen, maka dapat dilanjutkan dengan uji hipotesis.
Data yang diperoleh setelah melalui uji prasyarat adalah normal dan homogen pada kedua kelompok
peserta didik. Data normal artinya sebaran data memenuhi grafik normalitas, di mana responden terdiri
dari sebagian besar peserta didik dengan nilai pada kriteria sedang. Sedangkan data homogen artinya
data yang diperoleh terdiri dari data peserta didik yang beragam, ada yang unggul, ada yang kurang
dan ada pula dengan kemampuan rata-rata. Setelah mengetahui bahwa data yang diperoleh normal dan
homogen selanjutnya dilakukan uji hipotesis.
c. Uji Hipotesis
Pengujian hipotesis pada penelitian ini menggunakan uji-T. Adapun hasil perhitungan menggunakan
Microsoft Excel ditunjukkan pada Tabel 6 berikut.
Tabel 6. Data hasil uji-t dua variabel
Variabel 1 Variabel 2
Rata-rata 82,4417 81,1714
Variance 4,7536 3,5923
Observations 12 7
Perbedaan Rata-Rata yang Dihipotesiskan 0
Df 14
t Stat 1,3321
P(T <= t) satu sisi 0,1021
Nilai kritis t satu sisi 1,7613
P(T <= t) dua sisi 0,2041
Nilai kritis t dua sisi 2,1448
Berdasarkan hasil perhitungan diperoleh thitung bernilai 1,332. Sesuai dengan kriteria yang digunakan
yaitu jika thitung > ttabel, maka H1 diterima. Dan jika thitung < ttabel, maka H1 ditolak. Dengan demikian
karena thitung (1,332) < ttabel (2,145), maka H1 ditolak, yang berarti tidak terdapat perbedaan signifikan
hasil belajar fisika peserta didik antara peserta didik yang aktif berorganisasi dengan yang tidak aktif
berorganisasi.
Uji hipotesis pada penelitian ini menggunakan uji-T dengan dua variabel. T-hitung nantinya akan
menjadi dasar pengambilan keputusan apakah hipotesis diterima atau ditolak. Hasil perhitungan uji-T
dengan bantuan aplikasi Microsoft Excel diperoleh bahwa nilai thitung (1,332) < ttabel (2,145), maka H0
diterima dan H1 ditolak, yang berarti tidak terdapat perbedaan signifikan hasil belajar fisika antara
peserta didik antara yang aktif berorganisasi dengan yang tidak aktif berorganisasi. Tenyata hasil yang
diperoleh tidak sesuai yang diharapkan. Jika melihat rata-rata nilai setiap kelompok, nilai rata-rata
kelompok peserta didik yang aktif beroganisasi yaitu sebesar 82,4 sedangkan nilai rata-rata kelompok
peserta didik yang tidak aktif berorganisasi adalah sebesar 81,2 memang terdapat perbedaan akan tetapi
perbedaan tersebut tidak terlalu signifikan. Harapan penulis adalah peserta didik yang aktif berorganisasi
mempunyai nilai yang jauh lebih baik dibandingkan peserta didik yang tidak aktif berorganisasi.
Asumsi penulis adalah faktor utama yang membuat nilai peserta didik tidak jauh berbeda adalah karena
kondisi pandemi. Pandemi memaksa peserta didik untuk tetap berada di rumah saja, bahkan proses
pembelajaran pun dilakukan secara jarak jauh. Karena kondisi ini kegiatan di Sekolah hampir tidak
ada, termasuk kegiatan-kegiatan organisasi menjadi tiada. Kurangnya aktivitas organsasi ini membuat
peserta didik yang tadinya aktif berorganisasi menjadi semi tidak aktif. Sehingga nilai mereka pun tidak
jauh berbeda. Responden hanya aktif di organisasi ketika mereka masih di bangku kelas X saja. Dan
setelah datangnya wabah virus Covid-19 semua sektor terdampak buruk, termasuk di sektor pendidikan.
Asessmen pembelajaran jarak jauh tidak sebaik assesmen pembelajaran tatap muka.
38
Faktor lain yang dianggap peneliti juga berpengaruh adalah karena pada kelas X, semua responden
hanya menjabat sebagai anggota biasa didalam kepengurusan organisasi. Sementara yang terlibat aktif
adalah para pengurus organisasi yaitu peserta didik kelas XI dan peserta didik kelas XII. Akibatnya
nilai rapor peserta didik yang aktif dan yang tidak aktif berorganisasi masih relatif sama. Dengan
memperhatikan hal ini, peneliti menyarankan untuk tidak melakukan penelitian dengan variabel yang
sama di kondisi yang sama.
4. KESIMPULAN
Berdasarkan hasil penelitian diperoleh rata-rata hasil belajar fisika peserta didik yang aktif
berorganisasi di masa pandemi adalah 82,4 sedangkan rata-rata hasil belajar fisika peserta didik
yang tidak aktif berorganisasi di masa pandemi adalah 81,2. Dari data tersebut sudah terlihat bahwa
terdapat perbedaan nilai hasil belajar dari dua kelompok peserta didik ini meskipun perbedaannya tidak
terlalu signifikan. Hal ini bersesuaian dengan hasil uji-t menunjukkan bahwa thitung < ttabel, yang berarti
tidak terdapat perbedaan signifikan antara peserta didik yang aktif berorganisasi dengan yang tidak
aktif berorganisasi. Maka dari itu untuk penelitian berikutnya, sebaiknya tidak menggunakan variabel
yang sama dengan waktu yang sama pula. Sebab, hasil pengukuran yang diperoleh tidak seperti yang
diharapkan. Kekurangan dari penelitian ini adalah saat pengumpulan data angket disebar melalui media
sosial dan ternyata memakan waktu cukup lama, maka dari itu cara seperti ini sebaiknya dihindari. Dan
yang terakhir kepada pengelola dan pemangku organisasi sekolah, sebaiknya kegiatan organisasi tetap
dijalankan dengan menyesuaikan program kerja berdasarkan kondisi sehingga peserta didik tetap punya
kegiatan lain dan organisasi tidak terkesan mati suri.
UCAPAN TERIMA KASIH

Terima kasih kepada rekan-rekan dosen STKIP DDI Pinrang yang senantiasa memberi masukan
dan motivasi untuk kebaikan penelitian ini. Terima kasih pula kepada adik-adik mahasiswa STKIP DDI
Pinrang yang telah membantu peneliti dalam pengumpulan data penelitian ini.
DAFTAR PUSTAKA
1. Pradayu, M. (2017). Pengaruh Aktivitas Organisasi Terhadap Prestasi Belajar (Studi Kasus Pengurus
Bem Universitas Riau Kabinet Inspirasi Periode 2016-2017). JOM FISIP Vol. 4 No. 2: 1-12.
2. Rernawan, E. 2011. Organization Culture, Budaya Organisasi dalam Perspektif Ekonomi dan
Bisnis. Bandung: Penerbit Alfabeta.
3. Fitriyani. (2019). Konsep Organisasi Pendidikan Dalam Pemberdayaan Sekolah. el-Ghiroh. Vol.
XVII, No. 02: 61-80.
4. Patunru, S., Jam’an, A., dan Madani, M. 2020. Analisis Keaktifan Berorganisasi Terhadap Prestasi
Akademik Mahasiswa Program Studi Teknologi Laboratorium Medis Politeknik Kesehatan
Muhammadiyah Makassar. Competitiveness Vol. 9 No. 2: 151-163
5. Suprijono, A. 2012. Cooperative Learning: Teori dan Aplikasi PAIKEM. Yogyakarta : Pustaka
Pelajar
6. Supratiknya, A. 2012. Penilaian Hasil Belajar dengan Teknik Nontes. Yogyakarta: Universitas
Sanata Darma.
7. Arikunto, S. 2010. Prosedur Penelitian Suatu Pendekatan Praktik. Jakarta: Rineka Cipta
8. Rianse, U. dan Abdi. 2008. Metodologi Penelitian Sosial dan Ekonomi. Bandung: Alfabeta.
9. Sudjana, N. dan Ibrahim. 2009. Penelitian dan Penilaian Pendidikan. Bandung: Sinar Baru
Algensido.
39
Sistem Pemantauan Volume Cairan

Infus Berbasis Aplikasi Blynk
Riska Dama Yanti*1, Ida Laila2, Arifin3, Bualkar Abdullah4
1,2,3,4
E-mail: *1riskadsyam027@gmail.com
Abstrak
Kondisi cairan infus pasien perlu dilakukan pemantauan secara berkala untuk menghindari keterlambatan
dalam penggantian cairan infus yang dapat mengakibatkan pembentukan gelembung udara pada
pembuluh darah pasien. Oleh karena itu diperlukan suatu sistem untuk dapat memantau kondisi cairan
infus secara otomatis yang dapat diakses kapan saja tanpa perlu melakukan pengecekan secara langsung.
Penelitian ini difokuskan pada pemantauan volume cairan infus yang dapat diakses pada gawai melalui
aplikasi blynk dengan menggunakan NodeMCU ESP8266 sebagai pengendali dan komunikasi data hasil
pengukuran untuk ditampilkan di aplikasi dan LCD (Liquid Crystal Display). Pengukuran volume cairan
infus menggunakan sensor load cell dan buzzer sebagai indikator pengingat ketika cairan infus hampir
habis. Pada sistem ini diperoleh data hasil kalibrasi sensor load cell yang terkonversi ke dalam satuan
volume (mL) dengan tingkat kesalahan pembacaan sebesar 0,34% yang menunjukkan akurasi sebesar
99,66% sedangkan untuk hasil pengujian pembacaan volume infus pada alat dengan membandingkan
volume yang terukur pada gelas ukur diperoleh tingkat ketepatan pembacaan sebesar 99,65%. Hasil
pengujian alat ini menunjukkan bahwa kondisi volume cairan infus dapat dipantau dengan baik
menggunakan aplikasi blynk.
Kata Kunci: blynk, cairan infus, load cell, nodemcu.
1. PENDAHULUAN
Dalam beberapa tahun terakhir terjadi peningkatan berbagai kasus medis baik karena kecelakaan
lalu lintas, penyakit bawaan, hingga kasus yang mengejutkan dunia pada tahun 2019, yaitu COVID-19
yang sangat memberikan dampak besar terhadap ruang lingkup rumah sakit, di mana jumlah pasien yang
begitu banyak yang tidak sebanding dengan jumlah perawat yang bertugas1. Dalam Global Status Report
on Road Safety menunjukkan bahwa setiap harinya pada tahun 2015 di seluruh dunia lebih dari 1,25 juta
orang meninggal akibat kecelakaan lalu lintas dan 50 juta orang mengalami luka berat2. Berdasarkan
data Our World, hingga 1 Desember 2021 kasus positif COVID-19 di dunia mencapai 264 juta orang
dengan kasus meninggal sebesar 5,22 juta orang3. Jumlah pasien yang meningkat menyebabkan perawat
kewalahan dan sulit untuk melaksanakan tugasnya dengan baik, salah satunya adalah memperhatikan
atau melakukan penggantian cairan infus yang telah kosong pada pasien yang dirawat di Rumah Sakit
ataupun Puskesmas.
Pemberian cairan infus merupakan cara tercepat untuk memasukkan obat ke dalam tubuh secara
langsung melalui pembuluh darah vena4. Namun pemantauan kondisi cairan infus harus dilakukan secara
berkala oleh perawat untuk dapat mengetahui kapan cairan infus harus diganti dan untuk memastikan
aliran infus tidak dalam keadaan macet. Jika terjadi keterlambatan dalam penggantian cairan infus maka
dapat menyebabkan terjadinya refluks atau darah dari tubuh mengalir berlawanan arah dengan cairan
infus di dalam botol yang disebabkan tekanan tinggi pada tubuh pasien sedangkan pada botol cairan infus
bertekanan rendah. Selain itu juga dapat terjadi pembentukan gelembung udara pada pembuluh darah
pasien yang dapat berakibat fatal pada kondisi pasien bahkan dapat menyebabkan kematian jika terjadi
keterlambatan dalam penanganannya5. Oleh karena itu dibutuhkan suatu sistem pemantauan secara
otomatis yang dapat diakses setiap saat untuk memantau kondisi infus pasien tanpa perlu melakukan
pengecekan secara langsung.
Berbagai penelitian telah dilakukan untuk pemantauan cairan infus. Pada penelitian yang dilakukan
oleh Sangeetha, dkk digunakan sensor aliran YF-S401 untuk memantau cairan yang mengalir melalui
40
sensor berbasis aplikasi . Oros, dkk menggunakan sensor kapasitif untuk mendeteksi level cairan di
5
dalam botol infus dan sensor warna TCS230 untuk mendeteksi warna cairan di dalam botol infus berbasis
web6. Anagha, dkk menggunakan sensor load cell untuk pemantauan level cairan infus dan sensor flex
untuk otomatisasi kipas bagi pasien yang membutuhkan yang berbasis aplikasi dengan menggunakan
mikrokontroler ARM7 Micro yang relatif mahal7. Keerth, dkk menggunakan sensor inframerah (IR)
untuk memeriksa kadar garam di dalam botol dan sensor laser untuk memantau kecepatan tetesan infus
menggunakan Lowercase berbasis aplikasi8. Ray dan Thapa hanya melakukan tinjauan sistem pengukuran
otomatis level cairan infus setiap saat dengan mempertimbangkan studi terbaru yang diterbitkan antara
tahun 2010 dan 20179. Pada penelitian yang dilakukan oleh Ajeeth, dkk menggunakan sensor IR untuk
mengukur jumlah tetesan yang jatuh melalui ruang tetes10, Akbar dan Gunawan melakukan penelitian
sistem pemantauan infus berbasis IoT (Internet of Things) menggunakan sensor load cell berbasis web
server Thingspeak11.
Berdasarkan beberapa penelitian di atas mengenai sistem pemantauan infus, para peneliti tersebut
ada yang menggunakan sistem pemantauan infus yang harus diakses menggunakan web, sehingga
kurang praktis untuk dilakukan pemantauan mengenai kondisi cairan infus secara otomatis. Ada
sistem pemantauan infus yang sudah berbasis aplikasi namun menggunakan sistem pengendali dengan
harga yang relatif mahal. Ada sistem pemantauan infus yang menggunakan sensor untuk mendeteksi
jumlah tetesan cairan infus dan level cairan infus di dalam botol, yang menyebabkan perhitungannya
kurang akurat. Maka, dalam penelitian ini dirancang sebuah sistem untuk memantau kondisi cairan
infus pasien yang dapat diakses secara otomatis menggunakan gawai melalui sebuah aplikasi, sehingga
memudahkan untuk dilakukan pemantauan secara berkala, namun tetap mempertimbangkan harga yang
dapat dijangkau. Penelitian difokuskan untuk memantau volume cairan infus menggunakan sensor load
cell untuk mengukur massa infus yang dikonversi ke dalam satuan volume dengan menggunakan sistem
pengendali NodeMCU ESP8266 yang juga sebagai penghubung komunikasi data hasil pengukuran
untuk dikirim ke aplikasi dengan berbasis internet. Hasil pemantauan cairan infus ditampilkan pada
aplikasi blynk dan LCD yang berukuran 20x4. Untuk memberitahu perawat ketika cairan infus hampir
habis maka pada aplikasi blynk akan menampilkan notifikasi yang mengharuskan agar cairan infus
segera diganti, yang diikuti dengan bunyi buzzer.
2. BAHAN DAN METODE

Bahan yang digunakan pada penelitian ini meliputi, sensor load cell, modul HX711, buzzer, LCD
I2C yang dapat menampilkan 20 karakter dalam 4 baris, mikrokontroler berupa NodeMCU ESP8266,
push button, resistor dengan nilai sebesar 1K ohm, dan baterai 5V.
Metode yang digunakan pada penelitian ini yakni pengujian sistem pemantauan infus dengan
menggunakan sebuah aplikasi berbasis IoT, yaitu aplikasi blynk yang terbagi menjadi beberapa tahap
seperti yang dijabarkan pada diagram alir seperti pada Gambar 1.
41
Gambar 1. Diagram alir tahapan penelitian

Tahapan penelitian yang dijabarkan pada Gambar 1, yaitu dimulai dengan melakukan penelusuran
teori dengan mencari dan membaca berbagai referensi baik jurnal, buku maupun skripsi yang berkaitan
dengan Sistem Pemantauan Infus, setelah itu dilakukan pengidentifikasian masalah kemudian menentukan
batasan masalah dan tujuan penelitian. Setelah itu dilanjutkan ke tahap pengujian, yang meliputi
pengujian sensor dalam hal ini kalibrasi sensor agar nilai keluarannya sesuai dengan yang diharapkan,
kemudian dilanjutkan ke tahap pengujian alat secara keseluruhan untuk mengetahui apakah alat yang
dibuat telah memenuhi akurasi atau tidak. Jika akurasi pengujian alat telah terpenuhi, pengolahan data
dilakukan baik secara manual maupun pengolahan dengan menggunakan perangkat lunak, selanjutnya
dilakukan analisis data untuk dapat menarik kesimpulan dan memberikan saran ke peneliti selanjutnya
jika terdapat kekurangan atau hal yang perlu dikembangkan oleh peneliti terkait penelitian ini.
2.1. Perancangan Sistem
Tahapan perancangan sistem meliputi perancangan perangkat keras dan perangkat lunak. Tahap
pertama dalam membangun sistem pemantauan cairan infus adalah dengan merancang blok diagram
perangkat-perangkat sistem tersebut yang dapat memudahkan untuk mengidentifikasi berbagai
komponen yang digunakan, seperti digambarkan dalam Gambar 2.
42
Gambar 2. Blok diagram sistem

Blok diagram sistem yang ditunjukkan pada Gambar 2 menjelaskan prototipe perangkat keras maupun
komponen yang terkoneksi ke aplikasi blynk. Baterai sebagai catu daya berfungsi untuk menyalurkan
daya listrik ke mikrokontroler NodeMCU ESP8266 yang sebelumnya telah dihubungkan dengan laptop
agar terkoneksi ke aplikasi blynk melalui kode program yang telah dibuat, sehingga proses pemantauan
dapat dilakukan tanpa perlu terhubung ke laptop terus-menerus. Jika cairan infus yang terdeteksi hampir
habis, buzzer akan berbunyi selama 3 detik dan pada aplikasi blynk akan menampilkan sebuah notifikasi
mengenai kondisi infus yang hampir habis.
2.2 Perancangan Perangkat Keras
Rancangan perangkat keras ini bertujuan untuk memudahkan dalam merangkai komponen yang
digunakan untuk mengukur massa dan volume cairan infus. Pada tahap perancangan perangkat
keras, langkah pertama yang dilakukan adalah menyiapkan komponen yang digunakan pada sistem
pemantauan cairan infus, yaitu sensor load cell, modul HX711, buzzer, LCD, push button, resistor 1K,
baterai, dan NodeMCU ESP8266 yang tersambung ke laptop. Perancangan perangkat keras dapat dilihat
pada Gambar 3.
Gambar 3. Perancangan perangkat keras

2.3 Perancangan Perangkat Lunak
Pada tahap perancangan perangkat lunak bertujuan untuk memproses sinyal masukan dan keluaran
dari sensor dan komponen pendukung kinerja sistem. Sinyal masukan pada sistem berasal dari
sensor load cell. Masukan pada pemrograman yang telah dibuat di aplikasi Arduino IDE (Integrated
Development Environment) mengaktifkan buzzer jika volume cairan infus yang terdeteksi oleh sensor
load cell kurang dari 100 mL dan di aplikasi blynk yang telah terhubung ke pemrograman yang telah
dibuat muncul notifikasi “Infus hampir habis, segera lakukan penggantian infus!”. Untuk lebih jelasnya
perancangan perangkat lunak sistem dapat dilihat pada diagram alir pada Gambar 4.
43
Gambar 4. Diagram Alir Sistem
44
Perangkat lunak yang digunakan untuk menampilkan hasil pemantauan infus adalah aplikasi
blynk yang dapat diakses melalui gawai, namun sebelumnya harus dimasukkan SSID dan password
hostpot/WiFi yang sama pada gawai. Selain SSID dan password untuk dapat menggunakan aplikasi
blynk, maka pada kode pemrograman yang dibuat, dimasukkan kode token yang dikirim ke email saat
pembuatan akun aplikasi blynk. Selanjutnya pada widget box aplikasi blynk dipilih labeled value untuk
menampilkan massa cairan infus dalam satuan gram dan gauge untuk menampilkan status volume
cairan infus, sedangkan untuk menampilkan notifikasi status cairan infus pilih menu notification pada
widget box. Untuk lebih jelasnya tampilan untuk pemantauan volume infus dapat dilihat pada Gambar 5.
Gambar 5. Tampilan pemantauan kondisi cairan infus pada aplikasi blynk

3.1 Kalibrasi Sensor Load Cell
Kalibrasi sensor diperlukan untuk menguji keakuratan pembacaan dari sensor load cell dengan
menggunakan sebuah alat pembanding yaitu timbangan digital untuk mengukur massa beban. Pada
proses kalibrasi sensor, perlu mengintegrasikan sensor load cell dan modul HX711 dengan NodeMCU
ESP8266. Pada pemrograman yang telah dibuat, untuk menerima data dari modul HX711 digunakan
library “HX711.h”. Berdasarkan library ini, kalibrasi sensor load cell dapat dilakukan dengan
menggunakan set_scale dan tare pada fungsi void setup-nya sedangkan pada fungsi void loop-nya
menggunakan get_units12.
Pada sensor load cell digunakan sebuah modul amplifier HX711 yang berfungsi untuk mengonversi
sinyal Analog to Digital Converter (ADC) pada load cell, dengan prinsip kerjanya yaitu mengkonversi
tekanan yang terukur dalam perubahan resistansi ke dalam besaran tegangan melalui rangkaian yang
ada13. Proses kalibrasi sensor load cell menggunakan metode regresi linier agar hasil pembacaan sensor
yang diperolah akurat. Sebelum melakukan kalibrasi sensor, perlu dilakukan perbandingan nilai keluaran
ADC pada modul amplifier HX711 dengan meletakkan beban di atas sensor load cell.
Pada penelitian ini digunakan beban berupa bandul kalibrasi 100 g sampai 500 g yang telah diketahui
massanya namun agar lebih akurat bandul kalibrasi tersebut ditimbang menggunakan timbangan
45
digital dan telah menunjukkan hasil pembacaan yang sesuai. Bandul kalibrasi tersebut kemudian diuji
menggunakan sensor load cell dengan cara meletakkan bandul tersebut di atas sensor kemudian data
hasil pengukuran massa akan ditampilkan pada serial monitor Arduino IDE. Berikut adalah data hasil
perbandingan nilai ADC pada modul amplifier HX711 terhadap beban yang digunakan, ditunjukkan oleh
Gambar 6. Persamaan garis linear yang diperoleh pada Gambar 6 yaitu, y = 0,22x kemudian dimasukkan
ke dalam pemrograman Arduino IDE yang telah dibuat, untuk dapat melakukan kalibrasi sensor load cell.
ADC HX711
120 Linear "ADC HX711"
100
80 y = 0,22x
ADC HX711 (volt)
R2 = 1
60
40
20
0
0 100 200 300 400 500
Alat Standar (g)
Gambar 6. Grafik perbandingan nilai keluaran ADC pada modul amplifier HX711 terhadap beban
Besaran yang ingin diukur adalah volume cairan infus maka perlu dilakukan konversi massa (g)
ke volume (mL) dengan alat pembanding yang digunakan adalah gelas ukur. Agar lebih akurat juga
dilakukan pengukuran menggunakan timbangan digital, di mana massa gelas ukur ditimbang terlebih
dahulu, kemudian dilakukan penimbangan gelas ukur yang telah berisi air. Cairan infus pada penelitian ini
diganti dengan air PDAM yang memiliki massa jenis 0,997 g/cm3. Volume cairan infus yang digunakan
pada penelitian ini adalah 500 mL, 400 mL, 300 mL, 200 mL, dan 100 mL. Hasil pembacaan sensor load
cell diperoleh tingkat rata-rata kesalahan pembacaan sensor sebesar 0,34%, dengan tingkat ketepatan
pembacaan sensor load cell sebesar 99,66%. Kesalahan pembacaan sensor load cell pada penelitian
ini disebabkan karena adanya pengaruh massa jenis air yaitu 0,997 gr/cm3, di mana massa (g) yang
terbaca oleh sensor load cell harus dikonversi ke dalam satuan volume (mL). Semakin kecil massa jenis
cairan yang digunakan maka hasil konversi volume cairan pada sensor load cell semakin besar. Begitu
pula sebaliknya, massa jenis air sebesar 1 g/cm3 digunakan maka menghasilkan pembacaan sensor
dengan akurasi 100%. Hasil pengukuran volume cairan infus pada sensor load cell dengan pembanding
gelas ukur jika digambarkan dalam sebuah grafik maka membentuk sebuah garis lurus, seperti yang
ditunjukkan pada Gambar 7.
46
Gambar 7. Grafik hasil pengukuran volume cairan infus di

sensor load cell dengan pembanding gelas ukur
3.2 Pengujian Volume Cairan Infus
Setelah dilakukan proses kalibrasi sensor load cell, tahap selanjutnya adalah melakukan pengujian
volume cairan infus yang dapat dipantau melalui aplikasi blynk yang terdapat pada smartphone. Cairan
infus dikeluarkan dari botol untuk diukur volumenya. Volume cairan infus yang digunakan pada tahap
pengujian ini adalah 500 mL, 450 mL, 400 mL, 350 mL, 300 mL, 250 mL, 200 mL, 150 mL, 100 mL,
dan hingga cairan infus tersisa 50 mL. Untuk pengukuran volume cairan infus dengan sensor load cell
digunakan alat pembanding, yaitu gelas ukur dan timbangan digital. Volume cairan infus diukur dengan
menggunakan gelas ukur setelah itu dilakukan pengukuran dengan menggunakan timbangan digital,
dimana massa gelas ukur ditimbang terlebih dahulu untuk mengetahui massanya.
Untuk mengkonversi nilai massa beban (g) yang terbaca oleh sensor load cell menjadi volume (mL),
maka pada pemrograman arduino IDE dimasukkan persamaan untuk mengonversi massa (g) ke volume
(mL), diasumsikan bahwa massa jenis cairan infus pada suhu 25°C adalah 0,997 g/cm3 seperti yang
terlihat pada persamaan 114.
massa ^g h
Volume ]mLg = (1)
0, 997 g/cm 3
Sensor load cell dengan modul HX711 membaca massa keseluruhan, yaitu botol yang berisi cairan infus
dan selang infus, agar hasil keluaran tidak hanya membaca massa keseluruhan maka pada pemrograman yang
telah dibuat pada Arduino IDE diatur sedemikian rupa agar volume cairan yang berada di dalam botol infus
juga terbaca. Untuk perhitungan pengurangan massa kemasan (botol infus dan selang infus) yang dimasukkan
ke dalam pemrograman Arduino IDE dapat dihitung dengan menggunakan persamaan 2 berikut ini15:
Selisih = hasil – nilai awal (2)
Dengan selisih adalah hasil pengukuran massa infus (g) yang akan dikonversi ke dalam satuan
volume (mL), hasil adalah nilai pembacaan sensor terhadap infus yang digantung pada load cell, dan
nilai awal adalah massa kemasan (botol cairan infus dan selang infus).
Pengujian volume cairan infus dilakukan sebanyak tujuh kali dengan membandingkan volume
cairan infus yang terbaca oleh alat yang telah terhubung ke aplikasi blynk dengan volume cairan infus
pada gelas ukur. Hasil pengujian volume cairan infus yang ditampilkan pada aplikasi blynk memiliki
tingkat keakuratan sebesar 99,65%, di mana pengonversian massa (g) cairan infus ke satuan volume
(mL) sedikit memengaruhi hasil pembacaan sensor load cell. Tingkat kesalahan pembacaan sensor
yang relatif kecil menunjukkan bahwasannya kondisi volume cairan infus dapat dipantau dengan baik
menggunakan aplikasi blynk. Hasil pengujian volume cairan infus pada aplikasi blynk jika digambarkan
pada sebuah grafik, membentuk garis linier seperti pada Gambar 8 berikut ini.
47
Volume Cairan Infus pada Gelas Ukur

Volume Cairan Infus pada Alat
Volume Cairan Infus pada Gelas Ukur (mL)

Linear Fit "Volume Cairan Infus
500 pada Gelas Ukur dan pada Alat"
400
y = -50x + 550
300 R2 = 1
y = -50,151x + 551,75
200 R2 = 1
100
0
0 2 4 6 8 10
Banyaknya Data (n)
Gambar 8. Grafik hasil uji volume cairan infus pada aplikasi blynk
3.3 Pengujian Notifikasi Pada Gawai dan Bunyi Buzzer
Pengujian ini dilakukan untuk mengetahui aktif atau tidaknya notifikasi status cairan yang akan
ditampilkan pada aplikasi blynk ketika cairan infus sudah hampir habis, dalam hal ini volume cairan
infus kurang dari 100 mL. Ketika cairan infus kurang dari 100 mL, maka buzzer akan berbunyi selama
3 detik dan pada gawai muncul notifikasi aplikasi blynk mengenai status kondisi cairan infus, seperti
yang terlihat pada Gambar 9.
Gambar 9. Notifikasi status cairan infus

Hasil pengujian volume cairan infus pada aplikasi blynk berhasil menampilkan notifikasi pada gawai
ketika volume cairan infus pada botol infus kurang dari 100 mL dengan notifikasi yang muncul adalah
“Infus hampir habis, segera lakukan penggantian infus!”. Selain itu buzzer juga berbunyi selama 3 detik
ketika volume cairan infus kurang dari 100 mL.
3.4 Pengujian Tampilan pada LCD
Selain status volume cairan infus ditampilkan pada aplikasi blynk, status volume cairan infus juga
ditampilkan pada LCD yang dapat menampilkan 20 karakter dalam 4 baris, agar pasien atau keluarga
pasien dapat mengetahui status volume cairan infus yang terpasang pada pasien dengan mudah. Tampilan
status volume infus pada LCD dapat dilihat pada Gambar 10.
48
(a) (b)
(c) (d)
(e) (f)
Gambar 10. Tampilan pada LCD
Gambar 10 merupakan tampilan pada LCD, setelah aplikasi blynk terhubung dengan pemrograman
yang telah dibuat maka pada LCD akan ditampilkan seperti pada gambar (a), (b), dan (c), gambar (d)
adalah tampilan kondisi massa dan volume cairan infus, gambar (e) adalah status cairan infus ketika
hampir habis, dan (f) adalah status cairan infus ketika terdapat darah yang naik pada selang infus.
4. KESIMPULAN
Perancanangan sistem pemantauan volume cairan infus terdiri atas dua bagian, yaitu perancangan
perangkat keras dan perangkat lunak dengan menggunakan aplikasi blynk. Untuk pengukuran
volume cairan infus menggunakan sensor load cell dengan modul HX711 yang dikendalikan dengan
mikrokontroler NodeMCU ESP8266 yang juga dilengkapi dengan modul WiFi sehingga dapat terhubung
ke jaringan internet. Dari pengujian sensor load cell diperoleh tingkat keakuratan pembacaan sensor
sebesar 99,66% sedangkan untuk pengujian pemantauan volume cairan infus dengan menggunakan
aplikasi blynk dengan cara membandingkan dengan volume cairan pada gelas ukur diperoleh tingkat
keakuratan sebesar 99,65%, yang menunjukkan bahwasanya pemantauan volume cairan infus dapat
dipantau dengan menggunakan aplikasi blynk, sehingga kondisi cairan infus dapat dipantau kapan saja
tanpa perlu melakukan pengecekan secara langsung pada kamar pasien.
DAFTAR PUSTAKA
1. Rjial, M. dan Khana, J. R. (2020). Rancang Bangun Sistem Pemantauan Pengendalian Cairan Infus
Melalui Display Kontrol dan Aplikasi Mobile di Masa Pandemic COVID-19. Ejournal Kajian
Teknik Elektro 5(1): 2502-8464.
2. Kominfo. Rata-rata Tiga Orang Meninggal Setiap Jam Akibat Kecelakaan Jalan. Diakses 02
Desember 2021. https://kominfo.go.id/index.php/content/detail/10368/rata-rata-tiga-orang-
meninggal-setiap-jam-akibat-kecelakaan-jalan/0/artikel_gpr#
49
3. Our World in Data. Penyakit Coronavirus (Covid 19). Diakses 02 Desember 2021. https://
ourworldindata.org/coronavirus-data.
4. Sardana, P., Kalra, M., and Sardana, A. (2019). Design, Fabrication, and Testing of an Internet
Connected Intravenous Drip Monitoring Device. Journal of Sensor and Actuator Networks 8(2):
1-20.
5. Sangeetha, K., Vishnuraja, P., Vijaya, K., Dinesh, Anandh, G., and Hariprakash. (2021). Smart
Intravenous Fluid Monitoring System. Annals of R.S.C.B 25(5): 199-209.
6. Oros, D., Penčić, M., Šulc, J., Čavić, M., Stankovski, S., Ostojić, G., and Ivanov, O. (2021). Smart
Intravenous Infusion Dosing System. Applied Sciences 11(513): 1-26.
7. Anagha, R., Ashwini, S., Keerthana, G., and Monica, M. (2020). IoT Based Intravenous Flow
Monitoring System. International Research Journal of Engineering and Technology (IRJET) 7(5):
7539-7543.
8. Keerthi, N. Y. S., Raju, A., Sowmya, M., and Krishna, B. (2020). Intravenous Infusion Monitoring
System. Internasional Journal for Recent Developments in Sciences & Technology 4(3): 39-42.
9. Ray, P. P. and Thapa, N. (2018). A Systematic Review on Real-Time Automated Measurement of IV
Fluid Level: Status and Challenges. Measurement 129: 343–348.
10. Ajeeth., Aravind., Chandrasekar., Gnanasekar., and Logesh. (2020). IV Fluid Monitor and Controller.
International Journal of Engineering Applied Sciences and Technology 5(4): 360-364.
11. Akbar, T. dan Gunawan, I. (2020). Prototype Sistem Monitoring Infus Berbasis IoT (Internet of
Things). Edumatic: Jurnal Pendidikan Informatika 4(2): 155-163.
12. Yusuf, I. M. (2016). Alat Pengisi Minyak Goreng Otomatis Berdasarkan Massa dan Volume
Menggunakan Load Cell Berbasis Arduino Mega 2560. Skripsi, Universitas Negeri Jakarta, Jakarta.
13. Fauziyyah, A. S. dan Yohandri. (2019). Rancang Bangun Alat Ukur Jumlah Tetes dan Volume Sisa
Cairan Infus dengan Warning System pada Sistem Monitoring Cairan Infus Berbasis Arduino. Pillar
of Physics 12:25-30.
14. Firmansyah, D. A., Firmansyah, V., Irwanto, D. A., Azzaluuly, A., dan Zulbahri, R. (2021).
Pembuatan Prototipe Instalasi Uji Meter Air Elektronik Tipe Vertikal Metode Gravimetrik dan
Pengaruh Kekeruhan Terhadap Akurasi Pengukuran. JIIF (Jurnal Ilmu dan Inovasi Fisika) 5(1):
25-40.
15. Lestariningsih, D., Prajonto, H., Agustine, L., Werdani, Y. D. W., dan Teja, B. (2021). Aplikasi Load
Cell untuk Sistem Monitoring Volume Cairan Infus. Jurnal Penelitian Saintek 26(2): 165-177.
50
Analisis Variasi Spasial dan Temporal

Tingkat Ancaman Bahaya Sambaran Petir
di Kabupaten Bone Tahun 2017-2021
Muh. Said L*1, Megawati2, Amirin Kusmiran3, Firdaus Muhidin4, Asriani5, Alamsyah6
1,2,3,5,6
Program Studi Fisika, Fakultas Sains dan Teknologi UIN Alauddin Makassar,
4
Badan Meteorologi Klimatologi dan Geofisika Stasiun Kabupaten Gowa
E-mail: *1muhammad.saidlanto@uin-alauddin.ac.id
Abstrak
Penelitian ini bertujuan untuk menganalis variasi spasial dan temporal tingkat ancaman bahaya sambaran
petir Cloud to Ground (CG) tahun 2017-2021 di Kabupaten Bone menggunakan Quantum GIS (QGIS).
Pengolahan data dengan menggunakan software QGIS. Parameter yang diteliti adalah data sambaran
petir dan data luas wilayah di Kabupaten Bone. Hasil penelitian menunjukkan bahwa variasi spasial
dan temporal tingkat ancaman sambaran petir dengan tingkat ancaman sambaran petir tinggi adalah
Kecamatan Bontocani pada Tahun 2017, Kecamatam Tanete Riattang Timur pada Tahun 2018 dan
Kecamatan Bontocani pada Tahun 2019. Tingkat ancaman sambaran petir sedang pada tahun 2017
adalah Kahu, Salomekko, Kajuara, dan Kecamatan Patimpeng. Pada Tahun 2018 adalah Kecamatan
Kahu dan Kecamatan Salomekko. Pada Tahun 2019 adalah Kecamatan Kahu dan Kecamatan Patimpeng
serta kecamatan lainnya termasuk dalam klasifikasi tingkat ancaman bahaya sambaran petir sedang.
Kata Kunci: Variasi spasial dan temporal, Quantum GIS, sambaran petir,
1. PENDAHULUAN
Quantum GIS (QGIS) adalah suatu aplikasi Sistem Informasi Geografis (SIG) dengan sumber
terbuka dan lintas platform yang dapat dijalankan dalam sistem operasi termasuk Linux. Aplikasi ini
menyediakan semua fungsionalitas dan fitur-fitur yang dibutuhkan oleh pengguna Sistem Informasi
Geografis (SIG). Menggunakan plugins dan fitur inti memungkinkan untuk memvisualisasikan
pemetaan lalu diedit dan dicetak menjadi peta yang lengkap. Pengguna dapat menggabungkan datanya
untuk dianalisa, diedit dan dikelola sesuai dengan kebutuhannya. Dalam QGIS, penyusunan kerja dibuat
dengan menggunakan project. File project selanjutnya mengandungi semua dokumen yang digunakan
untuk menghasilkan kerja. Dalam aplikasi ini terdapat tiga jenis dokumen yang disediakan: Maps, Tabel
Atribut dan Composer1.
Penelitian mengenai pemanfaatan QGIS telah banyak dilakukan sebelumnya. Penelitian
terkait SIG tentang daerah rawan banjir untuk wilayah kota Medan. SIG ini telah dimanfaatkan
dalam menvisualisasikan bencana. Aplikasi tersebut dimanfaatkan dalam memasukkan, mengolah,
menganalisis, dan menyimpan data yang bersifat geospasial. Sistem ini berfungsi untuk memudahkan
pengguna dengan cara menelusuri daerah mapping dan menvisualisasikan warna QGIS untuk wilayah
banjir di kota Medan1. Dalam pendekatan user-centered design tujuan penelitian ini yakni dengan cara
melakukan sistem banding antara aplikasi QGIS dan ArcGIS. Pada usability testing ditunjukkan aspek
effectiveness. Pada QGIS untuk fungsi (intersect, buffer, dissolve, merge dan union) sedangkan pada
ArcGIS hanya terdapat tingkat kemampuan pada fungsi clip saja. Sedangkan untuk tingkat efficiencyrc,
ArcGis untuk fungsi (clip, intersect, dan dissolve) sedangkan pada QGIS lebih tinggi untuk fungsi
(buffer, merger dan union)2.
Fenomena alam misalnya petir sangat berbahaya disebabkan setiap kali petir menyambar keluaran
energi besarnya dapat mencapai sampak jutaan volt. Peristiwa terjadinya petir terkhusus pada CG selalu
berkaitan pada aktivitas makhluk hidup sehingga sangat memungkinkan petir mampu menjadikan
material juga sampai pada terjadinya kemusnahan3. Sekecil apapun intensitas terjadinya petir dalam suatu
wilayah, akan tetap dapat mengancam kehidupan manusia disebabkan karena seluruh aktivitas makhluk
51
hidup di Bumi, CG sangat berbahaya dan dapat menjadi ancaman bagi seluruh masyarakat4. Sambaran
petir untuk kajian kerapatan sambaran petir ini adalah CG yang dapat menyambar di permukaan tanah.
Manusia dengan berbagai aktivitasnya ada di bumi, mengakibatkan hal ini dianggap sangat bahaya dan
bersifat mengancam.
Kerapatan sambaran petir dapat dihitung berdasarkan luas wilayah yang dibagi dari jumlah sambaran.
Semakin tinggi kerapatannya maka semakin banyak dan sering pula sambaran petir di lokasi tersebut
terjadi. Kerapatan petir beserta faktor-faktor yang memengaruhi apabila diketahui dapat dihindari
dengan meninggalkan lokasi tersebut guna mencegah terjadinya kerugian yang dapat disebabkan oleh
sambaran petir5.
Sambaran petir dapat menyerang secara langsung atau tidak langsung pada suatu kesempatan.
Sambaran petir langsung dapat menyebabkan kerusakan signifikan pada benda yang terkena dampak,
dan dalam kasus spesies hidup, bahkan dapat mengakibatkan kematian, karena sebuah sambaran yang
mengarah ke fasa dan konduktor pendukung dikenal sebagai sambaran langsung (kutub). Hal ini
disebabkan meningkatnya kemungkinan sambaran petir yang menyambar fase konduktor. Sedangkan
sambaran tidak langsung terjadi pada saat sambaran petir di dekat sistem kelistrikan, sambaran dari awan
ke bumi merupakan salah satu sambaran petir yang terjadi. Namun, jika dibandingkan dengan saluran
tegangan tinggi, sambaran petir ini biasanya memiliki dampak yang lebih besar pada saluran menengah-
menengah. Medan elektromagnetik dibuat sebagai akibat dari pemogokan, yang dapat menyebabkan
tegangan diinduksi dalam saluran sistem5.
Berdasarkan penelitian yang mengkaji tentang analisis spasial dan temporal kejadian petir CG di
wilayah Kabupaten Gowa, Sulawesi Selatan. Berikut persamaan untuk memperkirakan jumlah sambaran
petir dan menentukan nilai kerapatannya, dapat dilihat pada persamaan (1) dan (2)3:
x (1)
d= Awil
dengan d adalah nilai kerapatan sambaran petir, x adalah jumlah sambaran perbulan dan Awil adalah
luas wilayah. Dalam menentukan tingkat ancaman sambaran petir tiap kecamatan dibagi menjadi tiga
tingkatan yaitu tinggi, sedang dan rendah. Interval tiap tingkatan dihitung berdasarkan persamaan
statistik yaitu:
Dd (2)
I Ancaman = 3
Keterangan:
IAncaman= Interval tiap tingkatan kerentanan sambaran petir.
∆d = Rentang nilai kerapatan sambaran petir.
Pada penelitian ini mengkaji tingkat ancaman bahaya sambaran petir CG tahun 2017-2021 di
Kabupaten Bone. Tujuan penelitian ini untuk menganalis variasi spasial dan temporal tingkat ancaman
bahaya sambaran petir CG Tahun 2017-2021 di Kabupaten Bone menggunakan QGIS. Diprediksi bahwa
tingkat ancaman bahaya sambaran petir di Kabupaten Bone dapat dipetakan dengan menggunakan
aplikasi QGIS.
2. BAHAN DAN METODE

Penelitian ini telah dilaksanakan pada bulan Desember 2021 – April 2022 di Badan Meteorologi
Klimatologi dan Geofisika (BMKG) Stasiun Geofisika Kabupaten Gowa. Lokasi yang menjadi objek
penelitian adalah wilayah Kabupaten Bone yang memiliki luas wilayah 4.559 km2. Alat dan bahan yang
digunakan yaitu komputer PC, software Microsoft Excel 2010, software QGIS, software DB3 nexstorm
data converter, software lightning data processing.
Teknik pengambilan data dilakukan yaitu: pertama, data sambaran petir dan titik koordinat tiap
kecamatan diperoleh dari BMKG Stasiun Geofisika Gowa dengan merekam data petir secara real-time
menggunakan sensor Lightening Detector selama 24 jam. Data petir tersebut merupakan data setiap
kejadian petir yang terjadi dalam satu hari. Data petir tersebut merupakan data petir dengan tipe petir
awan menuju tanah dan termasuk di dalamnya yaitu tipe CG+ dan CG. Kedua yaitu data luas wilayah
52
yang diperoleh dari buku Bone dalam angka 2022. Selanjutnya melakukan konversi data petir yaitu
awalnya data petir dengan format *.db3 dirubah menjadi format *.csv dengan DB3 nexstrom data
converter, selanjutnya .data dengan format *.csv dirubah menjadi format *.xls. Kemudian mengolah data
petir dan data luas wilayah dengan menggabungkan dalam aplikasi QGIS. Mengklasifikasikan zonasi
wilayah rawan sambaran petir berdasarkan yang tertinggi sampai yang terendah di setiap kecamatan
Kabupaten Bone.

Variasi spasial berhubungan dengan ruang yaitu kecamatan di wilayah Kabupaten Bone dan variasi
temporal berhubungan dengan waktu, yaitu tahun berdasarkan tingkat ancaman sambaran petir tertentu.
Penentuan tingkat ancaman sambaran petir berkaitan dengan nilai kerapatan sambaran petir di suatu
daerah. Untuk memperoleh tingkat ancaman sambaran petir per tahun maka dilakukan dengan membagi
jumlah sambaran petir terhadap luas wilayah per kecamatan. Semakin tinggi nilai kerapatan sambaran
petir pada suatu wilayah maka dapat dikategorikan wilayah tersebut memiliki tingkat ancaman sambaran
petir yang lebih tinggi.
Berdasarkan hasil pengolahan data maka variasi spasial dan temporal tingkat ancaman sambaran
petir per kecamatan di wilayah Kabupaten Bone: tingkat ancaman sambaran petir rendah dengan nilai
kerapatan sambaran petir kurang dari 9 sambaran per km2, tingkat ancaman sedang dengan nilai kerapatan
sambaran petir antara 9 sampai dengan 18 sambaran per km2, dan tingkat ancaman tinggi dengan nilai
kerapatan sambaran petir lebih dari 18 sambaran per km2. Berikut dapat dilihat pada Tabel 1:
Tabel 1. Variasi spasial dan temporal tingkat ancaman sambaran
petir per kecamatan di wilayah Kabupaten Bone
Luas Tingkat Ancaman Bahaya Sambaran Petir Pertahun
No Kecamatan Wilayah
(km²) 2017 2018 2019 2020 2021
1 Kahu 189,5 Sedang Sedang Sedang Rendah Rendah
2 Dua boccoe 144,9 Rendah Rendah Rendah Rendah Rendah
3 Lamuru 208 Rendah Rendah Rendah Rendah Rendah
4 Kajuara 124,13 Sedang Rendah Rendah Rendah Rendah
5 Cenrana 143,6 Rendah Rendah Rendah Rendah Rendah
6 Bontocani 463,35 Tinggi Rendah Tinggi Rendah Rendah
7 Cina 147,5 Rendah Rendah Rendah Rendah Rendah
8 Bengo 164 Rendah Rendah Rendah Rendah Rendah
9 Amali 119,13 Rendah Rendah Rendah Rendah Rendah
10 Ajangale 139 Rendah Rendah Rendah Rendah Rendah
11 Barebbo 114,2 Rendah Rendah Rendah Rendah Rendah
12 Awangpone 110,7 Rendah Rendah Rendah Rendah Rendah
13 Sibulue 155,8 Rendah Rendah Rendah Rendah Rendah
14 Salomekko 84,91 Sedang Sedang Rendah Rendah Rendah
15 Tellu limpoe 318,1 Rendah Rendah Rendah Rendah Rendah
16 Tanete riattang timur 48,88 Rendah Tinggi Rendah Rendah Rendah
17 Tanete riattang barat 53,68 Rendah Rendah Rendah Rendah Rendah
18 Tanete riattang 23,79 Rendah Rendah Rendah Rendah Rendah
19 Patimpeng 130,47 Sedang Rendah Sedang Rendah Rendah
20 Palakka 115,32 Rendah Rendah Rendah Rendah Rendah
53
Luas Tingkat Ancaman Bahaya Sambaran Petir Pertahun

No Kecamatan Wilayah
(km²) 2017 2018 2019 2020 2021
21 Ponre 293 Rendah Rendah Rendah Rendah Rendah
22 Mare 263,5 Rendah Rendah Rendah Rendah Rendah
23 Libureng 344,25 Rendah Rendah Rendah Rendah Rendah
24 Lappariaja 138 Rendah Rendah Rendah Rendah Rendah
25 Tonra 200,32 Rendah Rendah Rendah Rendah Rendah
26 Ulaweng 161,67 Rendah Rendah Rendah Rendah Rendah
27 Tellu siattinge 159,3 Rendah Rendah Rendah Rendah Rendah
Variasi spasial dan temporal pada tahun 2017 dengan tingkat ancaman bahaya sambaran petir
tertinggi berada pada Kecamatan Bontocani. Kecamatan Bontocani dari jumlah sambarannya
memang sangat tinggi. Selain itu Kecamatan Bontocani jika dilihat dari kondisi wilayahnya selain
sebagai kecamatan terluas di Kabupaten Bone, kecamatan ini juga termasuk dalam kawasan karst
dan kawasan hutan besar dengan kelembaban serta curah hujan yang tinggi. Sebagaimana pada
penelitian yang mengkaji analisis kerapatan sambaran petir di Kawasan Karst Nasional Bantimurung
Bulusaraung6. Bahwa wilayah karst cenderung menimbulkan awan-awan konvektif. Pada dasarnya
hujan akan terjadi jika terjadi proses pertumbuhan awan. Selain itu, peran awan dalam siklus air di
muka bumi sangat penting. Awan-awan yang sering menghasilkan hujan yaitu awan cumulunimbus
yang mana pertumbuhan awannya vertikal (tinggi menjulang) atau biasa disebut awan konvektif.
Tingkat ancaman bahaya sambaran petir sedang berada pada Kecamatan Kahu, Kajuara, Salomekko
dan Patimpeng. Kecamatan tersebut jika dilihat dari segi infrastrukturnya masih dalam tahap sedang
berkembang. Penelitian lain telah mengkaji analisis pemetaan daerah rawan petir dengan menggunakan
metode Simple Additive Weighting (SAW) di Surabaya menyatakan bahwa tingkat kerawanan sebuah
wilayah terhadap sambaran petir juga didasarkan pada seberapa padat populasi penduduknya dan
padatnya bangunan atau pertumbuhan infrastrukturnya7.
Penelitian tentang peran kecamatan sebagai institusi intermediary antara desa dengan kabupaten
yang menyatakan bahwa dalam kurun 5 (lima) tahun terakhir kondisi pembangunan masih menuai
masalah seperti ketimpangan antar desa dan penyebaran penduduk antar kecamatan yang kurang merata.
Adapun gambaran umum lokasi penelitian berada pada Kecamatan Kajuara, bagian sebelah utara
berbatasan dengan Kecamatan Salomekko, dan bagian barat berbatasan dengan Kecamatan Kahu. Dan
Kecamatan Patimpeng berdasarkan bone dalam angka 2022 mengemukakan bahwa bangunan dalam
hal ini sekolah khususnya yang berada di bawah kementerian pendidikan dan kebudayaan menurut
kecamatan di Kabupaten Bone, kecamatan ini masih terhitung rendah dibandingkan kecamatan lainnya.
Dan tingkat ancaman bahaya sambaran petir rendah berada pada Kecamatan Dua Boccoe, Lamuru,
Cenrana, Cina, Bengo, Amali, Ajangale, Barebbo, Awangpone, Sibulue, Salomekko, Tellu Limpoe,
Tanete Riattang Timur, Tanete Riattang Barat, Tanete Riattang, Palakka, Ponre, Mare, Libureng,
dan Lappariaja. Kecamatan tersebut jika dilihat dari segi infrastrukturnya masih dalam tahap sedang
berkembang berdasarkan bone dalam angka 20228.
Variasi spasial dan temporal pada tahun 2018 tingkat ancaman bahaya sambaran petir tertinggi berada
pada Kecamatam Tanete Riattang Timur. Tanete Riattang Timur dapat dilihat dari jumlah penduduknya
sebagai kecamatan dengan kepadatan penduduk tertinggi. Selain itu dapat dilihat dari berkembangnya
beberapa infrastruktur yang ada di Kabupaten Bone pada kecamatan ini. Tingkat ancaman bahaya
sambaran petir sedang berada pada Kecamatan Kahu dan Kecamatan Salomekko. Kedua kecamatan
ini berdasarkan jumlah sambaran petirnya terhitung tinggi, namun untuk mengkaji tingkat ancaman
bahayanya hal yang ikut dipertimbangkan adalah luas wilayahnya. Dan tingkat ancaman bahaya
sambaran petir rendah berada pada Kecamatan Dua Boccoe, Lamuru, Kajuara, Cenrana, Bontocani,
Cina, Bengo, Amali, Ajangale, Awangpone, Sibulue, Salomekko, Tellu Limpoe, Tanete Riattang Barat,
54
Tanete Riattang, Patimpeng, Palakka, Ponre, dan Tonra. Kecamatan tersebut jika dilihat dari segi
infrastrukturnya masih dalam tahap sedang berkembang berdasarkan bone dalam angka 2022.
Variasi spasial dan temporal pada tahun 2019 tingkat ancaman bahaya sambaran petir tertinggi
berada pada Kecamatan Bontocani. Kecamatan Bontocani dari jumlah sambarannya memang sangat
tinggi. Selain itu Kecamatan Bontocani jika dilihat dari kondisi wilayahnya selain sebagai kecamatan
terluas di Kabupaten Bone, kecamatan ini juga termasuk dalam kawasan karst dan kawasan hutan besar
dengan kelembaban serta curah hujan yang tinggi. Penelitian yang mengkaji tentang analisis kerapatan
sambaran petir di Kawasan Karst Nasional Bantimurung Bulusaraung dihasilkan bahwa wilayah karst
cenderung menimbulkan awan-awan konvektif6. Pada dasarnya hujan akan terjadi jika terjadi proses
pertumbuhan awan. Selain itu, peran awan dalam siklus air di muka bumi sangat penting. Awan-awan
yang sering menghasilkan hujan yaitu awan cumulunimbus yang mana pertumbuhan awannya vertikal
(tinggi menjulang) atau biasa disebut awan konvektif.
Tingkat ancaman bahaya sambaran petir sedang berada pada Kecamatan Kahu dan Kecamatan
Patimpeng. Kedua kecamatan ini berdasarkan jumlah sambaran petirnya terhitung tinggi, namun untuk
mengkaji tingkat ancaman bahayanya hal yang ikut dipertimbangkan adalah luas wilayahnya. Selain
itu, Kecamatan Patimpeng berdasarkan bone dalam angka 2022 mengemukakan bahwa bangunan
dalam hal ini sekolah khususnya yang berada di bawah kementerian pendidikan dan kebudayaan
menurut kecamatan di Kabupaten Bone, kecamatan ini masih terhitung rendah dibandingkan kecamatan
lainnya. Dan tingkat ancaman bahaya sambaran petir rendah berada pada Kecamatan Dua Boccoe,
Lamuru, Kajuara, Cenrana, Cina, Bengo, Amali, Ajangale, Barebbo, Awangpone, Sibulue, Salomekko,
Tellu Limpoe, Tanete Riattang Timur, Tanete Riattang Barat, Tanete Riattang, Palakka, Ponre, Mare,
Libureng, Lappariaja, Tonra, Ulaweng dan Tellu Siattinge. Kecamatan tersebut jika dilihat dari segi
infrastrukturnya masih dalam tahap sedang berkembang berdasarkan bone dalam angka 2022.
Variasi spasial dan temporal pada tahun 2020-2021 tingkat ancaman bahaya sambaran petir dengan
kategori rendah pada setiap kecamatan di Kabupaten Bone. Hal pokok yang berpengaruh besar dalam
tingginya suatu kerapatan petir adalah tingginya jumlah sambaran serta luas daerah pada wilayah itu.
Berdasarkan jumlah sambaran yang diketahui pada tahun 2020, tahun ini mengalami jumlah sambaran
yang cukup sedikit dibandingkan tiga tahun sebelumnya sehingga kerapatan petir tahun ini juga menjadi
rendah. Selain itu, berdasarkan perbandingan bone dalam angka 2020 dan 2021 diterangkan bahwa
keadaan iklim seperti suhu dan kelembaban yang ada di Kabupaten Bone khususnya dari tahun 2019
jauh lebih tinggi dibandingkan tahun 2020.
Pada Tabel 1 dapat dilihat adanya variasi spasial dan temporal tingkat ancaman sambaran petir.
Berdasarkan hasil perhitungan, daerah dengan tingkat ancaman sambaran petir tinggi adalah Kecamatan
Bontocani pada Tahun 2017, Kecamatan Tanete Riattang Timur pada Tahun 2018 dan Kecamatan
Bontocani pada Tahun 2019. Hal ini didukung dalam penelitian yang mengkaji analisis kerapatan
sambaran petir di Kawasan Karst Nasional Bantimurung Bulusaraung, bahwa wilayah karst cenderung
menimbulkan awan-awan konvektif6. Juga penelitian yang mengkaji Kecamatan Bontocani 1960-1979
menyatakan bahwa Kecamatan Bontocani memiliki curah hujan dan kelembapan yang tinggi9. Kajian
lain pada penelitian yang tentang analisis pemetaan daerah rawan petir dengan menggunakan metode
SAW di Surabaya menyatakan bahwa dengan tingginya kelembapan udara dan curah hujan maka
wilayah tersebut akan berpotensi menghasilkan petir7. Selain didasarkan pada jumlah kejadian petirnya,
tingkat kerawanan petir juga didasarkan pada seberapa padat populasi penduduk dan padatnya bangunan
atau pertumbuhan infrastruktur di wilayah tersebut.
4. KESIMPULAN
Variasi spasial dan temporal tingkat ancaman sambaran petir dengan tingkat ancaman sambaran
petir tinggi adalah Kecamatan Bontocani pada Tahun 2017, Kecamatam Tanete Riattang Timur pada
Tahun 2018 dan Kecamatan Bontocani pada Tahun 2019. Tingkat ancaman sambaran petir sedang pada
tahun 2017 adalah Kahu, Salomekko, Kajuara, dan Kecamatan Patimpeng. Pada tahun 2018 adalah
55
Kecamatan Kahu dan Kecamatan Salomekko. Pada tahun 2019 adalah Kecamatan Kahu dan Kecamatan
Patimpeng. Dan kecamatan lainnya termasuk dalam klasifikasi tingkat ancaman bahaya sambaran petir
sedang. Setelah melakukan penelitian ini maka implikasi pada penelitian selanjutnya yaitu menggunakan
data tahun berikutnya sebagai pembanding dari tahun sebelumnya dengan mempertimbangkan kondisi
wilayah, serta memanfaatkan QGIS dalam menganalisis potensi sambaran petir intercloud (IC), cloud
to cloud (CC), dan cloud to air (CA).
UCAPAN TERIMA KASIH

Pada penelitian ini diucapkan terimakasih kepada Pimpinan Instansi Badan Meteorologi Klimatologi
dan Geofisika Stasiun Kabupaten Gowa dan Bapak Firdaus Muhidin, S.Si. yang telah terlibat sebagai
Pembimbing dalam proses penelitian ini.
DAFTAR PUSTAKA
1. S. Winardi, C. Charles, S. Steven, R. A. Azis, dan A. Halim. (2019). Sistem Informasi Geografis
Daerah Rawan Banjir Untuk Wilayah Kota Medan, Jurnal SIFO Mikroskil. vol. 20, no. 1, hlm.
93–104.
2. F.N. Hawi, F. Ramdani, dan R.A. Rokhmawati. (2018). Evaluasi Tampilan Antarmuka QGIS Dan
ArcGIS Menggunakan Pendekatan User-Centered Design (UCD): Studi Kasus Fungsi Geoprocessing
Tools. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 9, hlm. 2850-
2857.
3. E. Susanto. (2018). Penentuan Daerah Rawan Bencana Sambaran Petir di Wilayah Kabupaten dan
Kota Bandung Jawa Barat. JIIF (Jurnal Ilmu dan Inovasi Fisika), vol. 2, no. 2, hlm. 137–144.
4. M. L. Firdaus, N. Nasiah, dan U. Uca. (2021). Studi Spasiotemporal Sambaran Petir Cloud to Ground
di Kabupaten Gowa Tahun 2017-2019. JES, vol. 3, no. 2.
5. A.P. Putri. (2019). Analisis Spasial Kerapatan Sambaran Petir di Wilayah Kabupaten Kulonprogo,
Daerah Istimewa Yogyakarta Tahun 2012 – 2016. Skripsi, Surakarta: Fakultas Geografi Unismuh
Surakarta.
6. R. Hardiana dan M. Arsyad. (2020). Analisis Kerapatan Sambaran Petir di Kawasan Karst Taman
Nasional Bantimurung Bulusaraung. Seminar Nasional Fisika Program Pascasarjana UNM, hlm.
98-101.
7. S. Umaya. (2017). Analisis Pemetaan Daerah Rawan Petir dengan Menggunakan Metode Simple
Additive Weighting (SAW) di Wilayah Surabaya. Inovasi Fisika Indonesia (IFI), vol. 6, no. 3, hlm.
25–32.
8. Sumardi. (2016). Peran Kecamatan sebagai Institusi Intermediary antara Desa dengan Kabupaten
(Studi Kasus Kecamatan Kajuara, Kabupaten Bone). Skripsi, Sinjai: STISP Muhammadiyah Sinjai.
9. A. Isfar, Asmunandar, dan Bustan. (2021). Kecamatan Bontocani, 1960-1979. Attoriolog Jurnal
Pemikiran Kesejarahan dan Pendidikan Sejarah, vol. 19, no. 2, hlm. 51-67.
56
Efektivitas Model Pembelajaran Inkuiri

Pokok Bahasan Dinamika Gerak pada
Siswa Kelas X MIPA 7 MAN Pinrang
Rosita Rosita*1, Hasni Hasni2
1,2
Program Studi Pendidikan Fisika, STKIP Darud Da’wah wal Irsyad Pinrang
E-mail: *1rositaabnur@stkipddipinrang.ac.id
Abstrak
Penelitian ini bertujuan untuk mengetahui penerapan model pembelajaran inkuiri untuk pokok bahasan
dinamika gerak pada siswa kelas X MIPA 7 MAN Pinrang dan mengetahui hasil belajar fisika setelah
menggunakan penerapan model pembelajaran inkuiri untuk pokok bahasan gerak dinamika pada siswa
kelas X MIPA 7 MAN Pinrang. Penelitian ini merupakan penelitian eksperimen semu tanpa kontrol.
Teknik pengambilan sampel dilakukan secara simple random sampling dengan memilih kelas X MIPA
7 dengan jumlah siswa sebanyak 30 orang. Instrumen pengumpulan data terdiri atas tes hasil belajar
fisika berbentuk essay 5 nomor soal yang digunakan untuk mengukur tingkat penguasaan siswa terhadap
materi dinamika gerak, lembar observasi keterlaksanaan RPP, angket respon siswa yang diberikan
sebelum dan sesudah proses pembelajaran dengan menggunakan model pembelajaran inkuiri. Teknik
pengambilan data adalah dengan observasi, angket, dan tes. Analisis data dilakukan dengan teknik
analisis kuantitatif, analisis kualitatif dan analisis statistik inferensial yaitu untuk menguji hipotesis
penelitian. Hasil penelitian menunjukkan bahwa penerapan model pembelajaran inkuiri untuk pokok
bahasan dinamika gerak, efektif digunakan pada siswa kelas X MIPA 7 MAN Pinrang dan hasil belajar
siswa pada materi dinamika gerak sesudah diterapkan model pembelajaran inkuiri berada pada kategori
tinggi dengan skor rata-rata sebesar 83,33 dengan ketuntasan sebesar 86,7%.
Kata Kunci: Dinamika gerak; efektivitas; model pembelajaran Inkuiri.
1. PENDAHULUAN
Belajar fisika bagi para siswa juga merupakan pembentukan pola pikir dalam pemahaman suatu pengertian
maupun dalam penalaran suatu hubungan diantara pengertian-pengertian itu. Dalam pembelajaran fisika
para siswa dibiasakan untuk memperoleh pemahaman melalui pengalaman tentang sifat-sifat yang dimiliki
dan tidak dimiliki dari sekumpulan objek (abtraksi). Banyak anak-anak yang setelah belajar fisika bagian
sederhana sekalipun, banyak hal yang tidak dipahaminya, banyak konsep yang dipahami secara keliru. Hal
tersebut terjadi karena siswa belajar fisika hanya menerima saja konsep yang matang tanpa berpikir untuk
memahami bagaimana konsep tersebut terbentuk. Hal ini berpengaruh pada proses belajar siswa yang kurang
bermakna. Maka, siswa perlu memonitor proses belajar dan berpikirnya, dan pada saat itu juga mereka
membuat perubahan dan adaptasi strategi ketika menyadari bahwa apa yang dilakukanya tidak benar.
Berdasarkan hasil pengamatan dan pengalaman selama ini, siswa kurang aktif dalam kegiatan
pembelajaran fisika. Siswa cenderung tidak begitu tertarik dengan pelajaran fisika karena selama ini
pelajaran fisika dianggap sebagai pelajaran yang sulit sehingga menyebabkan rendahnya hasil belajar
fisika dan tingkat pemahaman siswa di Sekolah. Permasalahan tersebut juga terjadi pada siswa kelas X
MIPA di Madrasah Aliyah Negeri Pinrang.
Keberhasilan pembelajaran dalam arti tercapainya standar kompetensi, sangat bergantung pada kemampuan
guru mengolah pembelajaran yang dapat menciptakan situasi yang memungkinkan siswa belajar sehingga
merupakan titik awal berhasilnya pembelajaran. Dengan adanya model pembelajaran inkuiri diharapkan dapat
mengoptimalkan kerja otak siswa sehingga proses pembelajaran bermakna. Apabila pengalaman pertama dalam
pembelajaran fisika siswa berkesan, diharapkan siswa senang dan respons terhadap fisika. Sedangkan apabila
pengalaman pertama yang buruk akan pembelajaran fisika, dalam artian siswa sudah tidak ada rasa senang dan
merasa kesulitan, ada kemungkinan siswa tidak akan senang terhadap fisika.
57
Berdasarkan uraian sebelumnya, hal itu menjadi dasar penelitian dengan judul “Efektifitas Model
Pembelajaran Inkuiri Pokok Bahasan Dinamika Gerak Pada Siswa Kelas X MIPA 7 MAN PINRANG”
dilakukan. Penelitian ini bertujuan untuk: mengetahui penerapan model pembelajaran inkuiri untuk
pokok bahasan dinamika gerak pada siswa kelas X MIPA 7 MAN Pinrang, mengetahui hasil belajar
fisika setelah menggunakan penerapan model pembelajaran inkuiri untuk pokok bahasan gerak dinamika
pada siswa kelas X MIPA 7 MAN Pinrang.
Pembelajaran dengan menggunakan model inkuiri dalam pembelajaran fisika diharapkan dapat
memberikan kemudahan bagi siswa untuk mengaplikasikan pengetahuannya dalam kehidupan sehari-
hari. Hasil belajar fisika siswa adalah skor perolehan siswa setelah mengikuti proses pembelajaran dengan
menggunakan model pembelajaran inkuiri. Metode inkuiri yang mensyaratkan keterlibatan aktif siswa
terbukti dapat meningkatkan prestasi belajar dan sikap anak terhadap MIPA. Metode inkuiri membantu
perkembangan antara lain scientific literacy dan pemahaman proses-proses ilmiah, pengetahuan vocabulary
dan pemahaman konsep, berpikir kritis, dan bersikap positif1. Walaupun dalam praktiknya aplikasi
metode pembelajaran inkuiri sangat beragam, tergantung pada situasi dan kondisi sekolah, namun dapat
disebutkan bahwa pembelajaran dengan metode inkuiri memiliki 4 komponen yang umum yaitu Question,
Student Engangement, Cooperative Interaction, Performance Evaluation2. Model pembelajaran inkuiri
memiliki kelebihan tertentu. Kelebihan model pembelajaran inkuiri yang dikemukakan oleh Bruner3 yaitu:
model pembelajaran inkuiri meningkatkan potensi intelektual siswa. Hal ini dikarenakan siswa diberi
kesempatan untuk mencari dan menemukan sendiri jawaban dari permasalahan yang diberikan dengan
pengamatan dan pengalaman sendiri; Siswa memperoleh pengetahuan yang bersifat penyelidikan karena
terlibat langsung dalam proses penemuan; Belajar melalui inkuiri dapat memperpanjang proses ingatan.
Pengetahuan yang diperoleh dari hasil pemikiran sendiri akan lebih mudah diingat; Belajar dengan inkuiri,
siswa dapat memahami konsep-konsep MIPA dan ide-ide dengan baik; Pengajaran menjadi terpusat pada
siswa, salah satu prinsip psikologi belajar menyatakan bahwa semakin besar keterlibatan siswa dalam
proses pembelajaran, maka semakin besar pula kemampuan belajar siswa tersebut. Dalam pembelajaran
inkuiri tidak hanya ditujukan untuk belajar konsep-konsep dan prinsip-prinsip saja tetapi juga belajar
pengarahan diri sendiri, tanggung jawab, komunikasi dan sebagainya.
Tabel 1. Sintaks model pembelajaran inkuiri
Tahap Tingkah Laku Guru
Tahap 1 Guru menyajikan kejadian-kejadian atau fenomena
Observasi untuk menemukan masalah yang memungkinkan siswa menemukan masalah
Tahap 2 Guru membimbing siswa merumuskan masalah
Merumuskan masalah penelitian berdasarkan kejadian dan fenomena
yang disajikannya
Tahap 3 Guru membimbing siswa untuk mengajukan
Mengajukan hipotesis hipotesis terhadap masalah yang telah
dirumuskannya
Tahap 4 Guru membimbing siswa untuk merencanakan
Merencanakan pemecahan masalah (melalui pemecahan masalah, membantu menyiapkan
eksperimen atau cara lain) alat dan bahan yang diperlukan dan menyusun
prosedur kerja yang tepat.
Tahap 5 Selama siswa bekerja, guru membimbing dan
Melaksanakan eksperimen (atau cara pemecahan memfasilitasi
masalah yang lain)
Tahap 6 Guru membantu siswa melakukan pengamatan
Melakukan pengamatan dan pengumpulan data tentang hal-hal yang penting dan membantu
mengumpulkan dan mengorganisasi data
58
Tahap Tingkah Laku Guru

Tahap 7 Guru membantu siswa menganalisis data supaya
Analisis data menemukan suatu konsep
Tahap 8 Guru membimbing siswa mengambil kesimpulan
Penarikan kesimpulan dan penemuan berdasarkan data dan menemukan sendiri konsep
materi
Dinamika gerak membahas tentang gaya. Gaya adalah besaran yang memiliki arah, misalnya, arah
gaya berat ke bawah. Gaya untuk menggeserkan meja arahnya mendatar. Gaya adalah besaran vektor.
Untuk menjumlahkan dan mengurangkan gaya berlaku aturan-aturan vektor. Demikian pula halnya
dengan pengurainan gaya menjadi komponen-komponennya. Jumlah gaya disebut resultan gaya-gaya
yang dijumlahkan itu. Dalam dinamika gerak terdapat tiga Hukum Newton yang berlaku serta komponen
gerak vertikal, yakni sebagai berikut:
Hukum I Newton berbunyi “Sebuah benda dalam keadaan diam atau tidak bergerak dengan kecepatan
konstan akan tetap diam atau akan terus bergerak dengan kecepatan konstan, kecuali ada gaya eksternal
yag berkerja pada benda tersebut”. Kecenderungan ini digambarkan dengan mengatakan bahwa benda
mempunyai kelembaman. Secara matematis Hukum I Newton dapat dituliskan sebagai berikut:
∑F = 0 (1)
Hukum II Newton berbunyi “percepatan sebuah benda berbanding lurus dengan gaya total yang
bekerja padanya. Dan berbanding terbalik dengan massanya. Arah percepatan sama dengan arah gaya
yang bekerja padanya”. Dengan demikian percepatan yang timbul berbanding lurus dengan gaya yang
memengaruhi. Jadi persamaan yang menghubungkan antara gaya, massa, dan percepatan adalah:
α = (∑F)/m (2)
Dengan keterangan :
α = percepatan (m/s2),
m = massa benda (kg),
∑F = gaya total (N).
Hukum II Newton menghubungkan antara deskripsi gerak dengan penyebabnya yaitu gaya. Hukum ini
merupakan hukum yang paling dasar pada fisika. Dengan tambahan hukum tarikan gravitasi Newton antara
dua benda, kita dapat menggambarkan gejala seperti: Gerakan bulan, Lintasan planet mengelilingi matahari,
Lintasan satelit bulan, Variasi pecepatan gravitasi karena adanya kandungan mineral, Lintasan peluru kendali.
Hukum III Newton berbunyi “Ketika suatu benda memberikan gaya pada benda kedua, benda kedua
tersebut memberikan gaya yang sama besar tetapi berlawanam arah terhadap benda yang pertama”.
Faksi= –Freaksi (3)
Hukum ini terkadang dinyatakan dalam kalimat: “untuk setiap aksi reaksi yang sama dan berlawanan
arah”. Maka hukum III Newton sering dinamakan hukum aksi reaksi. Hukum ini menggambarkan sifat
penting dari gaya yaitu bahwa gaya-gaya selalu terjadi berpasangan. Gerak vertikal adalah gerak suatu
benda berarah vertikal dengan kecepatan awal tertentu. Dalam hal ini gerak benda tersebut diperlambat
oleh gravitasi bumi. Gerak vertikal terbagi atas tiga yaitu, gerak vertikal ke atas, gerak vertikal ke bawah,
dan gerak jatuh bebas. Persamaan yang menggambarkan gerak vertikal secara matematis, adalah:
Vt = V0 – gt (4)
h = V0t – 1/2 gt (5)
t = V0/g (6)
Hubungan penelitian ini dengan penelitian terdahulu. Septiana (2012) dengan judul penelitian
“Pengaruh Model Pembelajaran Inkuiri Terhadap Hasil Belajar Fisika Siswa Kelas XI SMA Negeri
9 Makassar”. Penelitian ini merupakan penelitian eksperimen semu yang bertujuan untuk mengetahui
pengaruh model pembelajaran berbasis masalah terhadap hasil belajar fisika siswa di SMA Negeri 9
Makassar. Relevansi penelitian ini dengan materi yang ingin diteliti oleh peneliti adalah sama-sama
59
meneliti tentang model pembelajaran inkuiri dan menggunakan jenis penelitian eksperimen semu. Yang
menjadi perbedaan, subjek dalam penelitian ini adalah siswa kelas XI, sedangkan peneliti memfokuskan
untuk kelas X. Franita, (2012) dengan judul penelitian “Pengaruh Pembelajaran Inkuiri Terbimbing
Terhadap Kemampuan Berpikir Kritis Siswa di Kelas XI SMA Negeri 10 Makassar”. Relevansi
penelitian ini dengan materi yang ingin diteliti oleh peneliti adalah sama-sama meneliti tentang model
pembelajaran inkuiri tetapi peneliti lebih memfokuskan pada model pembelajaran inkuiri secara umum.
Kuncoro, (2011) dengan judul penelitian “Implikasi Model Pembelajaran Inkuiri Tipe Discovery Learning
Terhadap Hasil Belajar Matematika Siswa Kelas X SMA Negeri 10 Blitar”. Relevansi penelitian ini
dengan materi yang ingin diteliti oleh peneliti adalah sama-sama meneliti tentang model pembelajaran
inkuiri, tetapi penelitian ini mengacu pada implikasi inkuiri tipe discovery learning, sedangkan peneliti
memfokuskan pada efektivitas model inkuiri secara umum.
Kerangka pikir dalam model pembelajaran yang ditunjukkan pada Gambar 1.
Gambar 1. Skema model pembelajaran inkuiri
2. BAHAN DAN METODE

Penelitian ini merupakan penelitian eksperimen semu tanpa kontrol. Teknik pengambilan
sampel dilakukan secara simple random sampling dengan memilih kelas X MIPA 7 sebanyak 30
orang. Instrumen pengumpulan data dari tes hasil belajar fisika berbentuk essay 5 nomor soal yang
digunakan untuk mengukur tingkat penguasaan siswa terhadap materi dinamika gerak, lembar observasi
keterlaksanaan RPP, angket respon siswa yang diberikan sebelum dan sesudah proses pembelajaran
dengan menggunakan model pembelajaran inkuiri. Teknik pengambilan data adalah dengan observasi,
angket, dan tes. Analisis data dilakukan dengan teknik analisis kuantitatif, analisis kualitatif dan analisis
statistik inferensial yaitu untuk menguji hipotesis penelitian.
Hasil belajar dinilai berdasarkan penilaian acuan patokan atau kriteria rata-rata ketuntasan minimal
pencapaian hasil belajar pada materi gerak yang berlaku di MAN Pinrang dengan Kriteria Ketuntasan
Minimal (KKM) yang harus dicapai setiap siswa pada mata pelajaran fisika adalah 75. Suatu kelas
dianggap mencapai ketuntasan belajar jika pada kelas tersebut terdapat 75 % siswa yang dapat mencapai
nilai KKM yang disajikan dengan menggunakan persentase:
Persentase ketuntasan belajar = Jumlah siswa yang tuntas/Jumlah siswa * 100 % (7)
Adapun kriteria yang digunakan untuk menentukan hasil pre-test dan post-test siswa adalah
teknik pengkategorian dengan skala lima menurut Nurkancana4 yaitu: (i) Penguasaan 90 % - 100 %
dikategorikan “sangat tinggi”, (ii) Penguasaan 80 % - 89 % dikategorikan “tinggi”, (iii) Penguasaan 65
% - 79% dikategorikan “sedang “, (iv) Penguasaan 55 % - 64 % dikategorikan “rendah “, (v) Penguasaan
60
0 %- 54 % dikategorikan “sangat rendah “. Ketuntasan belajar dikategorikan dengan menggunakan

kriteria sebagai berikut: (i) Tingkat penguasaan 75 % - 100 % dikategorikan tuntas. (ii) Tingkat
penguasaan 0 % - 74 % dikategorikan tidak tuntas.
Data tentang respon siswa diperoleh dari angket respon siswa terhadap pelaksanaan pembelajaran
dengan penerapan metode inkuiri. Data respon siswa terhadap pembelajaran dianalisis dengan melihat
persentase dari respon siswa. Persentase ini dapat dihitung dengan rumus:
f
P = N # 100% (8)
Keterangan:
P = Persentase respon siswa yang menjawab senang, menarik, atau, ya
f = Banyaknya siswa yang menjawab senang, menarik, atau, ya
N = Banyaknya siswa yang mengisi angket
Respons siswa dikatakan positif jika persentase respons siswa dalam menjawab senang, menarik, atau,
ya untuk setiap aspek lebih besar dibanding jumlah siswa yang tidak senang, tidak menarik, atau tidak suka.
Teknik analisis data dengan statistika inferensial dilakukan untuk keperluan pengujian hipotesis penelitian.
Pengujian hipotesis dilakukan dengan uji-t berpasangan dengan kriteria pengambilan keputusan adalah H0
diterima jika taraf signifikan P ≥ α dan H0 ditolak jika taraf signifikan P ˂ α dengan α = 0,05.

Hasil pre-test ditunjukkan pada tabel 2 berikut:
Tabel 2. Statistika deskriptif hasil pre-test
Statistik Nilai Statistik
Rata-rata 62,17
Rentang Skor 57
Modus 54
Standar Deviasi 13,896
Variansi 193,109
Minimum 25
Maksimum 82
Untuk lebih jelasnya dapat dilihat pada hasil analisis program pengolah data statistik SPSS pada
Tabel 3, berikut ini:
Tabel 3. Statistika deskriptif hasil pre-test
N Valid 30
Missing 0
Mean 62.17
Std. Error of Mean 2.537
Median 63.50
Mode 54
Std. Deviation 13.896
Variance 193.109
Range 57
Minimum 25
Maximum 82
Sum 1865
61
Data pada Tabel 2 menunjukkan bahwa hasil pre-test siswa sebelum diterapkan model pembelajaran
inkuiri diperoleh skor interval antara nilai hasil pre-test siswa sebelum diterapkan model inkuiri, di
mana dikelompokkan dalam 4 kategori, maka diperoleh distribusi dan presentase seperti pada Tabel 4:
Tabel 4. Distribusi, frekuensi dan presentase hasil pre-test
Interval Kategori Frekuensi Persentase (%)
0 – 54 Sangat Rendah 11 36,6
55 – 64 Rendah 5 16,7
65 – 79 Sedang 9 30,0
80 – 89 Tinggi 5 16,7
90 – 100 Sangat Tinggi 0 0
Jumlah 30 100
Data pada Tabel 4 distribusi frekuensi dan persentase, menunjukkan bahwa hasil pre-test siswa sebelum
diterapkan model pembelajaran inkuiri terdapat 11 siswa (36,6 %) yang berada kategori sangat rendah, 5
siswa (16,7%) berada pada kategori rendah, 9 siswa (30,0%) berada pada kategori sedang, 5 siswa (16,7%)
berada pada kategori tinggi. Berdasarkan Tabel 2 dan Tabel 4 diperoleh bahwa nilai rata-rata hasil pre-test
siswa sebelum diterapkan model inkuiri sebesar 62,17 dengan standar deviasi 13,896. Persentase ketuntasan
hanya mencapai 23,3% karena hanya 7 siswa yang tuntas. Hal ini berarti bahwa hasil pre-test siswa kelas X
MIPA 7 MAN Pinrang sebelum diterapkan model inkuiri berada pada kategori sangat rendah.
Deskripsi Hasil Post-Test setelah diterapkan model inkuiri disajikan dalam Tabel 5.
Tabel 5. Statistika deskriptif hasil post-test
Statistik Nilai Statistik
Mean 83,33
Rentang Skor 33
Modus 75
Standar Deviansi 8,273
Variansi 68,437
Minimum 67
Maksimum 100
Untuk lebih jelasnya dapat dilihat pada hasil analisis program pengolah data statistik SPSS pada
Tabel 6, berikut ini:
Tabel 6. Statistika deskriptif hasil post-test
N Valid 30
Missing 0
Mean 83.33
Std. Error of Mean 1.510
Median 81.50
Mode 75a
Std. Deviation 8.273
Variance 68.437
Range 33
Minimum 67
Maximum 100
Sum 2500
62
Data pada Tabel 5, menunjukkan bahwa hasil post-test siswa setelah diterapkan model inkuiri
diperoleh skor interval antara 67 sampai 100; rata-rata sebesar 83,33; rentang skor 33; modus sebesar 75;
standar deviasi sebesar 8,273; variansi sebesar 68,437; nilai minimum sebesar 67; dan nilai maksimum
sebesar 100. Data pada Tabel 5, menunjukkan bahwa hasil post-test siswa setelah diterapkan model
inkuiri, di mana dikelompokkan dalam 4 kategori, maka diperoleh distribusi dan persentase seperti pada
Tabel 7:
Tabel 7. Distribusi frekuensi dan persentase hasil post-test
Interval Kategori Frekuensi Persentase (%)
0 – 54 Sangat Rendah 0 0
55 – 64 Rendah 0 0
65 – 79 Sedang 12 40,0
80 – 89 Tinggi 11 36,7
90 – 100 Sangat Tinggi 7 23,3
Jumlah 30 100
Nilai hasil post-test setelah diterapkan model inkuiri dikelompokkan dalam 5 kategori, maka
diperoleh distribusi dan persentase seperti pada Tabel 7. Data pada Tabel 7 distribusi frekuensi dan
persentase, menunjukkan bahwa hasil post-test siswa setelah diterapkan model pembelajaran inkuiri
terdapat 12 siswa (40,0%) yang berada kategori sedang, 11 siswa (36,7%) berada pada kategori tinggi,
7 siswa (23,3%) berada pada kategori sangat tinggi.
Berdasarkan Tabel 5 dan Tabel 7 diperoleh bahwa nilai rata-rata hasil post-test siswa setelah
diterapkan model inkuiri sebesar 83,33 dengan standar deviasi 8,273. Persentase ketuntasan mencapai
96,7% karena mencapai 29 siswa yang tuntas. Hal ini berarti bahwa hasil post-test siswa kelas X MIPA
7 MAN Pinrang setelah diterapakan model inkuiri berada pada kategori tinggi.
Berikut data hasil nilai siswa yang menggambarkan perbandingan hasil pre-test dan post-test siswa,
yang disajikan dalam Tabel 8.
Tabel 8. Data hasil belajar siswa kelas x mipa 7 MAN Pinrang
No NIS Responden Pre-Test Post-Test
1 131173150020200189 Ahmad Edi 81 100
2 131173150020200190 Aldi 66 81
3 131173150020200169 Asmaul Husna 80 98
4 131173150020200170 Atri Sakira 76 100
5 131173150020200171 Fitriani Yatin 64 93
6 131173150020200172 Harianti Sudirman 53 78
7 131173150020200191 Iksan Walikram 65 98
8 131173150020200173 Indah Rahmadhani 80 77
9 131173150020200175 Indriani Saputri 70 84
10 131173150020200176 Marini 68 90
11 131173150020200192 Miftahul Jannah 45 82
12 131173150020200193 Muh. Farhan 63 76
13 131173150020200194 Muh. Syukur 82 75
14 131173150020200195 Muh. Trisandi 59 84
15 131173150020200196 Muh. Ayatillah 54 78
16 131173150020200197 Muhammad Akbar 73 79
17 131173150020200198 Muhammad Ikhsan 54 67
63
No NIS Responden Pre-Test Post-Test

18 131173150020200177 Muhammad Iqbal 80 92
19 131173150020200178 Muthia 25 75
20 131173150020200179 Nur Hafifah Ikbal 63 85
21 131173150020200180 Nurhidayah Karim 40 80
22 131173150020200181 Nuraliyah 49 79
23 131173150020200182 Nurual Ain Ibrahim 48 83
24 131173150020200199 Faisal 63 75
25 131173150020200183 Reski Ananda Putri 45 87
26 131173150020200200 Ridwan 66 86
27 131173150020200201 Riswan 54 77
28 131173150020200184 Sitti Ayu Nurmaissa 54 80
29 131173150020200185 Suryani 77 83
30 131173150020200186 Trisuci Mulya 68 78
Jenis aktivitas yang diamati berupa aktivitas yang sesuai dengan pembelajaran menggunakan model
inkuiri. Persentase aktivitas siswa yang sesuai dengan pembelajaran (aktivitas 1-7) dari pertemuan I
sampai IV dapat dilihat pada gambar 2 yang menunjukkan diagram batang persentase aktivitas siswa
Gambar 2. Diagram batang persentase aktivitas siswa

Diagram dalam gambar 2 dideskripsikan sebagai berikut: (i) Pada pertemuan I sampai IV persentase
siswa yang hadir dalam proses pembelajaran sebesar 95,8 %. (ii) Pada pertemuan I sampai IV persentase
siswa yang mengerjakan pekerjaan rumah 87,5 %. (iii) Pada pertemuan I sampai IV persentase siswa
berdiskusi dalam menyelesaikan masalah sebesar 85 %. (iv) Pada pertemuan I sampai IV persentase
siswa yang bertanya tentang materi yang belum dimengerti ,sebesar 69,2 %. (v) Pada pertemuan I
sampai IV persentase siswa yang bekerja sama dalam kelompoknya menyelesaikan Lembar Kerja
Kelompok (LKK) sebesar 85,12 %. (vi) Pada pertemuan I sampai IV persentase siswa yang tampil
dalam mempresentasekan hasil kerja kelompoknya sebesar 25 %. (vii) Pada pertemuan I sampai IV
persentase siswa yang menyimpulkan materi yang dipelajari sebesar 21,7 %.
Untuk lebih jelasnya analisis observasi aktivitas siswa dapat dilihat pada data yang disajikan dalam
diagram lingkaran pada gambar 3:
64
Gambar 3 Diagram lingkaran observasi aktivitas siswa.

Berdasarkan uraian di atas, nilai-nilai persentase keaktifan siswa pada materi dinamika gerak dengan
menggunakan model inkuiri sebesar 67,02 % dengan demikian menurut kriteria interpretasi siswa, dapat
dikategorikan ‘sedang’. Persentase aktivitas siswa yang tidak sesuai dengan pembelajaran (aktivitas 8)
dari pertemuan I sampai IV dapat dilihat pada diagram batang pada gambar 4 berikut:
Gambar 4. Diagram batang persentase aktivitas siswa yang tidak sesuai pembelajaran.
Pada pertemuan I sampai IV siswa yang melakukan tindakan yang tidak sesuai dengan pembelajaran
sebesar 6,7%. Berdasarkan uraian di atas, diperoleh persentase aktivitas siswa yang tidak sesuai
pembelajaran adalah 6,7 %. Untuk selengkapnya aktivitas siswa dalam pembelajaran dapat dilihat pada
Tabel 9 berikut:
Tabel 9. Analisis observasi aktivitas siswa yang sesuai pembelajaran
Jumlah siswa yang
melakukan aktivitas
No Jenis Aktivitas Siswa Σ Rerata Persentase
Pertemuan ke-
1 2 3 4
1 Siswa yang hadir dalam proses 28 26 28 30 115 28,75 95,8
pembelajaran
2 Siswa yang mengerjakan pekerjaan 25 26 24 30 105 26,25 87,5
rumah
3 Siswa memperhatikan penjelasan 24 26 23 29 102 25,5 85
guru
4 Siswa bertanya kepada guru tentang 20 22 21 21 83 20,75 69,2
materi yang belum dimengerti
5 Siswa bekerja sama dengan 23 25 28 28 102 25,5 85
kelompoknya menyelesaikan LKK
6 Siswa tampil mempresentasikan 8 7 8 8 30 7,5 25
hasil kerja kelompoknya
7 Siswa menyimpulkan materi yang 5 5 8 8 26 6,5 21,7
telah dipelajari
65
Tabel 10. Analisis observasi aktivitas siswa yang tidak sesuai pembelajaran
Jumlah siswa yang
melakukan aktivitas
Pertemuan ke-
1 2 3 4
1 Siswa melakukan tindakan yang 3 2 2 1 8 2 6,7
tidak sesuai dengan pembelajaran
Data tersebut kemudian direkapitulasi untuk mengetahui sejauh mana persentase aktivitas siswa
yang sesuai dengan materi pembelajaran, hal ini menjadi salah satu faktor yang memengaruhi tingkat
keberhasilan pembelajaran model inkuiri yang disajikan pada Tabel 11 berikut:
Tabel 11. Hasil rekapitulasi observasi aktivitas siswa yang sesuai pembelajaran
1 Siswa yang hadir dalam proses pembelajaran 115 28,75 95,8
2 Siswa mengerjakan pekerjaan rumah 105 26,25 87,5
3 Siswa memperhatikan penjelasan guru 102 25,5 85
4 Siswa bertanya kepada guru tentang materi yang belum 83 20,75 69,2
dimengerti
5 Siswa bekerja sama dengan kelompoknya menyelesaikan 102 25,5 85
LKK
6 Siswa tampil mempresentasekan hasil kerja kelompoknya 30 7,5 25
7 Siswa menyimpulkan materi yang telah dipelajari 26 6,5 21,7
Rata-rata 67,02 %
Deskripsi respon siswa diperoleh dari tanggapan atau komentar siswa secara tertulis, kemudian
dapat disimpulkan sebagai berikut:
(i) Pendapat siswa tentang pembelajaran fisika. Umumnya bagaimanakah proses pembelajaran yang
kami lakukan selama ini, sekitar 86,67 % merespons positif.
(ii) Pendapat siswa tentang bahasa dalam pembelajaran. Umumnya siswa menyukai bahasa yang
digunakan selama pembelajaran karena mudah dipahami, sekitar 90 % merespons positif.
(iii) Tanggapan siswa tentang model inkuiri dalam pembelajaran. Umumnya siswa menyukai model
inkuiri dalam pembelajaran karena merupakan pembelajaran yang mengasah otak, sekitar 93,33 %
merespons positif.
Hasil respons siswa tersebut diperoleh dari pemberian angket respons siswa setelah penerapan
pembelajaran model inkuiri pada materi dinamika gerak, di mana siswa menyampaikan pemikirannya
atau pendapat pribadinya secara jujur, hal ini dapat dilihat pada saat pengisisan data respon tersebut,
siswa menulis sendiri pada lembar angket yang disediakan. Untuk lebih lengkapnya hasil respons siswa
terhadap pembelajaran dengan menggunakan model inkuiri dapat dilihat pada Tabel 12.
Tabel 12. Hasil analisis data respons siswa
Frekuensi Persentase
No Aspek yang Direspons
Ya Tidak Ya Tidak
1 Bagaimanakah proses pembelajaran yang kami lakukan 26 4 86,67 13,33
selama ini?
2 Apakah bahasa yang peneliti gunakan dalam mengajar dapat 27 3 90 10
dipahami?
3 Bagaimanakah tanggapan anda tentang model inkuiri dalam 28 2 93,33 6,67
pembelajaran?
66
Persentase siswa yang memberikan tanggapan positif terhadap pembelajaran dengan menggunakan
model inkuiri sebesar 93,33 %.
Pengujian dasar-dasar analisis yang dilakukan meliputi pengujian normalitas. Pengujian normalitas
data hasil belajar fisika siswa dilakukan menggunakan metode statistik. Pengujian dilakukan pada hasil
pre-test dan post-test. Pengujian normalitas bertujuan untuk mengetahui apakah populasi berdistribusi
normal. Statistik uji yang digunakan dalam uji normalitas adalah Kolmogrov-Smirnov Normality Test
dan Shapiro-Wilk Test. Hipotesis yang akan diuji sebagai berikut:
H0 = Populasi berdistribusi normal
H1 = Populasi berdistribusi tidak normal
Kriteria Pengujian: Menerima H0 bila nilai peluang sign ≥ α (α = 0,05). Berdasarkan hasil analisis
data menggunakan uji Kolmogrov-Smirnov Normality Test dan Shapiro-Wilk Test pada uji normalitas,
untuk hasil pre-test dan hasil post-test diperoleh nilai peluang sign = 0,175 yang keduanya lebih besar
dari taraf signifikasi α = 0,05 (0,216 > 0,05 serta 0,175 > 0,05) sehingga dapat disimpulkan bahwa data
kedua tes tersebut berdistribusi normal, jadi pengujian normalitas terpenuhi.
Pengujian Hipotesis. Hipotesis dalam penelitian ini diuji dengan menggunakan uji-t berpasangan,
dimana sebelumnya diadakan pengujian persyaratan. Hipotesis yang dirumuskan sebagai berikut:
H0 = Tidak ada peningkatan yang signifikan dari rata-rata hasil belajar fisika sesudah penerapan model
pembelajaran inkuiri dimana μв = 0
H1 = Terdapat peningkatan yang signifikan dari rata-rata hasil belajar fisika sesudah penerapan model
pembelajaran inkuiri dimana μв > 0
Kriteria pengujian hipotesis: Menerima hipotesis H0 apabila nilai sign ≥ α di mana (α = 0,05).
Berdasarkan hasil analisis data untuk statistika inferensial pada (uji-t) diperoleh nilai peluang sign
(2-tailed) = 0,00000000000000000001 untuk α = 0,05, maka secara statistik hipotesis H0 ditolak. Jadi
dapat disimpulkan bahwa terdapat pengaruh. Dengan kata lain penerapan model pembelajaran inkuiri
berpengaruh pada hasil nilai tes siswa kelas X MIPA 7 MAN Pinrang. Maka, pembelajaran dengan
model inkuiri efektif diterapkan pada mata pelajaran fisika pada kelas X MIPA 7 MAN Pinrang.
4. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan yang telah diuraikan sebelumnya disajikan jawaban
terhadap pertanyaan penelitian dan hasil pengujian hipotesis penelitian yang merupakan kesimpulan
yang diambil dalam penelitian ini yakni:
1. Hasil pre-test siswa kelas X MIPA 7 MAN Pinrang yang berjumlah 30 orang pada materi dinamika
gerak sebelum diterapkan model pembelajaran inkuiri, berada pada kategori rendah dengan skor
sebesar 62,17%, dengan ketuntasan 23,3%. Sedangkan Hasil post-test siswa kelas X MIPA 7 MAN
Pinrang yang berjumlah 30 orang pada materi dinamika gerak sesudah diterapkan model pembelajaran
inkuiri berada pada kategori tinggi dengan skor rata-rata sebesar 83,33 dengan ketuntasan sebesar
86,7%.
2. Rata-rata siswa memberi respon positif terhadap penggunaan model pembelajaran inkuiri sebesar
93,33 %, dan persentase aktivitas siswa yang sesuai dengan pembelajaran diperoleh 67,02%.
Sedangkan rata-rata aktivitas siswa yang tidak sesuai dengan pembelajaran adalah 6,7%.
DAFTAR PUSTAKA
1. Agus, K. (2011). Implikasi Model Pembelajaran Inkuiri Tipe Discovery Learning Terhadap Hasil
Belajar Matematika Siswa Kelas X SMA Negeri 10 Blitar
2. Amri, Sofan & Ahmadi, L.K. (2010). Kontruksi Pengembangan Pembelajaran. Jakarta: Prestasi
Pustakaraya.
3. Arikunto. (2002). Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta : Rineka Cipta.
4. Arikunto, S. (2009). Manajemen Penelitian. Jakarta: Rineka Cipta.
5. Blosser. 1990. Inkuiri Learning, Theory, Reserch and Practice. Boston : Allyn and Consuelo, sevilla
67
1993.Pengantar Metode Penelitian. Bandung: Universitas Indonesia

6. Djamarah, Syaiful,B., dan Zain, A. (2010). Strategi Belajar Mengajar. Jakarta: Rineka Cipta.
7. Dimyati dan Mudjiono. (2009). Belajar Dan Pembelajaran. Jakarta: Rineka Cipta
8. David L.H., (1993). Teaching Science Through Inkuiri. Jakarta: Gramedia
9. Endy,K. 2006. Model-model Pembelajaran. Http//F:activities.htm diakses tanggal 10 Juni 2010.
Fakultas Keguruan dan Ilmu Pendidikan. 2009. Skripsi. Surakarta : UNS Press. HB.
10. Eni,F. (2012). Pengaruh Pembelajaran Inkuiri terbimbing Terhadap Kemampuan Berpikir Kritis
Siswa di Kelas XI SMA Negeri 9 Makassar. Skripsi: UNM Makassar
11. Femi,S. (2012). Pengaruh Model Pembelajaran Inkuiri Terhadap Hasil Belajar Fisika Siswa Kelas
XI SMA Negeri 10 Makassar. Skripsi: UNM Makassar.
12. Gorton, D. (2005). Inkuiri (authentic assesment). Jakarta: Erlangga.
13. Hertiavi dkk. (2010). Penerapan model pembelajaran inkuiri terbimbing untuk Peningkatan
kemampuan pemecahan masalah siswa SMP. Jurnal pendidikan fisika indonesia 6 (2010) 53-57
Januari 2010. Diakses dihttp://journal.unnes.ac.id/nju/index.php/JPFI/article/download/1104/ 015
pada tanggal 8 Juli 2017.
14. Haury. (2013). Teaching Inquiry. Jakarta: Gramedia
15. Purwanto. (2013). Evaluasi Hasil Belajar. Yogyakarta: Pustaka Pelajar
16. Sutopo. H. B. (1990). Metodologi Penelitian Kualitatif. Makalah Seminar dan Lokakarya Penelitian
Kualitatif jurusan PSRK FPBS: IKIP Surabaya, 22-23 Januari 1990.
17. Soemosasmito, T. (2009) Keefektifan dalam Proses Belajar Mengajar.
18. Yusuf. (2008). Kualitas dan Hasil Belajar Biologi Melalui Pengajaran Dengan Model Pembelajaran
Inkuiri pada Madrasah Aliyah Ponpes Nurul
68
Studi Peningkatan Laju Kehilangan

Massa pada Evolusi Bintang Masif
Andi Agung Prawira Negara1*, Nur Hasanah2, Tasrief Surungan3
1,2,3
Laboratorium Fisika Teori dan Komputasi, Departemen
Fisika, FMIPA, Universitas Hasanuddin
*
Email: *1agungprawiranegara3@gmail.com
Abstrak
Kehilangan massa merupakan fenomena yang sangat penting pada evolusi bintang, khususnya pada
bintang bermassa besar (bintang masif). Penelitian ini bertujuan untuk menganalisis pengaruh dari
peningkatan laju kehilangan massa terhadap jejak evolusi bintang masif di diagram Hertzsprung-Russell
(HRD). Model bintang dibuat menggunakan kode evolusi bintang Modules for Experiment in Stellar
Astrophysics (MESA). MESA secara simultan dapat menyelesaikan persamaan struktur dan komposisi
pada bintang dengan menggunakan self-adaptive dan non-lagrangian meshpoint distribution. Model
yang dibangun adalah bintang tunggal tidak berotasi dengan massa awal 12 Msun dan 25 Msun dengan
metalisitas Z = 0,02. Algoritma angin bintang kehilangan massa menggunakan algoritma yang dibuat
oleh Vink et. al., Nieuwenhuijzen et. al., dan Nugis et. al. yang kemudian dikalikan dengan faktor η
1,5 dan 10 untuk setiap massa awal. Hasil yang diperoleh adalah bahwa peningkatan kehilangan massa
memberikan pengaruh yang signifikan terhadap jejak evolusi bintang masif di fase pasca deret utama.
Selain itu, juga berperan dalam menentukan tipe progenitor bintang masif sebelum terjadinya fenomena
supernova.
Kata Kunci: Bintang Masif, Evolusi Bintang, Kehilangan Massa, MESA.
1. PENDAHULUAN
Bintang masif secara umum dapat didefinisikan sebagai kelompok bintang yang memiliki massa
deret utama MZAMS yang cukup besar untuk melanjutkan pembakaran nuklir hingga pada terbentuknya
inti oksigen terdegenerasi/Neon atau inti besi di akhir masa kesetimbangan hidrostatisnya. Secara
umum, ini berarti bahwa bintang masif adalah kelompok bintang dengan rentang nilai massa awal
8 ≤ MZAMS⁄(M) ≤ 200, di mana M merupakan massa awal bintang dalam satuan massa matahari.
Kedua limit ini juga bergantung pada kondisi awal bintang, khususnya komposisi elemen kimia pada
internal bintang1.
Oleh karena ukurannya yang besar, kelompok bintang ini merupakan objek yang langka. Dalam
artian bahwa mereka ini jarang terbentuk dan memiliki masa hidup yang singkat. Namun demikian,
karena karakteristik yang dimilikinya, bintang masif merupakan pivot di berbagai kajian astrofisika.
Salah satu contohnya adalah karena luminositasnya yang besar menjadikannya satu-satunya objek langit
yang dapat diamati di ekstragalaksi2.
Salah satu karakteristik yang menarik untuk diulas pada evolusi bintang masif adalah kehilangan
massa yang merupakan salah satu fenomena yang terjadi dan berpengaruh signifikan pada evolusi
bintang, khususnya pada bintang masif. Kehilangan massa memainkan peran penting selama proses
evolusi bintang, salah satunya terhadap penentuan produk akhir dari fenomena core-collapse supernova.
Kehilangan massa juga terlibat pada proses pengayaan medium antar bintang dalam skala besar.
Hal ini disebabkan karena momentum input yang diberikan ketika bintang melepaskan materi dari
permukaannya sebagai bagian dari proses kehilangan massa menjadi salah satu penyebab dimulainya
proses pembentukan bintang. Di sisi lain peristiwa itu juga mampu menyingkirkan sebagian besar gas
dari gugus bintang untuk mencegah dimulainya proses pembentukan bintang.
Sejumlah penelitian terkait dengan kajian kehilangan massa pada bintang adalah seperti Hofner &
Olofson3 yang mengkaji pengaruh kehilangan massa pada bintang bermassa menengah di fase Asymtotic
69
Giant Branch (AGB). Meynet, dkk.4 mengkaji pengaruh kehilangan massa di fase Red Supergiant
(RSG). Rienzo, dkk5 yang melakukan studi survei terhadap 6 algoritma kehilangan massa bintang dan
kemudian menjelaskan mekanisme fisis yang terjadi untuk setiap hasil yang diperoleh dari masing-
masing algoritma menggunakan kode program evolusi bintang Modules for Experiment in Stellar
Astrophysics (MESA)6-10.
Pada penelitian ini dilakukan pengkajian terhadap pengaruh peningkatan kehilangan massa pada
evolusi bintang masif menggunakan MESA-r7624 dengan menggunakan kombinasi algoritma Vink11,12-
Niewuwenhuijzen13 - Nugis & Lamers. Hal ini dilakukan guna menyelidiki perubahan parameter fisis
yang terjadi pada bintang selama proses evolusinya, masa hidup bintang masif di diagram Hertzsprung-
Russell (Diagram HR), serta mengidentifikasi mekanisme fisis yang terjadi selama proses evolusi.
2. ALGORITMA LAJU KEHILANGAN MASSA

2.1 Vink et. al. (V)
Algoritma angin kehilangan massa oleh Vin11,12 ini merupakan algoritma teoretik yang diperoleh
menggunakan metode Monte Carlo pada bintang ketika berada di daerah panas diagram HR (line-driven
winds). Algoritma ini merupakan algoritma yang bergantung pada metalisitas (metallicity dependent)
dan hanya dapat diaplikasikan pada bintang kelas spektral OB dengan nilai metalisitas 301 # ZZ9 # 3 dan
temperatur efektif 12500 K ≤ Teff ≤ 50000 K.
Algoritma oleh Vink menyajikan dua buah persamaan untuk kondisi ketika temperatur efektif
bernilai Teff >25000 K dan juga ketika 12500 > Teff >25000 K. Kondisi pada temperatur efektif berada
pada rentang 27500 K < Teff ≤ 50000 K, berlaku persamaan (1).
log ]- M g = - 6, 697 + 2, 194 log b 105 9 l - 1, 313 log b 30M 9 l - 1, 226 log b 2v3 l +
L M v
esc
0, 933 log b l - 10, 92 log 2 b eff l + 0, 85 log b ZZ9 l

Teff T
40000 40000 (1)
Adapun pada kondisi di mana temperatur efektif berada pada rentang 12500 K < T_eff ≤ 22500 K,
digunakan persamaan (2).
log ]- M g = - 6, 668 + 2, 210 log b 105 9 l - 1, 339 log b 30M 9 l - 1, 601 log b 2v3 l +
L M v
exc
1, 07 log b l + 0, 85 log b Z 9 l
Teff Z (2)
40000K
2.2 Nieuwenhuijzen & de Jager (NJ)
Algoritma angin kehilangan massa oleh Nieuwenhuijzen dan de Jager (NJ)13 merupakan algoritma
turunan sekaligus penyempurna dari algoritma de Jager seperti yang dinyatakan oleh persamaan 3
berikut ini14.
log10 ]- M g = 1, 769 log10 b L 9 l - 1, 676 log10 c m - 8, 158
L Teff (3)
5K ?
Hal ini disebabkan karena algoritma NJ ini menggunakan sampel data yang sama dan menggunakan
metode yang serupa. Namun, pada algoritma ini terdapat penambahan kebergantungan kehilangan
massa pada total massa bintang dan juga algoritma ini mengubah kebergantungan terhadap temperatur
menjadi radius (radius dependence). Dimasukkannya total massa dalam kuantitas penentuan laju
kehilangan massa memungkinkan Nieuwenhuijzen menemukan standar deviasi terkecil yang dihitung
log10(−Ṁ) yang cocok dengan nilai distribusi laju kehilangan massa yang diamati15. Algoritma ini
berusaha menelusuri kebergantungan kehilangan massa bintang terhadap tiga parameter fundamental,
yaitu massa M, radius R, dan juga luminositas L dari 247 sampel bintang yang secara matematis dapat
direpresentasikan sebagai berikut.
log ]- M g = KM a R b Lc (4)
Sehingga dapat difitting persamaan berikut ini
70
log ]- M g = - 14, 02 + 1, 24 log b L 9 l + 0, 16 log b M 9 l + 0, 81 log b R 9 l

L M R (5)
2.2 Nugis & Lamers (NL)
Algoritma angin kehilangan massa oleh Nugis & Lamers merupakan algoritma kehilangan massa
empirik untuk bintang Wolf-Rayet (WR) dan diturunkan sebagai fungsi dari luminositas dan komposisi
kimia pada bintang. Fitting data dilakukan untuk dua populasi bintang, satu di antaranya adalah untuk
subset yang telah diketahui massa dan jaraknya serta yang lainnya adalah subset yang luminositas
intrinsiknya belum diketahui. Selanjutnya, digunakan bintang yang berasal dari subset pertama untuk
mendapatkan koreksi bolometrik empirik. Kemudian, digunakan relasi teoretik massa-luminositas untuk
menentukan luminositas dari bintang pada subset kedua. Relasi massa-luminositas digunakan sebagai
input usia bintang dan kelas spektralnya, bukan luminositas, oleh karena itu relasi ini dapat digunakan
secara konsisten untuk mengestimasikan luminositas bintang pada subset yang kedua.
Laju kehilangan massa yang diperoleh dari observasi kemudian dapat ditunjukkan dengan fitting
sebagai berikut dan valid untuk semua bintang WR.
log10 ]- Mg = - 11, 0 + 1, 29 log10 b L 9 l + 1, 73 log10 ]Y g + 0, 47 log10 ]Z g
L (6)
3. DESKRIPSI MODEL BINTANG

Pada penelitian ini dibuat model bintang tunggal dan tidak berotasi dengan menggunakan kode program
evolusi bintang MESA r-7624 versi linux. Model bintang dibuat yaitu dengan membangun model bintang
dengan massa awal 12 M dan 25 M dengan nilai Z = 0,020. Model bintang selanjutnya dibangun dari
fase deret utama hingga pembakaran Neon yaitu ketika suhu di inti bintang mencapai 109 K.
Di titik ini, masa hidup bintang hanya menyisakan beberapa tahun lagi sebelum terjadinya fenomena
supernova (core-collapse supernova) dan mengalami kehilangan massa melalui angin bintang. Selain itu,
ketika persamaan 1 tercapai, secara artifisial MESA mulai meredam laju kehilangan massa pada bintang.
Kehilangan massa ini berhenti ketika temperatur inti mencapai 2 ∙ 109 K. Algoritma angin kehilangan
massa bintang yang digunakan berasal dari Vink et. al. (V)11,12 untuk bintang dengan temperatur tinggi
(Teff ≥ 11000 K ), Nieuwenhuijzen dan de Jager et. al (NJ)13 untuk bintang temperatur rendah
(Teff ≤ 10000 K) serta algoritma Nugis & Lamers (NL) untuk bintang Wolf-Rayet, yakni ketika fraksi
massa Hidrogen di inti kurang dari 0,4 untuk semua nilai temperatur efektif (Xs < 0.4, 6 Teff). Penelitian
ini berfokus kepada pengaruh dari peningkatan laju kehilangan massa dengan cara mengalikan persamaan
1 dan 2 pada algoritma Vink (V), persamaan 5 pada algoritma Nieuwenhuijzen & de Jager (NJ), serta
persamaan 6 dari algoritma Nugis & Lamers (NL) di atas dengan faktor (η) 1, 5, dan 10 untuk setiap
model dengan massa yang berbeda.

4.1 Gambaran Bintang di Akhir Fase Kehilangan Massa
Masa hidup bintang setelah temperatur internal mencapai 109 K hanya menyisakan beberapa tahun
sebelum bintang tersebut mati / meledak dan kemudian teramati sebagai fenomena core-collapse
supernova sekitar 15 tahun untuk bintang 15M ). Fotosfer bintang membeku, dalam arti tidak
mengalami banyak perubahan fisis pada temperatur efektif dan luminositas yang sama, selama tidak
terjadinya peristiwa kehilangan massa yang ekstrem, sebagai contoh supernova atau ketidakstabilan
lainnya. Tahapan evolusi selanjutnya mengarah hanya pada perubahan struktur internal bintang saja.
71
Tabel 1. Rangkuman model ketika berada di akhir fase kehilangan massa pada Tc = 109 K
End of Mass Loss Phase : Tc = 109 K
MZAMS = 12Msun
η M (Msun) MHe (Msun) MCO (Msun)
1
5 6,12 3,46 2,06
10 3,31 3,26 1,93
End of Mass Loss Phase : Tc = 10 K 9
MZAMS = 25Msun
1
5
10
Tabel 2. Rangkuman tipe progenitor dan properti permukaan model bintang
End of Mass Loss Phase : Tc = 109 K
MZAMS = 12Msun
η R (Rsun) log10 (L/Lsun) log10 (Teff/[K]) Progenitor
1
5 780 4.80 3.52 RSG
10 177 4.74 3.82 YSG
End of Mass Loss Phase : Tc = 10 K9
MZAMS = 25Msun
1
5
10
Gambar 1. Total massa bintang sebagai fungsi waktu untuk bintang 12 Msun (η = 5)
72
Gambar 2. Total massa bintang sebagai fungsi waktu untuk bintang 12 M (η = 10)
Gambar 1 dan 2, sebagai contoh, merupakan plot waktu evolusi dari bintang 12 M pada keadaan
ketika η = 5 dan η = 10. Kedua gambar di atas menunjukkan bahwa jumlah massa yang hilang ketika
bintang berada pada fase deret utama adalah relatif rendah yang bernilai 1 – 3 persen saja dari total 12
M. Mayoritas massa hilang ketika bintang telah melewati fase deret utama atau pembakaran hidrogen.
Model yang digunakan pada penelitian ini adalah bintang tunggal dan tidak berotasi sehingga dapat
dicoba untuk mengklasifikasikan warna dari model pra-SN. Sehingga dapat digunakan asumsi terkait
model pra-SN bahwa dalam jangkauan log10 (Teff/[K]) ≤ 3,6 adalah bintang maharaksasa merah (RSG),
3,6 ≤ log10 (Teff/[K]) ≤ 3.8 adalah bintang maharaksasa kuning (YSG), log10 (Teff/[K]) ≥ 3.8 adalah bintang
maharaksasa biru (BSG), dan ketika XS < 0.4 untuk bintang wolf-rayet (WR). Output klasifikasi ini
disajikan pada tabel 2.
4.2 Kehilangan Massa di Daerah Panas
Evolusi di daerah panas pada diagram HR ditandai ketika temperatur efektif bintang Teff ≥ 11000
K ketika menggunakan algoritma Vink [11,12]. Bintang, terlepas dari massa awalnya, menghabiskan
sebagian besar masa hidupnya di fase deret utama. Kontraksi yang dialami bintang di fase ini berasal dari
penyusutan/penipisan lapisan Hidrogen dan sebagai penanda sebelum memasuki daerah hertzsprung
gap pada diagram HR.
Tabel 3 berikut ini menyajikan ringkasan properti dari bintang di akhir fase panas, yakni ketika
temperatur efektif untuk pertama kalinya lebih kecil dari 11000 K. Hasil sesuai dengan teori yang
menyatakan bahwa sekitar 90% bintang menghabiskan masa hidupnya di daerah ini, jumlah total
massa yang hilang relatif kecil. Meskipun begitu, kehilangan massa di daerah panas dapat berpengaruh
signifikan pada evolusi dari inti bintang.
Tabel 3. Properti bintang di akhir fase panas (ketika temperatur efektif ≤ 11000 K.
MZAMS η R[R] L [104 L] M[M] MHe [M] Age [Myr]
12 1
12 5 20.66 2.26 10.64 2.32 18.32
12 10 20.56 1.88 9.58 2.12 18.85
25 1
25 5
25 10
73
Gambar 3. Laju kehilangan massa di fase panas diagram HR.

4.3 Kehilangan Massa di Daerah Dingin
Laju kehilangan massa di daerah ini menjadi sangat ekstrem hingga mencapai 10–5 seperti pada
gambar 4. Terlepas dari besarnya faktor pengali, kehilangan massa yang diakibatkan oleh angin bintang
sangat ekstrem ketika berada di daerah dingin diagram HR seperti disajikan oleh gambar 1 dan 2.
Terjadinya peningkatan laju kehilangan massa dari daerah panas ke daerah dingin dapat berkenaan
dengan potensial gravitasi pada bintang meskipun kombinasi algoritma kehilangan massa yang digunakan
di penelitian ini tidak bergantung terhadapnya. Untuk setiap nilai luminositas bintang masif, temperatur
efektifnya rendah, maka radiusnya membesar. Karena radiusnya membesar, hal ini memudahkan materi
untuk lepas dari tarikan gravitasi dari bintang. Selain itu, pada temperatur yang lebih rendah, opasitas
cenderung lebih tinggi karena rekombinasi ion dan kemungkinan pembentukan debu, yang kemudian
nantinya akan berperan dalam peningkatan wind driving pada bintang.
Gambar 4. Laju kehilangan massa di fase dingin diagram HR.

4.4 Jejak Evolusi Bintang
Evolusi bintang masif (12 M) pada diagram HR disajikan pada gambar 5. Model bintang dengan
η = 5 cenderung meninggalkan fase deret utama pada luminositas dan temperatur efektif yang lebih
tinggi diaripada model η = 10. Peningkatan laju kehilangan massa juga meningkatkan masa hidup
74
bintang di semua fase seperti digambarkan dalam gambar 1, baik itu di daerah panas diagram HR seperti
di tabel 3 dan juga di daerah dingin.
Selama berevolusi, khususnya pada fase pasca deret utama, menurut skenario Conti16, bintang masif
mengalami peristiwa blue loop pada fase pasca deret utama. Blue loop adalah peristiwa evolusi bintang
kembali ke daerah biru. Pada model bintang 12M peristiwa blue loop menjadi lebih ekstrem seiring
dengan peningkatan laju kehilangan massa. Hal ini terjadi karena struktur bintang pada 12M ketika laju
kehilangan massa semakin meningkat akan menjadi semakin homogen4. Penyebab terjadinya evolusi ke
daerah biru adalah bahwa pada fase tertentu ketika pembakaran Helium terjadi, inti bintang mengalami
ekspansi dan membuat selubung terluar berkontraksi sebagai konsekuensinya (mirror effect)17.
Ekspansi inti bintang lebih sering terjadi pada bintang yang massa intinya tidak terlalu besar.
Lauterborn et. al.18 menunjukkan bahwa untuk model bintang tersebut pergerakan arah merah-biru pada
diagram HR sangat bergantung pada potensial gravitasi dari inti helium, Φcore dan perbandingannya
terhadap potensial kritis Φcrit(M) yang mana akan meningkat seiring dengan semakin besarnya massa
bintang. Ketika potensial gravitasi inti Helium lebih besar daripada potensial kritis, bintang cenderung
untuk mempertahankan posisinya di fase maharaksasa merah. Sementara itu, ketika potensial gravitasi
inti helium lebih kecil, inti berekspansi dan selubung berkontraksi dan membuat bintang mencapai
daerah biru pada diagram HR4. Hal ini secara matematis dapat dituliskan sebagai berikut.
Φcore > Φcrit (M) (8)
Φcore < Φcrit (M) (9)
Ketika laju kehilangan massa meningkat pada model 12M hal ini akan membuat Φcrit (M) semakin
membesar sehingga berlaku persamaan 9. Peningkatan laju kehilangan massa untuk model bintang
masif sejatinya cenderung tidak membuat bintang mengalami blue loop karena adanya mirror effect
seperti yang disebutkan sebelumnya, tetapi hal ini tetap terjadi karena bintang-bintang tersebut memiliki
inti konvektif yang masif. Ketika laju kehilangan massa semakin besar, struktur dari bintang menjadi
semakin homogen dan bintang-bintang ini berevolusi ke arah daerah yang kaya Helium dan homogen
pada diagram HR, yang mana hal ini tidak lain adalah daerah biru pada diagram HR.
Gambar 5. Laju kehilangan massa di fase dingin diagram HR.
5. KESIMPULAN
Hasil yang diperoleh adalah peningkatan kehilangan massa memberikan pengaruh yang signifikan
terhadap jejak evolusi bintang masif di fase pasca deret utama. Selain itu, juga berperan dalam
menentukan tipe progenitor bintang masif sebelum terjadinya fenomena supernova.
75
UCAPAN TERIMA KASIH

Penulis mendedikasikan artikel ilmiah ini kepada (Almh.) Ibu Nur Hasanah, S.Si., M.Si. selaku
pembimbing tugas akhir penulis. Terima kasih untuk semua hal yang telah diajarkan selama ini. May
your soul rest in peace.
DAFTAR PUSTAKA
1. M. Renzo. (2019). Live fast and die young: evolution and fate of massive stars.
2. M. Renzo. (2015). Systematic Study of Mass Loss in the Evolution of Massive Stars.
3. S. Höfner, H. Olofsson. (2018). Mass loss of stars on the asymptotic giant branch: Mechanisms,
models and measurements, Astronomy and Astrophysics Review. 26.
4. G. Meynet, V. Chomienne, S. Ekström, C. Georgy, A. Granada, J. Groh, A. Maeder, P. Eggenberger,
E. Levesque, P. Massey. (2015). Impact of mass-loss on the evolution and pre-supernova properties
of red supergiants, Astron Astrophys. 575.
5. M. Renzo, C.D. Ott, S.N. Shore, S.E. De Mink. (2017). Systematic survey of the effects of wind
mass loss algorithms on the evolution of single massive stars, Astron Astrophys. 603.
6. B. Paxton, L. Bildsten, A. Dotter, F. Herwig, P. Lesaffre, F. Timmes. (2011). Modules for Experiments
in Stellar Astrophysics (MESA), Astrophysical Journal, Supplement Series. 192.
7. B. Paxton, L. Bildsten, A. Dotter, F. Herwig, P. Lesaffre, F. Timmes. (2011). Modules for Experiments
in Stellar Astrophysics (MESA), Astrophysical Journal, Supplement Series. 192.
8. B. Paxton, M. Cantiello, P. Arras, L. Bildsten, E.F. Brown, A. Dotter, C. Mankovich, M.H.
Montgomery, D. Stello, F.X. Timmes, R. Townsend. (2013). Modules for experiments in stellar
astrophysics (MESA): Planets, oscillations, rotation, and massive stars, Astrophysical Journal,
Supplement Series. 208.
9. B. Paxton, P. Marchant, J. Schwab, E.B. Bauer, L. Bildsten, M. Cantiello, L. Dessart, R. Farmer, H.
Hu, N. Langer, R.H.D. Townsend, D.M. Townsley, F.X. Timmes. (2015). Modules for Experiments
in Stellar Astrophysics (MESA): Binaries, pulsations, and explosions, Astrophysical Journal,
Supplement Series. 220.
10. B. Paxton, J. Schwab, E.B. Bauer, L. Bildsten, S. Blinnikov, P. Duffell, R. Farmer, J.A. Goldberg, P.
Marchant, E. Sorokina, A. Thoul, R.H.D. Townsend, F.X. Timmes. (2018). Modules For Experiments
In Stellar Astrophysics (MESA): Convective Boundaries, Element Diffusion, And Massive Star
Explosions, Astrophys J Suppl Ser. 234.
11. J.S.V.A. de K.H.J.G.L.M. Lamers. (2004). Mass-loss predictions for O and B stars as a function of
metallicity, Astron Astrophys. 814.
12. J.S. Vink, A. De Koter, H.J.G.L.M. Lamers. (2000). New theoretical mass-loss rates of O and B
stars, Astron Astrophys. 362.
13. H. Nieuwenhuijzen dan C. de Jager. (1990). Parametrization of stellar rates of mass loss as functions
of the fundamental stellar parameters M, L, and R., Astron Astrophys. 23.
14. C. de Jager, H. Nieuwenhuijzen, K.A. Hucht, van der. (1988). Mass Loss Rates in the Hertzsprung-
Russell Diagram, Astron Astrophys. 72.
15. M. Renzo. , (2015). Systematic Study of Mass Loss in the Evolution of Massive Stars.
16. B.W. Carroll, D.A. Ostlie, M. Friedlander. (2014.). An Introduction to Modern Astrophysics.
17. H.J.G.L.M.L.E.M. Levesque., Understanding Stellar Evolution, 2015. https://www.researchgate.
net/publication/269107473_What_is_governance/link/548173090cf22525dcb61443/
download%0Ahttp://www.econ.upf.edu/~reynal/Civilwars_12December2010.pdf%0Ahttps://
think-asia.org/handle/11540/8282%0Ahttps://www.jstor.org/stable/41857625.
18. D. Lauterborn, S. Refsdal, A. Weigert. (1971). Stars with Central Helium Burning and the Occurrence
of Loops in the H-R Diagram, Astron Astrophys. 10.
76
Klasifikasi Bunga Iris menggunakan Algoritma

Naïve Bayes dengan Rapidminer
Fitri*1, Eko Juarlin2, Wira Bahari Nurdin3
1,2,3
E-mail: *1fitri19h@student.unhas.ac.id
Abstrak
Seiring berjalannya waktu, manusia memiliki banyak tugas di berbagai bidang dalam kehidupan.
Namun karena kemampuan manusia yang terbatas, maka dibentuklah AI (Artificial Intelligence). AI
adalah konsep pemetaan suatu bahasa pemrograman yang dapat membuat kesimpulan secara mandiri
berdasarkan pemetaan yang telah dilakukan di dalam pemrograman. Machine learning merupakan
salah satu cabang dari AI yang fokus belajar dari data. Salah satu metode klasifikasi yang sering
digunakan pada machine learning yaitu Naive Bayes. Penelitian ini dilakukan dengan metode Naive
Bayes menggunakan program rapidminer. Dataset yang digunakan pada penelitian ini yaitu data iris
yang diambil dari repository rapidminer. Tujuan penelitian ini yaitu mengklasifikasi dataset iris ke
dalam 3 kelas, yaitu iris setosa, iris versicolor, dan iris virginica. Dataset dibagi menjadi 2 bagian, yaitu
training dataset dan testing dataset dengan persentase yang berbeda yaitu sebesar 80% (kasus I), 70%
(kasus II), 50% (kasus III), dan 30% (kasus IV) untuk data uji. Hasil dari penelitian ini yaitu mampu
mengklasifikasikan dataset iris ke dalam 3 kelas dengan nilai akurasi untuk kasus I, kasus II, kasus III,
dan kasus IV masing-masing sebesar 94.17%, 94.29%, 96%, dan 97.78%.
Kata Kunci: Artificial Intelligence, dataset iris, Machine Learning, Naïve Baye, Rapidminer.
1. PENDAHULUAN
Manusia dianugerahi kecerdasan yang luar biasa sejak lahir. Seiring berjalannya waktu, manusia
memiliki banyak tugas di berbagai bidang dalam kehidupan sehari-hari yang harus diselesaikan. Tetapi
karena kemampuan manusia yang terbatas, maka dibentuklah AI (Artificial Intelligence) sebagai cabang
ilmu pengetahuan yang berusaha mempelajari kecerdasan otak manusia1.
Kecerdasan buatan adalah konsep pemetaan bahasa pemrograman yang dapat secara mandiri
menarik kesimpulan berdasarkan pemetaan yang dibuat selama pemrograman. Kecerdasan buatan
banyak digunakan oleh manusia untuk memecahkan berbagai masalah karena kemampuan manusia
terbatas dalam mengolah banyak data secara manual2-3.
Machine learning merupakan cabang dari kecerdasan buatan yang berfokus pada pembelajaran
dari data. Dengan kata lain, pengembangan sistem yang dapat belajar sendiri tanpa perlu pemrograman
berulang. Ada banyak algoritma dalam machine learning, salah satunya adalah Naive Bayes. Naive
Bayes merupakan metode klasifikasi yang sudah umum digunakan dalam machine learning1,4.
Dataset yang digunakan dalam penelitian ini adalah data bunga iris, yaitu salah satu dataset yang
paling umum digunakan dalam proses klasifikasi. Data iris termasuk tipe data numerik yang akan
diklasifikasikan menggunakan metode Naive Bayes. Terdapat 4 atribut yang merupakan karakteristik
tersendiri bagi bunga iris, diantaranya yaitu sepal length, sepal width, petal length, dan petal width.
Target data iris memiliki 3 kelas yaitu: iris setosa, iris versicolor, dan iris virginica. Adapun sumber data
yang digunakan pada penelitian ini diambil dari repository rapidminer5-6.
77
Gambar 1. Klasifikasi bunga iris7

Rapidminer adalah aplikasi data mining berbasis open source yang menyediakan lingkungan
terintegrasi untuk machine learning, deep learning, text mining, dan predictive analytic. Di dalamnya
berisi operator untuk analisis data secara independen. Rapidminer adalah mesin data mining yang
digunakan untuk memuat data, memodelkan data, memvisualisasikan data, dan mentransformasikan
data8-9.
Berdasarkan hal yang telah dijelaskan di atas, maka diusulkan penelitian mengenai klasifikasi
bunga iris menggunakan program rapidminer dengan metode Naive Bayes. Dalam penelitian ini blok
program dirangkai menggunakan program rapidminer. Output dari blok program merupakan keputusan
jenis bunga iris. Hasil prediksi dan true label kemudian dibandingkan menggunakan confusion matrix.
Penelitian ini diharapkan dapat menemukan model machine learning yang mampu mengklasifikasikan
dataset iris ke dalam 3 kelas dan menghitung tingkat akurasi yang dihasilkan metode Naive Bayes dalam
mengklasifikasi dataset iris.
2. BAHAN DAN METODE

Penelitian ini dilakukan menggunakan metode Naive Bayes dengan program rapidminer. Dataset
yang digunakan pada penelitian ini yaitu data iris yang diambil dari repository rapidminer. Terdapat 4
atribut yang dimasukkan sebagai input, yaitu sepal length, sepal width, petal length, dan petal width.
Adapun target dari pengklasifikasian ini terdapat 3 kelas, yaitu iris setosa, iris versicolor, dan iris
virginica10.
Sebelum masuk ke metode Naive Bayes, terlebih dahulu dataset dibagi menjadi 2 bagian, yaitu data
latih (training dataset) dan data uji (testing dataset) dengan persentase yang berbeda11. Pada kasus I,
dilakukan pembagian 20% untuk data latih dan 80% untuk data uji. Pada kasus II, dilakukan pembagian
30% untuk data latih dan 70% untuk data uji. Pada kasus III, dilakukan pembagian 50% untuk data latih
dan 50% untuk data uji. Pada kasus IV, dilakukan pembagian 70% untuk data latih dan 30% untuk data
uji.
Pertama, menghitung rata-rata dan standar deviasi untuk setiap atribut berdasarkan kelasnya.
Konsep dasar metode Naive Bayes adalah Teorema Bayes, yaitu memprediksi peluang di masa depan
berdasarkan pengalaman di masa sebelumnya. Persamaan Naive Bayes untuk klasifikasi dengan data uji
menggunakan fungsi distribusi Gaussian (distribusi normal) yang secara matematis dapat dituliskan9,11,12:
^ x-n h
f ] xg = (1)
1 1
e- v 2
v 2r
dimana, μ = mean (rata-rata) dan σ = standar deviasi.
Selanjutnya dilakukan perhitungan likelihood semua kelas untuk mendapatkan probabilitas class-
assignment. Dalam menghitung nilai probabilitas akhir suatu kejadian (posterior probability), dipilih
kelas dengan probabilitas yang paling tinggi. Kalkulasi akan dilakukan secara otomatis menggunakan
rapidminer. Langkah terakhir yaitu evaluasi performa model menggunakan confusion matrix. Confusion
matrix digunakan untuk menguji hasil testing dataset yaitu tingkat kedekatan antara nilai aktual dengan
nilai prediksi11,13.
78
Gambar 2. Operator rapidminer.

Keterangan :
14
● Retrieve; Operator ini dapat mengakses informasi yang tersimpan di repository dan memuatnya ke
dalam proses. Informasi yang dimuat biasanya merupakan exampleset, collection, ataupun model.
● Split Data; Operator ini mengambil exampleset sebagai input kemudian dipartisi menjadi subset,
lalu dikirim melalui port outputnya.
● Naive Bayes; Operator ini menghasilkan model klasifikasi Naive Bayes.
● Apply Model; Operator ini menerapkan model pada exampleset.
● Performance; Operator ini digunakan untuk evaluasi kinerja.
Pada kasus I, digunakan data latih 20% dataset iris, dengan sampel data sebagai berikut:
Tabel 1. Tabel sampel data latih untuk kasus I.
id kelas a1 a2 a3 a4
Id_1 Iris-setosa 5.1 3.5 1.4 0.2
Id_5 Iris-setosa 5 3.6 1.4 0.2
Id_10 Iris-setosa 4.9 3.1 1.5 0.1
… … … … … …
Id_143 Iris-virginica 5.8 2.7 5.1 1.9
Tabel 2. Tabel nilai probabilitas setiap kelas untuk kasus I.
Kelas Jumlah training Probabilitas
Iris-setosa 10 0.33
Iris-versicolor 10 0.33
Iris-virginca 10 0.33
Total 30
Langkah pertama yaitu menghitung nilai rata-rata dan standar deviasi atribut setiap kelas. Sebagai
contoh, menghitung nilai rata-rata dan standar deviasi atribut a1 utnuk kelas iris-setosa, didapatkan
sebagai berikut:
/ n
xi + + + + + + + + + (2)
n= i=1
n = 5.1 5 4.9 5.7 4.610 4.8 5.5 5 5.1 5 = 5.07
/ n
^ xi - nh2
v= i=1
(3)
n-1
]5.1 - 5.07g2 + ]5 - 5.07g2 + ... + ]5 - 5.07g2 (4)
v= 10 - 1
v = 0.42 (5)
Dengan cara yang sama, menghitung nilai rata-rata dan standar deviasi setiap atribut masing-masing
kelas, didapatkan sebagai berikut:
79
Tabel 3. Tabel nilai rata-rata dan standar deviasi setiap atribut untuk kasus I.
a1 a2 a3 a4
Kelas
μ σ μ σ μ σ μ σ
Iris-setosa 5.07 0.32 3.52 0.36 1.42 0.2 0.2 0.05
Iris-versicolor 6.02 0.58 2.75 0.4 4.24 0.37 1.26 0.18
Iris-virginica 6.43 0.49 3.01 0.29 5.4 0.42 1.98 0.27
Misalkan terdapat data uji id_79 dengan nilai masing-masing atribut yaitu: a1 = 6; a2 = 2.9; a3 =
4.5; dan a4 = 1.5. Pertama, menghitung likelihood setiap kelas menggunakan distribusi Gaussian. Untuk
atribut a1 kelas iris-setosa dapat dituliskan sebagai berikut:
f ] xg = e- 2 b v l (6)
1 1 x-n 2
v 2r
f ] xg = e - 2 b 0.32 l (7)
1 1 5.1 - 5.07 2
0.32 2 b 7 l
22
f ] xg = 0.02 (8)
Dengan cara yang sama, didapatkan nilai yang lainnya yaitu:
Tabel 4. Tabel nilai distribusi Gaussian setiap atribut pada kasus I.
kelas a1 a2 a3 a4
iris-setosa 0.02 0.24 9.62 × 10 –50
6.12 × 10–165
iris-versicolor 0.68 0.94 0.84 0.9
iris-virginica 0.56 1.29 0.1 0.3
Nilai likelihood didapatkan dengan mengalikan nilai distribusi Gaussian dengan nilai probabilitas
setiap kelas yang dijelaskan dengan rumus sebagai berikut11,15:
likelihood (target kelas) = P(kelas) P(a1|kelas) p(a2|kelas) P(a3|kelas) P(a4|kelas) (9)
Tabel 5. Tabel nilai likelihood setiap kelas pada kasus I.
Kelas likelihood
iris-setosa 8.77 × 10–217
iris-versicolor 0.16
iris-virginica 0.01
Nilai likelihood setiap kelas digunakan untuk mencari nilai yang dapat dituliskan sebagai berikut:
likelihood ^iris - setosah
Passignment ] I.set g = (10)
likelihood I.set + likelihood ] I.versg + likelihood ^ I.verg h
] g
Passignment ] I.set g =
8.77 # 10 -217 =0 (11)
8.77 # 10 -217 + 0.16 + 0.01
likelihood ]iris - versicolorg
Passignment ] I.versg = (12)
likelihood ] I.set g + likelihood ] I.versg + likelihood ^ I.virg h
Passignment ] I.versg =
0.16 = 0.941176471 (13)
8.77 # 10 -217 + 0.16 + 0.01
likelihood _iris - virginica i
Passignment ^ I.virg h = (14)
likelihood ] I.set g + likelihood ] I.versg + likelihood ^ I.virg h
Passignment ^ I.virg h = (15)
0.01 = 0.058823529
8.77 # 10 -217 + 0.16 + 0.01
Sehingga dapat diketahui bahwa data uji untuk id_79 masuk ke dalam kelas iris-versicolor karena
Passignment (iris-versicolor) lebih tinggi dibanding kelas lainnya. Setelah diterapkan metode Naive Bayes
pada training dataset dan testing dataset, selanjutnya dilakukan evaluasi menggunakan confusion
matrix.
80
Tabel 6. Tabel confusion matrix untuk kasus I dengan tingkat akurasi sebesar 94.17%.
true iris-setosa true iris-versicolor true iris-virginica class precision
pred. iris-setosa 40 0 0 100.00%
pred. iris-versicolor 0 35 2 94.59%
pred. iris-virginica 0 5 38 88.37%
class recall 100.00% 87.50% 95.00%
class recall 100.00% 88.57% 94.29%
Tabel 8. Tabel confusion matrix untuk kasus I dengan tingkat akurasi sebesar 96%.
class recall 100.00% 92.00% 96.00%
class recall 100.00% 100.00% 93.33%
Terdapat 150 id sampel dataset iris yang digunakan dalam penelitian ini. Untuk id_1 - id_50 merupakan
kelas iris-setosa, id_51 - id_100 merupakan kelas iris-versicolor, dan untuk id_101 - id_150 termasuk ke
dalam kelas iris-virginica. Dapat dilihat pada tabel confusion matrix bahwa semakin banyak data latih yang
diberikan maka tingkat akurasi yang didapatkan cenderung semakin tinggi. Pada tabel confusion matrix untuk
kasus I, II, III, dan IV, selalu terdapat nilai pada kolom true iris-virgnica - pred. iris-versicolor, dan kolom true
iris-versicolor - pred. iris-virginica. Hal ini terjadi karena nilai atribut a1, a2, a3, dan a4 iris-versicolor dan
iris-virginica tidak berbeda jauh. Sedangkan pada kelas iris-setosa tidak terdapat kesalahan prediksi karena
nilai atribut a3 dan a4 berbeda jauh, meskipun nilai a1 dan a2 tidak jauh berbeda, dapat dilihat pada gambar 3:
Gambar 3. Gambar visualisasi data uji pada kasus I.

81
Hasil yang didapatkan pada penelitian ini cenderung bagus karena beberapa faktor, diantaranya
yaitu parameter yang terlibat tidak terlalu banyak, hanya satu tipe data atribut yaitu numerik, dan target
kelas seimbang sehingga probabilitas setiap kelasnya sama.
4. KESIMPULAN
Pada penelitian ini, metode Naive Bayes mampu mengklasifikasikan kelas bunga iris menggunakan
program rapidminer. Metode ini memvariasikan jumlah data latih (training dataset) dan data uji (testing
dataset). Ada 4 variasi dengan persentase data latih dan data uji yang berbeda, yaitu sebesar 80% (kasus
I), 70% (kasus II), 50% (kasus III), dan 30% (kasus IV) untuk data uji. Simulasi menghasilkan nilai
akurasi untuk kasus I, kasus II, kasus III, dan kasus IV masing-masing sebesar 94.17%, 94.29%, 96%,
dan 97.78%.
UCAPAN TERIMA KASIH

Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala, karena atas
limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan paper ini. Ucapan terima kasih
penulis sampaikan kepada bapak Eko Juarlin, S.Si., M.Si. selaku pembimbing pertama penulis yang rela
meluangkan waktunya untuk membimbing penulis dalam menyelesaikan paper ini, dan Prof. Dr.rer-nat.
Wira Bahari Nurdin selaku pembimbing kedua penulis. Tak lupa penulis sampaikan terima kasih kepada
orang tua tercinta dan saudara-saudari yang menyayangi dan memberi dukungan kepada penulis.
LAMPIRAN
Lampiran 1. Sampel dataset iris.
id Kelas a1 a2 a3 a4 id Kelas a1 a2 a3 a4
id_1 Iris-setosa 5.1 3.5 1.4 0.2 id_23 Iris-setosa 4.6 3.6 1.0 0.2
82
id_45 Iris-setosa 5.1 3.8 1.9 0.4 id_86 Iris-versicolor 6.0 3.4 4.5 1.6
id_51 Iris-versicolor 7.0 3.2 4.7 1.4 id_92 Iris-versicolor 6.1 3.0 4.6 1.4
id_60 Iris-versicolor 5.2 2.7 3.9 1.4 id_101 Iris-virginica 6.3 3.3 6.0 2.5
83
id_127 Iris-virginica 6.2 2.8 4.8 1.8 id_139 Iris-virginica 6.0 3.0 4.8 1.8
Lampiran 2. Visualisasi data uji untuk kasus II.
Lampiran 3. Visualisasi data uji untuk kasus III.
84
Lampiran 4. Visualisasi data uji untuk kasus IV.
DAFTAR PUSTAKA
1. Cholissodin, I., et. al. (2020). Machine Learning & Deep Learning (Teori & Implementasi). Fakultas
Ilmu Komputer. Universitas Brawijaya. Malang.
2. Wijaya, E. (2013). Analisis Penggunaan Algoritma Breadth First Search dalam Konsep Artificial
Intellegencia. Jurnal TIME 2(2):18-26.
3. Roihan, A. et. al. (2019). Pemanfaatan Machine Learning dalam Berbagai Bidang: Review Paper.
Indonesian Journal on Computer and Information Technology 5(1):75-82.
4. Yuliati, I. F., dan Sihombing, P. R. (2021). Penerapan Metode Machine Learning dalam Klasifikasi
Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. Matrik: Jurnal Manajemen. Teknik
Informatika. dan Rekayasa Komputer 20(2):417-426.
5. Alkaromi, M. A. Komparasi Algoritma Klasifikasi untuk Dataset Iris dengan Rapidminer. Program
Studi Teknik Informatika STMIK Widya Pratama.
6. Hermanto, D. M. C. (2107). Analisis Algoritma Clustering dalam Kasus Penentuan Jenis Bunga Iris.
Jurnal Media Aplikom 9(2):72-84.
7. Lina, Q. Klasifikasi Spesies pada Bunga Iris menggunakan Artificial Neural Network. Diakses
dari https://medium.com/@16611110/klasifikasi-spesies-pada-bunga-iris-menggunakan-artificial-
neural-network-63cbee1a2334. 17 Agustus 2022.
8. Nofitri, R., dan Irawati, N. (2019). Analisis Data Hasil Keuntungan Menggunakan Software
Rapidminer. Jurnal Teknologi dan Sistem Informasi 5(2):199-204.
9. Susana, H., et. al. (2022). Penerapan Model Klasifikasi Metode Naive Bayes Terhadap Penggunaan
Akses Internet. Jurnal Sistem Informasi dan Teknologi Informasi 4(1):1-8.
10. Verawati, Y., dan Hasibuan, M. S. (2021). Perbandingan Data Set Iris dengan Aplikasi Rapid
Miner dan Orange menggunakan Algoritma Klasifikasi. Seminar Nasional Hasil Penelitian dan
Pengabdian Masyarakat: 158-163.
11. Lestari, A. (2022). Klasifikasi Bintang RR Lyrae/Cepheid/Mira Menggunakan Metode Naive
Bayes. Skripsi. Departemen Fisika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas
Hasanuddin. Makassar.
12. Bustami. Penerapan Algoritma Naive Bayes untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal
Informatika 8(1):884-898.
13. Yuyun, Hidayah, N., dan Sahibu, S. (2021). Algoritma Multinomial Naive Bayes untuk Klasifikasi
Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter. Jurnal Resti
5(4):820-826.
14. Rapidminer. Diakses dari https://docs.rapidminer.com/latest/studio/operators/blending/examples/
samp ling/split_data.html. 18 Agustus 2022.
15. Putra, J. W. G. (2020). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. Tokyo. Jepang.
85
Klasifikasi Pasien Kanker Payudara Menggunakan

Naive Bayes Dengan Program RapidMiner
Betuel Nabyal*1, Eko Juarlin2, Heryanto3
1,2,3
E-mail: *1betuelnabyal23@gmail.com
Abstrak
Klasifikasi kanker payudara berhasil dilakukan. Metode yang digunakan adalah naïve bayes. Program
yang digunakan adalah rapidminer. Ada 15 parameter masukan dan 2 kelas target. Ada 2 tipe data yaitu
numerik dan polinomial. Ada 4 variasi perbandingan. Akurasi hasil penelitian sekitar 83%. Nilai akurasi
berubah maksimum 1% akibat perubahan variasi. Karena ada banyak parameter dan anggota himpunan
dalam parameter, nilai akurasi relatif tidak berubah terhadap variasi.
Kata Kunci: Kanker Payudara, RapidMiner, klasifikasi Naïve Bayes, matriks konfusi
1. PENDAHULUAN
Kanker payudara adalah kanker yang terbentuk di jaringan payudara. Kanker payudara terjadi
ketika sel-sel pada jaringan yang ada di payudara tumbuh tidak terkendali dan mengambil alih jaringan
payudara yang sehat dan sekitarnya. Kanker payudara menempati urutan pertama terkait jumlah kanker
terbanyak di Indonesia serta menjadi salah satu penyumbang kematian pertama akibat kanker. Data
Globocan tahun 2020, jumlah kasus baru kanker payudara mencapai 68.858 kasus (16,6%) dari total
396.914 kasus baru kanker di Indonesia. Sementara itu, untuk jumlah kematiannya mencapai lebih dari
22 ribu jiwa1.
Pеmbеlаjаrаn mеѕіn atau machine learning, adalah dіѕірlіn іlmu yang mencakup perancangan dan
реngеmbаngаn algoritma untuk mengembangkan perilaku уаng dіdаѕаrkаn pada data еmріrіѕ, Sіѕtеm
реmbеlаjаr dapat mеmаnfааtkаn соntоh data untuk mеnаngkар ciri уаng diperlukan dаrі рrоbаbіlіtаѕ
уаng mеndаѕаrіnуа уаng tіdаk diketahui. Dаtа dараt dilihat ѕеbаgаі соntоh уаng mеnggаmbаrkаn
hubungаn antara variabel уаng diamati. Algoritma dаlаm pembelajaran mesin dараt dikelompokkan
berdasarkan mаѕukаn dаn keluaran уаng dіhаrарkаn. Contoh algoritma pembelajaran mesin adalah
Dесіѕіоn Trее/Pоhоn kерutuѕаn, K nearest neighbor, Naïve Bayes, K means clustering2.
RapidMiner merupakan perangkat lunak yang bersifat terbuka open source. RapidMiner adalah
sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi.
RapidMiner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input, output,
data preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri sendiri untuk analisis
data dan sebagai mesin data mining yang dapat diintegrasikan pada produknya sendiri3.
Statistika Bayes adalah sebuah teori di bidang statistika yang didasarkan pada interpretasi Bayes
tentang probabilitas di mana probabilitas mengekspresikan tingkat kepercayaan pada suatu peristiwa.
Metode statistika Bayes menggunakan teorema Bayes untuk menghitung dan memperbarui probabilitas
setelah mendapatkan data baru. Teorema Bayes menggambarkan probabilitas bersyarat pada suatu
peristiwa berdasarkan data serta informasi atau keyakinan sebelumnya tentang peristiwa, atau kondisi
yang terkait dengan peristiwa tersebut2.
Naïve Bayes Classifier merupakan sebuah metoda klasifikasi yang berakar pada teorema Bayes.
Metode pengklasifikasian dengan menggunakan metode probabilitas dan statistik yang dikemukakan oleh
ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di
masa sebelumnya. Probabilitas yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai jumlah
frekuensi dari data latih. Naive Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya.
Keuntungan penggunaan adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan training data
yang kecil unt menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian2.
86
Dalam makalah ini, ditentukan target dengan kelas alive atau dead seorang pasien penderita kanker
payudara. .Data diambil dari salah satu website penyedia data4. Terdapat 15 parameter yang menentukan
kelas target seperti dijelaskan dalam metodologi penelitian. Untuk mendapatkan target, Program
RapidMiner digunakan. Performa dihitung dengan menganalisis confussion matrix.
2. BAHAN DAN METODE

Data memiliki parameter dan jenisnya sebagai berikut:
1. Usia, tipe data bilangan bulat
2. Ras, tipe data polynomial. Anggota himpunan Ras adalah: White, Black, Other.
3. Status pernikaan tipe data polinomial anggota himpunan adalah : Single, Divorced, Married,
Widowed
4. Kategori T tipe data polinominal. Anggota himpunan kategori T adalah T1, T2, T3, T4
5. Kategori N tipe data polinominal. Anggota himpunan kategori N adalah N1, N2, N3
6. 6th stage, tipe data polinominal Anggota himpunan kategori 6th stage adalah IIA, IIB, IIIA, IIIC
7. Differentiate, tipe data polynomial. Anggota himpunan adalah : Moderately , Poorly, Well,
8. Tingkat, tipe data bilangan bulat
9. A stage tipe data polynomial. Anggota himbunan A stage adahah : Regional, Distant
10. Ukuran tumor, tipe data bilangan bulat
11. Estrogen status agota himpunan estrogen adalah: positif, negatif
12. Progesteron, status, tipe data polynomial. Anggota himpunan progesterone adalah positif, negatif
13. Regional Node Examine, tipe data bilangan bulat
14. Regional Node Positive, tipe data bilangan bulat
15. Survival Months, tipe data bilangan bulat.
Kelas target adalah Alive dan Dead. Semua data dimasukan ke dalam program.
Setelah masukan data awal selesai, data dibagi dua kelompok, yaitu: data latih dan data uji. Data
latih dihitung dengan teknik sebagai berikut:
1. Data tipe numerik, dihitung rata-rata dan standar deviasi untuk menentukan ukuran statistik suatu
parameter menghasilkan dead atau alive. Setelah dihitung rata rata (μ) dan standar deviasi (σ).
dihitung probabilitas dengan rumus fungsi distribusi Gauss sebagai berikut:
e- 2 b v l
1 x-n
f ^ A | X1h =
2
(1)
v 2r
2. Data tipe polinomial, dihitung probabilitas untuk menghasilkan kejadian dead atau alive untuk setiap
anggota himpunan dalam semua parameter. Rumus probabilitas data polinomial adalah
/ Kejadian A Menghasilkan target X1
P ^ A | X1h = / Semua kejadian dalam parameter (2)
Setiap data uji dihitung probabilitasnya dengan langkah sebagai berikut:
1. Alive. Rumus untuk menghitung kedekatan suatu himpunan data uji dengan alive
L(alive) = P(alive) P(age│alive) … P(survival months│alive)
2. Dead. Rumus untuk menghitung kedekatan suatu himpunan data uji dengan dead
L(dead) = P(dead) P(age│dead) … P(survival months│dead)
]aliveg
3. Probablitas assignment alive dihitung dengan rumus Passignment ]aliveg = L ]aliveg + L ]dead g . Probablitas
L
]dead g
assignment dead dihitung dengan rumus Passignment ]dead g = ] L g
L alive + L ]dead g
4. Jika Passignment(alive) > Passignment(dead), keputusan adalah alive. Jika Passignment(dead) > Passignment(alive),
keputusan adalah dead.
Keputusan atas satu data uji diperoleh melalui langkah 1 - 4. Langkah diterapkan ke semua data uji.
Setelah melalui proses penghitungan data uji, didapatkan keputusan dari model semua data latih.
87
Performa dihitung menggunakan matriks konfusi yang dituliskan dalam tabel 1.

Tabel I. Matriks Konfusi Kosong
true Alive true Dead class precision
pred. Alive … … …
pred. Dead … … …
class recall … …

Jendela desain blok program RapidMiner untuk menyelesaikan masalah adalah sebagai berikut:
Gambar 1. Desain Blok Naïve Bayes dengan RapidMiner

Dalam gambar 1, blok yang terlibat adalah:
1. Retrieve Breast Cancer yang berfungsi memasukkan semua data ke dalam desain
2. Set Role berfungsi untuk menetapkan parameter target
3. Split Data berfungsi untuk menetapkan data latih dan data uji. Keluaran blok split data ada dua,
yaitu data latih ke blok Naïve Bayes dan data uji ke blok Apply Model
4. Naïve Bayes berfungsi untuk menghasilkan rata-rata dan standar deviasi semua atribut data latih
5. Apply Model berfungsi untuk menerapkan model yang telah dilatih ke dalam data uji Tujuannya
adalah untuk mendapatkan prediksi pada data uji
6. Performance yang berfungsi menghasilkan tingkat kesesuaian prediksi dengan target.
Beberapa data hasil keluaran Apply Model di salah satu eksekusi terdapat di gambar 2.
Gambar 2. Cuplikan Keluaran Blok Apply Model
Nomor data True Prediction
1 Alive Alive
… … …
5 Dead Alive
6 Alive Dead
… … …
63 Dead Dead
… … …
Jumlah pasangan kejadian yang mungkin dihitung lalu dimasukan ke dalam matriks konfusi. Matriks
konfusi pada kasus data latih : data uji = 8 : 2 dijelaskan dalam tabel 2.
88
Tabel 2. Matriks Konfusi

8:2 true Alive true Dead class precision
pred. Alive 596 59 90.99%
pred. Dead 84 62 42.47%
class recall 87.65% 51.24%
Nilai kejadian di semua kombinasi dibuat persentasenya. Matriks konfusi dibuat juga untuk
perbandingan yang lain yang hasilnya dijelaskan dalam tabel 3.
Tabel 3. Persentase Kejadian Pada Semua Variasi
Data latih : L. Alive – P. L. Alive – P. L. Dead – P. L. Dead – P.
Akurasi
data uji Alive Dead Alive Dead
2:8 0,752497 0,074594 0,074594 0,077091 82, 96
4:6 0,753225 0,095298 0,076155 0,075323 82, 85
6:4 0,752809 0,095506 0,071785 0,0799 83,27
8:2 0,7441 0,1049 0,073658 0,077403 82,15
Nilai akurasi di dalam matriks konfusi tidak menunjukan perubahan terhadap perubahan
perbandingan. Nilai akurasi sekitar 83 %. Hal itu mungkin terjadi karena beberapa penyebab. Pertama,
ada banyak parameter yang menentukan kelas sehingga pola pemetaan parameter terhadap suatu target
susah didapat, Kedua, ada banyak anggota himpunan dalam suatu parameter polinomial, seperti ras,
kategori T, kategori N, Status Pernikahan, 6th stage, differentiate, dan lain-lain. Nilai probabilitas dead
true atau predict sangat kecil karena perbandingan jumlah data kelas target jauh berbeda. Kelas dead
0,15 dan kelas alive 0,85. Perbedaan perbandingan itu mengakibatkan nilai probabilitas dead jauh
lebih kecil dari alive. Nilai probalitas itu menentukan nilai likelihood yang selanjutnya menentukan
probabilitas assignment.
4. KESIMPULAN DAN SARAN

Klasifikasi Naïve Bayes tidak mampu membedakan himpunan dalam parameter yang menghasilkan
kelas target tertentu. Nilai akurasi sekitar 83 %. Kasus tersebut dapat diklasifikasikan dengan metode
lain. Kasus tersebut dapat dikurangi parameternya sehingga didapat akurasi yang lebih tinggi.
UCAPAN TERIMA KASIH

Puji syukur kepada Tuhan yang Maha Esa atas berkat dan rahmat-Nya sehingga saya dapat
menyelesaikan penyusunan Makalah ini. Dalam proses penelitian dan penyusunan makalah ini tentu
banyak pihak yang membantu. Saya ingin mengucapkan Terima Kasih untuk pihak yang telah membantu
penelitihan dan penyusunan makalah, diantaranya Ucapan Terima Kasih untuk Eko Juarlin, S.S., M.Si
sebagai Dosen pembimbing yang baik dan sabar dalam membimbing saya dalam proses penyusunan
makalah ini serta ibu dan ayah saya, sebagai orang tua dan memberi saya semangat.
DAFTAR PUSTAKA
1. Budi G. Sandikin (2020). Buku Lengkap Kanker Payudara Kementerian Kesehatan Republik
Indonesia, Jakarta
2. Jan Wira Gotama Putra (2020). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning, Tokyo
3. Dennis Aprillia C dkk,(2013). Belajar Data Mining Dengan RapidMiner, Jakarta
4. https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/
89
Wormhole dalam Persamaan Medan Gravitasi Einstein

Efektif Dunia Brane Didukung oleh Energi Phantom
M. H. Hamdi*1, Bansawang, BJ2, A. Sutiono3
1,2,3
Program Studi Fisika, Fakultas MIPA, Universitas Hasanuddin
E-mail: *1hilalhamdi83@gmail.com
Abstrak
Telah dilakukan penelitian mengenai wormhole dalam persamaan medan gravitasi Einstein dunia brane.
Suatu wormhole pada brane dikonstruksi dengan menggunakan metrik statik dan simetri bola untuk
wormhole seperti yang diajukan oleh Morris dan Thorne dengan skalar Ricci pada brane yang tidak nol.
Peninjauan dilakukan pada brane yang tidak vakum dan bulk yang vakum. Tensor energi-momentum
efektif dirancang sehingga melanggar kondisi energi nol. Wormhole dibuat sedemikian rupa sehingga
dapat didukung oleh kehadiran phantom energy. Hasil penelitian menunjukkan bahwa, wormhole yang
dikonstruksi ternyata didukung oleh phantom energy. Visualisasi dimensi 2 dan dimensi 3 dari wormhole
didapatkan.
Kata Kunci: braneworld, phantom energy, wormhole.
1. PENDAHULUAN
Salah satu solusi persamaan medan gravitasi Einstein yang cukup menarik perhatian adalah wormhole1.
Wormhole memiliki ciri-ciri yaitu tidak memiliki cakrawala peristiwa (event horizon), tidak memiliki
singularitas, dan memiliki jembatan yang dapat dilalui. Jembatan tersebut menghubungkan dua alam
semesta atau dua wilayah berbeda dalam ruang-waktu yang sama2. Wormhole dapat menghubungkan
dua wilayah di alam semesta yang berada pada jarak yang sangat jauh3. Studi tentang wormhole memiliki
sejarah yang panjang dan berbeda. Solusi persamaan medan gravitasi Einstein pada wormhole pertama
kali ditemukan oleh Albert Einstein dan Nathan Rosen pada tahun 1935. Solusi yang disajikan oleh
Einstein dan Rosen ini menghasilkan wormhole yang tidak dapat dilalui dikarenakan masih terdapat
suatu singularitas akibat ketidakstabilan jembatan Einstein-Rosen pada modelnya tersebut4.
Michael S. Morris dan Kip S. Thorne dalam penelitiannya telah menemukan konstruksi matematis
mengenai wormhole yang dapat dilalui dengan menggunakan metrik statik dan simetri bola untuk wormhole5.
De-Chang Dai, Djordje Minic, dan Dejan Stockovic menunjukkan cara mengkonstruksi wormhole dengan
memodelkan alam semesta sebagai brane 3 + 1 dimensi, tetapi hasil konstruksinya belum menjamin
menghasilkan wormhole yang stabil3. Dalam penelitian tersebut, dibuat solusi baru untuk wormhole dalam
ruang de-Sitter sebagai solusi eksak vakum terbaru dari persamaan medan gravitasi Einstein3.
Terdapat berbagai model dalam literatur di mana alam semesta dimodelkan sebagai sub-ruang
atau brane yang memiliki 3 + 1 dimensi yang tertanam pada ruang dimensi 5. Sebuah brane yang
dalam hal ini digunakan p-brane memiliki p + 1 dimensi3. Brane berperilaku seperti materi biasa, dapat
mempertahankan fluktuasi kuantum dari awal sejak penciptaannya. Fluktuasi kuantum menyebabkan
brane melipat, memutar, dan bahkan menyilang. Sebuah ruang yang terlipat berpotensi mendukung
jalan pintas antara dua titik yang jauh3. Titik ruang mungkin berjauhan sepanjang brane tetapi dapat
dikatakan sangat dekat apabila bulk ditinjau. Shiromizu, Maeda, dan Sasaki menemukan persamaan
medan gravitasi Einstein efektif dunia brane yang disederhanakan sehingga serupa dengan persamaan
medan gravitasi Einstein pada limit energi rendah6.
K.A Bronnikov dan Sung-Won Kim telah mendapatkan solusi persamaan medan gravitasi Einstein
pada brane yang vakum untuk wormhole yang datar, statik, dan simetri bola dengan skalar Ricci yang
bernilai nol7. Fransisco S. N. Lobo menggeneralisasi untuk brane yang tidak vakum dengan materi yang
non eksotik. Digunakan skalar Ricci yang tidak nol dalam penelitiannya ini8. Lemos, Lobo dan Olivera
telah meninjau wormhole Thorne-Morris dengan konstanta kosmologis yang tidak nol tetapi tidak
90
dilakukan pada persamaan medan gravitasi Einstein yang termodifikasi9. Anchordoqui dan Bergliaffa
menunjukkan bahwa model dimensi 5 yang ditunjukkan oleh Model Randall-Sundrum adalah setengah
wormhole10. M. La Camera juga menemukan solusi wormhole pada model sederhana dari Model
Randall-Sundrum11. Komposisi penting dari suatu wormhole adalah pelanggaran dari kondisi energi
nol8. Agar konstruksi wormhole tetap stabil, dibutuhkan kondisi seperti ini. Persamaan medan gravitasi
Einstein dapat menjadi solusi untuk geometri wormhole apabila tensor energi-momentum melanggar
kondisi energi nol. Terdapat suatu materi yang dapat melanggar kondisi energi nol ini. Materi ini disebut
sebagai materi eksotik karena tekanan radial bernilai negatif.
Terdapat banyak versi dari materi eksotik tersebut yang melanggar kondisi energi nol dan
mendukung eksistensi wormhole5,7. Salah satu kandidat yang mungkin adalah phantom energy sebagai
materi eksotik8. Terdapat penelitian terkait yang mengasumsikan bahwa phantom energy diasumsikan
memiliki rapat energi positif tetapi tekanan radial negatif. Studi mengenai distribusi phantom energy
pada wormhole telah dilakukan oleh Sushkov dengan melakukan pemilihan spesifik terhadap rapat
energi12. Fransisco S.N. Lobo telah melakukan studi mengenai wormhole yang didukung oleh phantom
energy pada persamaan medan gravitasi Einstein yang tidak termodifikasi13.
Berdasarkan pada penelitian sebelumnya, penelitian ini mengonstruksi suatu wormhole pada brane
dengan menggunakan metrik statik dan simetri bola untuk wormhole seperti yang diajukan oleh Morris
dan Thorne dengan skalar Ricci pada brane yang tidak nol. Brane yang tidak vakum dan bulk yang
vakum ditinjau. Tensor energi-momentum efektif akan dirancang agar melanggar kondisi energi nol.
Kerapatan energi, tekanan radial, dan tekanan transversal efektif dari phantom energy dirumuskan.
Persamaan keadaan dari phantom energy untuk memperoleh solusi dari persamaan medan gravitasi
Einstein efektif itu sendiri di mana properti efektifnya pada brane ωeff < –1 digunakan. Wormhole dibuat
sedemikian rupa sehingga dapat didukung oleh kehadiran phantom energy.
2. METODE PENELITIAN
Tensor Einstein pada Persamaan Medan Einstein Efektif Dunia Brane dihitung melalui tahapan:
1. Menentukan metrik ruang-waktu
2. Mencari komponen tetrad dan konstanta transformasi e nvt dari metrik ruang-waktu
3. Mencari basis vektor ortonormal dari komponen tetrad dan konstanta transformasi e nvt
4. Mencari bentuk koneksi ~ij melalui persamaan struktur Cartan pertama
5. Mencari tensor Riemann R bcd t t t melalui persamaan struktur Cartan kedua
at
6. Mencari tensor Ricci Rnt vt dari tensor Riemann

7. Mencari skalar Ricci R dari tensor Ricci
8. Memasukkan metrik gnt vt , tensor Ricci Rnt vt , dan skalar Ricci R ke tensor Einstein Gnt vt .
Suku Kuadratik pada Persamaan Medan Gravitasi Einstein Efektif Dunia Brane dihitung melalui
tahapan:
1. Mencari tensor energi-momentum Tnt vt .
2. Mencari tensor energi-momentum campuran T ytat dari tensor energi-momentum Tnt vt
3. Mencari tensor energi momentum kontravarian T not t dari tensor energi-momentum Tnt vt
4. Mencari bentuk skalar tensor energi momentum T dari tensor energi-momentum Tnt vt
5. Mencari bentuk skalar kuadratik tensor energi-momentum T2 dari bentuk skalar tensor energi
momentum T
6. Melakukan subtitusi tensor energi-momentum campuran T yt , tensor energi momentum kontravarian
at
T no , bentuk skalar tensor energi momentum T, dan bentuk skalar kuadratik tensor energi-momentum
t t
T2 untuk mencari suku kuadratik energi tinggi P not t .

Solusi Persamaan Medan Gravitasi Einstein Efektif Dunia Brane dihitung melalui tahapan:
1. Menentukan fungsi bentuk b(r) pada metrik ruang-waktu.
2. Mencari b'(r) yaitu bentuk turunan orde pertama terhadap r dari fungsi bentuk b(r) yang telah
ditentukan.
91
3. Melakukan subtitusi ke Φ'(r).

4. Melakukan integrasi untuk memperoleh redshift function Φ(r).
5. Memasukkan Φ(r) dan b(r) pada metrik ruang-waktu.
Rapat Energi, Tekanan Radial, dan Tekanan Transversal Efektif Phantom Energy dihitung melalui
tahapan:
1. Memasukkan b'(r) yang menyajikan ρeff.
2. Memasukkan ρeff ke persamaan keadaan phantom energy untuk mencari tekanan radial phantom
energy p reff .
3. Mencari turunan orde pertama dan turunan orde kedua terhadap r dari Φ(r)
4. Memasukkan Φ'(r), Φ''(r), b(r), dan b'(r) ke persamaan yang menyajikan tekanan transversal
phantom energy p treff .
Pelanggaran Kondisi Energi Nol dipastikan dengan tahapan:
1. Menjumlahkan ρeff dengan p reff untuk memastikan kondisi energi nol terlanggar
2. Memastikan hasil penjumlahan bernilai kurang dari nol
3. Mencari ρeff dan p reff yang baru apabila hasil penjumlahan bernilai lebih dari nol.

Metrik ruang-waktu yang merepresentasikan wormhole statik dan simetri bola diberikan dalam
persamaan 1.
ds 2 = - e 2U]r g dt 2 +
dr 2 + r 2 ^di 2 + sin 2 idz 2h (1)
b] r g
1- r
dimana Φ(r) dan b(r) merupakan fungsi arbitrer dari kordinat radial r [7,8,9,14]. Koordinat radial r
merepresentasikan lokasi dari suatu wormhole. Φ(r) berhubungan dengan fungsi pergeseran merah
(redshift function) dan b(r) berhubungan dengan fungsi bentuk yang menentukan bentuk dari wormhole
itu sendiri. Agar wormhole dapat dilalui, syarat tidak memiliki event horizon dipenuhi yang ditulis
dengan pertidaksamaan e2Φ(r) ≠ 0 sehingga Φ(r) memiliki nilai berhingga dan hasil dari pengintegrasian
l ] r g = ! # ^1 - b ] r g /r h 1/2 dr dibutuhkan agar memiliki nilai berhingga. Variabel l(r) merupakan jarak
r -
r
radial yang tepat (proper radial distance). Persamaan Medan Gravitasi Einstein efektif dunia brane
0
dituliskan sebagai berikut

6l 2 2 (2)
Gnot t = -/ gnot t + l 2 Tnot t + P not t - Enot t + 3 l52 Fnot t
m
Gnot t merupakan tensor Einstein pada brane, gnot t merupakan metrik pada brane, Tnot t merupakan tensor
energi-momentum, P not t merupakan suku kuadratik tensor energi-momentum, Enot t merupakan proyeksi
tensor Weyl, dan Fnot t merupakan suku medan materi non-lokal. Skenario dunia brane menganggap
hanya ada medan gravitasi tanpa ada medan materi dalam di dalam bulk maka suku medan materi non-
lokal lenyap dimana Fnot t = 0. Tidak ada kontribusi dari suku medan elektromagnetik Eno t t = 0 sehingga
persamaan (2) menjadi

6l 2 (3)
Gnot t = -/ gnot t + l 2 Tnot t + P not t
m
di mana Gnot t = Rnot t - 12 gnot t R
Melalui metode yang telah dijelaskan, tensor Einstein Gno t t dijelaskan dalam persamaan 4 – 7.
b l
(4)
Gtttt = 2
r
Grrtt = 2 b1 - br l r - 3
Ul b (5)
r
Giit t = b1 - br l:]Um + ]Ulg2g - 2r 2 - 2r Ul + r D
bl r - b bl r - b Ul (6)
t t = b1 -
t t = Gii
Gzz b l:]Um + ] lg2g - bl r - b - bl r - b Ul + Ul D (7)
r U 2r 2 2r r
92
Diperoleh juga suku kuadratik tensor energi-momentum P not t seperti dalam persamaan 8 – 10.
^ pr - pt - th^ pr - pt + th
P tttt = - 12
(8)
^t + pr + pt h^ pr - pt - th
P rrtt = - 12
(9)
t + ^ pr + pt h t + pr ^ pr - pt h
2
P iit t = P zz tt =
12
(10)
Rapat energi, tekanan radial, dan tekanan transversal diberikan dalam persamaan 11 – 13.
1 bl (11)
t eff = 8r 2
r
p reff = 8r b2 b1 - r l r - 3 l
1 b Ul b (12)
r
p treff = 8r b1 - br l;^Um + ]Ulg2h -
1 bl r - b - bl r - b l + Ul E (13)
2r 2 2r U r
Tekanan radial phantom energy terhubung dengan rapat energi efektif phantom energy melalui
persamaan keadaannya yang dirumuskan sebagai:
p reff = ~ eff t eff (14)
di mana ωeff merupakan properti dari phantom energy yang bernilai ωeff < –1. Subtitusikan p r pada eff
persamaan 12 pada persamaan 14, diperoleh

t eff = 8r~ b2 b1 - r l r - r3 l
1 b Ul b (15)
eff
Melalui persamaan (15) diperoleh

rbl ~ eff + b rbl ~ eff + b
2r2 ]1 - b/r g 2r ]r - bg
Ul = = (16)
Fungsi bentuk b(r) berdiri sebagai fungsi arbitrer maka, dilakukan suatu pemilihan fungsi, di mana
b(r) mengambil bentuk
b ] r g = r0 b rr l , bl] r g = a b rr l , 0 < a < 1
a a-1
(17)
0 0
Suatu fungsi bentuk pada wormhole harus memenuhi syarat b(r0) = r0 dan b'(r0 ) < 1. Persamaan 17
memenuhi syarat tersebut. Dengan melakukan subtitusi pada persamaan (17) ke persamaan 16, dapat
diperoleh
ra b rr l ~ eff + r0 b rr l
a-1 a
(18)
0 0
Ul =
2r 2 b1 - b r0 l l
r 1-a
dilakukan pengintegrasian terhadap r pada persamaan di atas dapat diperoleh

U] r g = 2 b -
1 1 + a~ eff l b b r0 l1 - a l (19)
ln 1 - r
1 a
Persamaan 17 dan 19 disubtitusikan ke persamaan 1 sehingga diperoleh solusi Persamaan Medan
Gravitasi Einstein Efektif
1 + a~eff
ds 2 =-;1 - b r0 l E 1 - a + r ^di + sin idz h

r 1-a dr 2
1-a
(20)
2
dt 2 +
2 2 2
1 -b r l
r0
Bila α pada persamaan 17 mengambil bentuk αn, dengan cara yang sama seperti dalam mencari
persamaan 20 diperoleh
1 + a n ~eff
ds =-;1 - b rr0 l E 1 - a + r ^di + sin idz h

dr 2
n
1-a 1 - an
2
dt 2 + 2 2 2 2
(21)
1 -b r l
r
n
0
93
dengan fungsi bentuk yang memenuhi

b ] r g = r0 b rr l , bl] r g = a n b rr l , 0 < a < 1
n n
a a -1
(22)
0 0
Persamaan 20 menghasilkan dalam kondisi r = r0, wormhole yang tidak dapat dilalui didapatkan.
1 + a~
Bila 1 - a = 0 , diperoleh wormhole yang dapat dilalui karena e2Φ ≠ 0 yang menandakan tidak ada event
eff
horizon dari wormhole tersebut dan Φ(r) memiliki nilai yang berhingga. Solusi tersebut menyajikan
wormhole yang didukung oleh phantom energy karena bila 1 1+-a~a = 0 , dapat diperoleh ~ =- a1 yang eff
eff
merepresentasikan properti dari phantom energy dimana ωeff < –1. Dari persamaan 21, untuk αn, diperoleh
1
~ eff =- a n .
Solusi yang diperoleh memenuhi persamaan medan gravitasi Einstein, efektif. Fungsi bentuk
yang diperoleh memenuhi kondisi pelebaran (flare-out condition) di mana b'(r0) < 1. Kondisi tersebut
memberikan gambaran bahwa terjadi pelebaran pada bagian tenggorokan (throat) dari wormhole.
Rapat energi efektif dari phantom energy diasumsikan bernilai positif ρeff > 0 untuk mereduksi sifat
eksotisitasnya sehingga hanya kondisi b'(r0) > 0 saja yang diizinkan. Fungsi bentuk memenuhi kondisi
b'(r0) > 0 didapat. Konstruksi wormhole yang diperoleh, adalah konstruksi wormhole yang datar ruang-
waktu asimtotik (asymptotically flat spacetime). Konstruksi asymptotically flat spacetime wormhole
terjadi bila lim b]rr g = 0 dan limU] r g = 0 .
r"3 r"3
Proper radial distance l(r) dipastikan agar memiliki nilai yang berhingga (finite). Proper radial
distance l(r) diberikan sebagai
l]r g = ! #
r
dr (23)
r b] r g
0
1- r
Dengan melakukan subtitusi dari persamaan 17 ke persamaan 23, diperoleh
l]r g = ! #
r
dr
1 - ]r0 /r g1 - a
(24)
r 0
Dengan menggunakan representasi integral pada Deret Hipergeometri Gauss15, diperoleh

l ] r g = ! 1 - 0a 1 - b r0 l F c - 2 ]1 - ag , 2 ; 2 ; 1 + b r0 l m
2r r 1-a a-2 1 3 r 1-a (25)
Di mana F(a,b;c;z) merupakan Deret Hipergeometri Gauss.
Rapat energi, tekanan radial, dan tekanan transversal dari phantom energy diberikan dalam persamaan
26 – 28.
a b r0 l1 - a (26)
t eff =
8rr 2 r
1 b r0 l1 - a (27)
p reff =-
8rr 2 r
b r - r0 b rr l l
a
;r0 b r l - ar b r l E
a 1-a
p treff =
0
(28)
16rr 3 r0 r 0
Persamaan untuk αn diberikan dalam persamaan 29 – 31.

a n b r0 l1 - a
n
t eff = (29)
8r r 2 r
1 b r0 l1 - a
n
p reff =- (30)
8rr 2 r
c r - r0 b r l m
n
a
r
;r0 b r l - ar b r l E
n n
a 1-a
p treff =
0
(31)
16rr 3 r0 r0
Pada persamaan 26 – 31 diberikan persamaan rapat energi, tekanan radial, dan tekanan transversal
efektif dari phantom energy. Rapat energi diasumsikan positif untuk mereduksi sifat eksotisitasnya
dikarenakan suatu wormhole tidak selalu berhubungan dengan materi yang memiliki kerapatan energi
negatif. Hal yang perlu diperhatikan adalah kerapatan energi negatif tidak penting tetapi tekanan radial
negatif diperlukan untuk menopang wormhole agar tetap terbuka.
94
Tekanan radial yang diperoleh memiliki nilai yang negatif. Tekanan radial memiliki nilai yang
negatif untuk 0 < α < 1. Tekanan radial yang negatif memiliki makna bahwa materi yang berada pada
wormhole memiliki sifat repulsif terhadap gaya gravitasi dan menjaga wormhole agar tetap terbuka.
Tekanan transversal memiliki nilai yang negatif. Tekanan transversal atau tekanan lateral merupakan
tekanan yang bekerja terhadap arah tangensial dan tegak lurus terhadap arah radial. Tekanan transversal
yang positif maupun negatif tidaklah menjadi masalah.
Diagram penyatuan digunakan untuk membuat visualisasi dari wormhole dalam bentuk gambar
21-22. Diagram penyatuan juga dapat digunakan untuk mengekstrak informasi yang penting dari
pemilihan fungsi bentuk b(r). Karena sifat alami dari metrik yang digunakan yakni simetri bola, dapat
dipertimbangkan θ = π/2 dan variabel waktu yang bernilai tetap. Dari pertimbangan tersebut, metrik
pada persamaan 1 dituliskan menjadi
dr 2 (32)
b] r g
ds 2 = + r 2 dz 2
1- r
Metrik di persamaan 32 disatukan dengan metrik pada suatu koordinat silinder (r\,ϕ,z) yakni
ds2 = dr2 + r2 dϕ2 + dz2 (33)
Melalui substitusi persamaan 33 ke persamaan 32, diperoleh
dz ; r - 1E
-1/2
(34)
b]r g
dr = !
Persamaan 17 disubtitusikan ke persamaan 31 sehingga diperoleh

z] r g = ! #
r
dr (35)
br l -1
r 1-a
r0
Dengan menggunakan representasi integral pada Deret Hipergeometri Gauss15, diperoleh

z ] r g = ! 1 - 0a b rr l - 1 F c - ]1 - ag , 2 ; 2 ; - ;b r0 l + 1Em
2r 1-a
a 1 3 r 1-a (36)
0 2
Dengan melakukan plot dimensi 2 dan dimensi 3, diperoleh
Gambar 1. Plot dimensi 2 persamaan 36

Plot dimensi 2 tersebut menunjukkan gambaran mengenai wormhole dalam bentuk dimensi 2. Dari
gambar 1, ada dua bagian yang berbeda di alam semesta yang saling bertemu untuk membentuk suatu
wormhole digambarkan. Gambar 2 menggambarkan secara penuh mengenai wormhole dalam tiga
dimensi.
95
Gambar 2. Plot 3-dimensi Persamaan (3.36)

Plot 3-dimensi tersebut menunjukkan gambaran penuh mengenai wormhole dalam bentuk dimensi
3. Persamaan 33 dapat memberikan visualisasi mengenai wujud dari wormhole itu sendiri.
Dalam referensi 16, persamaan untuk diagram penyatuan z(r) diberikan dalam persamaan 37.
z ] r g = ! 1 - 0a
2r b rr l - 1 F c 1 - 1, 1 ; 3 ; - b rr l + 1 m
c c
(37)
0 c 2 2 0
dimana γ ≡ 1 – β, 0 < β < 1

Kemudian untuk plot dimensi 2 digambarkan dalam gambar 3.
Gambar 3. Plot dimensi 2 menurut referensi 16

Pembandingan gambar 1 dan gambar 3 digambarkan dalam gambar 4.
Gambar 4. Plot gabungan

Dari gambar 4, dapat dilihat bahwa hasil plot grafik yang diperoleh pada persamaan 36 lebih besar
daripada referensi 16. Dalam referensi 16, bentuk grafiknya lebih cekung daripada grafik dari persamaan
36. Kedua grafik memberikan informasi yang sama yaitu terdapat dua permukaan yang bergabung
untuk membentuk suatu wormhole. Meski gambar yang dihasilkan berbeda, keduanya memberikan
makna yang sama. Plot grafik dimensi 2 mengacu persamaan 36 dan referensi 16 mampu memberikan
visualisasi tentang wormhole itu sendiri.
96
4. KESIMPULAN
Kesimpulan riset ini adalah sebagai berikut:
1. Solusi persamaan medan gravitasi Einstein efektif pada dunia brane untuk wormhole yang didukung oleh
phantom energy telah diperoleh pada persamaan 20 dan 21. Solusi tersebut tidak mengandung singularitas
pada bagian gtt dan grr . Pada solusi tersebut, dapat ditemukan properti dari phantom energy itu sendiri.
2. Kerapatan energi efektif dari phantom energy bernilai positif untuk mengurangi sifat eksotisitasnya.
Materi eksotik tidak memiliki rapat energi yang bernilai positif tetapi memiliki tekanan radial yang
negatif. Sifat itulah yang diperlukan oleh phantom energy seperti yang telah dirumuskan melalui
tekanan radialnya. Tekanan transversal dari phantom energy bernilai negatif dan telah diperoleh
pada persamaan 28 dan 31.
3. Komposisi penting dari wormhole adalah pelanggaran kondisi energi nol. Kondisi energi nol
dilanggar. Melalui analisis titik kestabilan, bila rapat energi efektif dan tekanan radial efektif
dijumlahkan maka kondisi energi nol dilanggar.
UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Allah swt. yang telah memberikan kemudahan untuk
menyelesaikan penelitian ini. Terima kasih kepada orang tua saya karena telah memberikan doa yang
terbaik. Terima kasih juga kepada dosen pembimbing saya yakni Pak Bansawang dan Pak Azwar Sutiono
yang telah memberikan bimbingan yang terbaik sehingga penelitian ini dapat terselesaikan.
DAFTAR PUSTAKA
1. Gaston, G., Emilio, R. D. C., dan Claudio, S. (2019). Traversable Wormholes in Five-Dimensional
Lovelock Theory. Phys. Rev. D 100 044011.
2. Vittorio, D. F., Emmanuele, B., dan Salvatore, C. (2021). Reconstructing Wormhole Solutions in
Curvature Based Extended Theories of Gravity. Eur. Phys. J. C. 81:157.
3. De-Chang, D., Djordje, M., dan Dejan, S. (2020). How to Form a Wormhole. Eur. Phys. J. C.
80:1103.
4. De-Chang, D., Djordje, M., dan Dejan, S. (2018). New Wormhole Solution in de-Sitter Space. Phys.
Rev. D 98 124026.
5. Michael, S. M. and Kip, S. T. (1988). Wormhole in Spacetime and Their Use for Interstellar Travel:
A Tool for Teaching General Relativity. Am. J. Phys. 56 (5).
6. Tetsuya, S., Kei-ichi, M., dan Misao, S. (2000) The Einstein Equations on the 3-Brane World. Phys.
Rev. D. 24 024012.
7. Bronnikov, K. A. and Sung-Won, K. (2003). Possible Wormholes in A Brane World Phys. Rev. D 67
064027.
8. Fransisco, S. N. L., (2007). General Class of Braneworld Wormholes. Phys. Rev. D 75 064027.
9. Jose, P. S. L., Fransisco, S. N. L., dan Sergio, Q. D. O. (2003). Morris-Thorne Wormhole with a
Cosmological Constant. Phys. Rev. D 68 064004.
10. Luis, A. A. and Santiago, E. P. B. (1999). Wormhole Surgery and Cosmology on the Brane: The
World is Not Enough. Phys. Rev. D 68 067502.
11. M. La, C. (2003). Wormhole Solutions in the Randall–Sundrum Scenario. Physics Letters B. 573:
27-32.
12. Sergio, S. (2005). Wormholes Supported by Phantom Energy. Phys. Rev. D 71 064027.
13. Fransisco, S. N. L. (2005) Phantom Energy Traversable Wormhole. Phys. Rev. D 71 084011.
14. Geogious, A., Athanasios, B., Panagiota, K., Burkhard, K., dan Jutta, K. (2020). Novel Einstein-
Scalar-Gauss-Bonnet Wormholes Without Exotic Matter. Phys. Rev. D 101 024033.
15 I. S. Gradshteyn and I. M. Ryzhik. (2007). Table of Integrals, Series, and Products. United States of
America: Elsevier.
16. Mariam, B. L., Fransisco, S. N. L., and Prado, M. M. (2014). Wormholes Minimally Violating the
Null Energy Condition. JCAP 11 007.
97
Model Gravitasi f(R) Hu-Sawicki-

Starobinsky Dalam Kosmologi
Ade Ilham Tamara Kurniawan1*, Bansawang BJ2, Tasrief Surungan3,
Faqihah Fajriani J4, Emar Mokiman Kala Tagari5
E-mail: *ilham.tamara@gmail.com
Abstrak
Modifikasi gravitasi Einstein terus berkembang selama dekade terakhir. Salah satu modifikasi
pada teori gravitasi Einstein adalah dengan menambah suku invarian dengan orde yang lebih tinggi
terhadap aksi Hilbert-Einstein standar. Teori gravitasi f(R) adalah salah satu modifikasi gravitasi yang
mempertimbangkan pengaruh orde tinggi dari kurvatur. Berbagai model f(R) telah diajukan akan tetapi
terkendala oleh syarat stabilitas. Salah satu model yang memenuhi yaitu model yang diajukan oleh Hu,
Sawicki, dan Starobinsky. Pada makalah ini dikaji solusi kosmologi dan analisis sistem dinamik model
Hu-Sawicki-Starobinsky (HSS). Telah diperoleh persamaan medan dan solusi kosmologi modifikasi
gravitasi f(R) dengan fungsi f(R) = R – μR_c (1 – (R/R_c )^(–2n)). Berdasarkan analisis evolusi, dimulai
pada masa transisi antara radiasi dan materi (gelap), kemudian terjadi periode sementara dominasi materi
dan akhirnya alam semesta didominasi oleh energi gelap.
Kata Kunci: Einstein, gravitasi f(R), kosmologi, sistem dinamik.
1. PENDAHULUAN
Pada tahun 1915 Einstein merumuskan teori gravitasi baru dengan menghubungkan ruang-waktu
terhadap massa, energi, dan momentum. Teori ini dikenal sebagai teori relativitas umum (TRU)1-2. TRU
adalah teori yang menjelaskan fenomena gravitasi secara geometris. Teori ini juga digunakan dalam
membangun model matematis kosmologi dalam skala besar struktur alam semesta3. Pengaplikasian
relativitas umum pada permasalahan kosmologi menjadikannya sebagai isu sentral dalam kajian model
alam semesta yang kuantitatif hingga saat ini.
General Relativity (GR) kembali menjadi fokus setelah penemuan Adam Riess dan Saul Perlmutter
mengenai “expanding universe”4-5 Salah satu penjelasan yang paling diterima dalam menjelaskan
temuan tersebut adalah bahwa semesta didominasi oleh suatu bentuk energi vakum dengan tekanan
negatif menyebabkan percepatan ekspansi yang kita sebut sebagai dark energy.
Selama dekade terakhir, gagasan untuk memodifikasi gravitasi Einstein dalam skala kosmologis
terus berkembang3. Salah satu modifikasi pada teori gravitasi Einstein adalah dengan menambah
suku invarian dengan orde yang lebih tinggi terhadap aksi Hilbert-Einstein standar, yang disebut teori
gravitasi berorde tinggi. Penambahan suku ini dimotivasi oleh permasalahan dalam kosmologi dan
astrofisika6. Sebagai contoh, kasus yang mempertimbangkan pengaruh orde tinggi dari kurvatur adalah
teori gravitasi f(R)7.
Penelitian tentang modifikasi gravitasi f(R) terus berkembang. Bentuk fungsional f(R) sangat terbatas
karena kendala teoretis dan fenomenologis7-8 dan berbagai model f(R) telah diajukan tetapi terkendala
dalam syarat stabilitas. Salah satu model yang memenuhi yaitu model yang diajukan oleh Hu, Sawicki
dan Starobinsky8-9. Maka, tujuan pekerjaan ini adalah menganalisis solusi kosmologi dan sistem dinamik
f(R) Hu-Sawicki-Starobinsky.
Makalah ini disusun sebagai berikut: bagian 2 berisi persamaan medan untuk modifikasi gravitasi
f(R). Bagian 3, menyajikan solusi kosmologi teori gravitasi f(R). Bagian 4, dikhususkan pada analisis
sistem dinamis. Akhirnya, rangkuman disajikan di bagian 6.
98
2. PERSAMAAN MEDAN MODIFIKASI GRAVITASI F(R)

Pada penelitian ini perumusan persamaan medan berangkat dari prinsip aksi, dengan menggunakan
pendekatan “metric formalism”; yaitu dengan memodifikasi aksi gravitasi dalam aksi Hilbert-Einstein,
aksi dituliskan sebagai berikut10:
I = IG ^ gnoh + IM ^ gno, }h
Di mana aksi dari gravitasi hanya bergantung pada tensor metrik dengan menjabarkan komponen
gravitasi, di mana aksi 4D gravitasi f(R) secara umum dituliskan11:
I = 2 # f ^ R h - g d 4 x + Im (2)
1
2l
2f ^ R h
l^ h
Dimana dI = 21l2 # 2R dR = f R dR atau dapat juga dituliskan f l^ Rh dR = F ^ Rh dR . Sehingga,
persamaan (2) menjadi:
1 :
2l 2
-g # F^RhdRd x + #4
f ^ Rh d - g d4 xD + dIm = 0 (3)
Dengan menggunakan hubungan R = Rμv guv. Suku pertama pada persamaan (3) dapat dijabarkan
F ^ Rh dR = F ^ Rh` Rnv dg + g dRnv j . Persamaan (3) menjadi:
uv uv
- g F ^ Rh Rnv dguv d4 x + - g F ^ Rh guv dRnv d4 x + f ^ Rh d - g d4 xD + dIm = 0

1 :# # # (4)
2l 2
Variasi dari d - g adalah d - g =- 1 1 dg =- 1 - g gnv dg nv . Untuk suku ketiga dari
2 -g 2
persamaan (4) menjadi:
1 ;
2l 2
# - g F^RhRnv dguv d4 x + # - g F^Rhguv dRnv d4 x - 12 # - g f^Rhgnv dg nv d4 xE + dIm = 0 (5)
Dengan meninjau terlebih dahulu variasi terhadap tensor Ricci dRnv = d a dC anv - d v dC ana untuk suku
kedua diperoleh sebagai berikut:
g nv dRnv = gnv 4 _dg nv i - d n d v _dg nv i (6)
Tinjau suku terakhir, di mana variasi aksi medan-materi, didefinisikan sebagai:
dIM =- # d _ - g L M i d4 x (7)
Sehingga dengan mensubtitusi persamaan (6) dan (7) diperoleh sajian persamaan medan untuk
modifikasi gravitasi f(R) sebagai berikut:
F ^ Rh Rnv - 2 f ^ Rh gnv + gnv 4F ^ Rh - d n d v F ^ Rh = l2 Tnv
1 (8)
Persamaan (8) merupakan sajian persamaan medan menggunakan prinsip formalisme metrik,
Selanjutnya, trace dari persamaan (8) dapat diperoleh dengan mengalikan terhadap gμv, dimana
Rμv gμv = R dan Tμv gμv = T. Sehingga diperoleh:
F ^ Rh R - 2 f ^ Rh d nn + F ^ Rh d nn 4 - 2 n 2 n F ^ Rh = l2 T
1 (9)
Dengan menggunakan hubungan d = 4 dan 2 n 2 = 4 persamaan (9) menjadi:
n
n
n
F _ R i R - 2f _ R i + 3 4 F _ R i = l 2 T (10)
Persamaan (10) adalah trace dari persamaan medan (8).
3. SOLUSI KOSMOLOGI TEORI GRAVITASI F(R)

Pertama-tama dimulai dengan meninjau elemen garis yang mendeskripsikan ruang-waktu homogen
dan isotropik atau yang disebut metrik Friedmann-Robertson-Walker (FRW)12. Elemen garisnya adalah
sebagai berikut:
ds2 =- dt2 + a2 ^ t hd + r2 _di2 + sin2 idz2 in
dr2
1 - kr2
Kemudian diperoleh tensor Ricci yang tidak nol, untuk metrik FRW dalam flat universe (κ = 0),
yaitu:
R00 =- 3 ^ Ho + H2h (11)
99
R11 = a2 ^3H2 + Ho h (12)

R22 = a2 r2 ^3H2 + Ho h (13)
R33 = a2 r2 sin2 i ^3H2 + Ho h (14)
Kemudian sajian skalar Ricci R = guvRμv untuk flat universe diperoleh:
R = 6 ^2H2 + Ho h (15)
Untuk memperoleh solusi persamaan Friedmann termodifikasi dari persamaan medan (8) tensor
energi momentum dinyatakan dengan menganggapnya sebagai fluida ideal yang perumusannya disajikan
dalam bentuk:
Tnv = gnv .diag _- t M , PM , PM , PM i (16)
1. Solusi modifikasi persamaan Friedmann jenis pertama diperoleh dari elemen (00) persamaan medan
(8), diperoleh:
3FH2 =- 3HFo + _ FR - f i /2 + l2 t M (17)
2. Persamaan Friedmann jenis kedua diambil dari elemen (ii) dari persamaan medan, diperoleh:
- 2HFo = l2 _ t M + PM i - HFo + Fp (18)
Dimana rapat materi energi ρM dan PM masing-masing diberikan sebagai ρM = ρr + ρm dan
PM = Pr = ρr/3, dengan ρr adalah rapat radiasi dan ρm adalah rapat materi non-relativistik. Dengan
demikian persamaan (17) dan persamaan (18) dapat dituliskan menjadi:
3FH2 =- 3HFo + _ FR - f i /2 + l2 _ t r + t m i (19)
- 2HF = l _^4/3h t r + t m i - HF + F
o 2 o p (20)
Persamaan (19) dan persamaan (20) merupakan solusi modifikasi persamaan Friedmann untuk
persamaan medan (8).
4. MODEL F(R) HU-SAWICKI-STAROBINSKY

Secara umum fungsi f(R) terdiri atas suku Langrangian linear biasa dan suku koreksi
g(R) : f(R) = R + g(R) yang harus memenuhi beberapa kondisi stabilitas: yaitu, f l^ Rh / dRdf > 0 dan
f m^Rh / dR > 0 untuk R & m 8,12-15. Persyaratan tersebut memenuhi model yang diperkenalkan oleh Hu,
2
d f 2
2
Sawicki8 dan Starobinsky9. Kemudian untuk daerah R & RC model Hu-Sawicki dan Starobinsky dapat
dikonstruksikan sebagai berikut8,15-16:
f ^ Rh = R - nRC e1 - d R n o
-2n
R (21)
C
Persamaan (21) kemudian disebut sebagai model Hu-Sawicki-Starobinsky (HSS) dimana n,μ dan Rc
adalah konstanta positif n > 0, μ > 0 dan Rc > 0. Rc terkait dengan skalar Ricci pada masa sekarang R08,14.
Standar model kosmologi yang diketahui, adalah dengan keberadaan konstanta kosmologi Λ. Daya tarik
dari model ini adalah bahwa secara eksplisit tidak ada konstanta kosmologi dalam fungsi f(R)15-18,23.
5. ANALISIS SISTEM DINAMIK F(R) HU-SAWICKI-STAROBINSKY

Dari persamaan (19) dan (20) dapat diperoleh gambaran dinamika kosmologi dengan memperkenalkan
variabel-variabel tak berdimensi sebagai berikut:
Fo f Ho l2 t r
x1 =- HF , x2 =- , x =
R
= + 2 , x = (22)
6FH2 3
6H2 H2 4
3FH2
Dari variabel tak berdimensi, diperkenalkan parameter kerapatan12, untuk menunjukkan nilai
kerapatan komponen. Pada penelitian ini, dipaparkan 3 jenis parameter kerapatan Ω yaitu terkait materi
(m), radiasi (r) dan dark energy (DE) yang dituliskan sebagai berikut:
l2 t m
Xm = 1 - x1 - x2 - x3 - x4 X r = x4, X DE = x1 + x2 + x3 (23)
3FH2
Dimana persamaan (23) memenuhi hubungan:
X tot / X m + X r + X DE = 1 (24)
100
Hubungan tersebut terkait dengan persamaan Friedmann jenis pertama, yaitu persamaan (19).
1. Persamaan Autonom
Dengan menggunakan persamaan (19) dan (20) dapat diperoleh solusi dinamik atau yang sering
disebut sebagai persamaan autonomous, yaitu turunan dari variabel x1, x2, x3 dan x4 terhadap N, dengan
N = ln a yang diperoleh:
dx1
(25)
dN =- 1 + x4 - 3x2 - x3 - x1 x3 + x1
2
_2x3 - 4 - x1 i
dx2 x1 x3
(26)
dN = m - x2
_ x - 2i (27)
dx3 x1 x3
dN =- m - 2x3 3
dx4 (28)
dN =- 2x4 x3 + x1 x4
Di mana diperkenalkan fungsi r dan m sebagai 12,14,19
:
d ln f Rf,R x
r = d ln R =- f = x3 (29)
2
m = d ln R = f = ^- r - 1h
d ln F Rf,RR 3 (30)
,R
2. Persamaan Keadaan
Persamaan keadaan (Equation of State) efektif weff model dark energy f(R) secara umum didefinisikan
sebagai:
2Ho (31)
weff = X DE ~ DE + X m ~ =- 1 -
3H2
Sehingga untuk kasus ini persamaan keadaan efektif total adalah:
weff =- 3 _2x3 - 1 i (32)
1
Untuk persamaan keadaan dark energy dapat dilakukan dengan menulis ulang (rewrite) persamaan
kosmologi (19) dan (20) sebagai berikut:
3AH2 = l2 _ t r + t m + t DE i (33)
- 2AHo = l _^4/3h t r + t m + t DE + PDE i
2
(34)
Dimana A adalah sebuah konstanta, dari persamaan (33) dan (34) diperoleh:
l2 t DE = 3H2 ^ A - F h - 3HFo + _ FR - f i /2 (35)
l PDE = 2HFo + Fp - ^2Ho + 3H h^ A - F h - _ FR - f i /2
2 2
(36)
Persamaan (35) dan (36) merupakan definisi untuk kerapatan ρDE dan tekanan PDE yang memenuhi
persamaan kontinuitas to + 3H _ t + P i = 0 yang dapat dituliskan sebagai:
to DE + 3H _ t DE + PDE i = 0 (37)
Dengan menggunakan hubungan DE t diperoleh:
P
w = DE
^1/3h l2 t r + 2AHo + 3AH2

DE
(38)
3AH2 - l2 _ t m + t r i
wDE =-
Aproksimasi terakhir valid apabila masa rapat radiasi ρr diabaikan terhadap rapat materi, sehingga
persamaan (38) dapat dituliskan sebagai:
wDE =-
2AHo + 3AH2 (39)
2 2
3AH - l t m
Dari persamaan (23) dan (31), persamaan (39) menjadi:
weff
wDE =
1-X um (40)
Dimana:
(41)
2
u m = l t m2 = F X m
X
3AH A
Model f (R) yang layak, mendekati model ΛCDM, yaitu ketika F → 1 untuk memenuhi standar
masa dominasi materi (matter era) untuk z & 1. Dipilih A = 1 dalam persamaan (32). dengan ketentuan
101
ωDE → –1 untuk memperoleh model f(R) yang layak8,14,20.

1. Evolusi Kosmik
Pada penelitian ini, model evolusi kosmik HSS digambarkan dengan menganalisis tiga parameter
kerapatan yaitu radiasi Ωr, materi Ωm dan dark energy ΩDE.
a. Evolusi kosmik
b. Persamaan keadaan (EoS)

Gambar 1 Plot evolusi kosmik dan EoS f(R) HSS model
Gambar 1 menunjukkan hasil plot evolusi kosmik untuk sistem dinamik HSS model dengan syarat
awal: x1 = 8,2 × 10–4, x2 = 4,2 × 10–4, x3 = 2,846 × 10–2, x4 = 0,489. Gambar 1(a) diperoleh dari persamaan
dinamik (25–28) yang memperlihatkan evolusi kosmik 3 komponen tunggal penyusun alam semesta,
Gambar 1(b) diperoleh dari plot persamaan keadaan efektif (32) dan persamaan keadaan dark energy (40).
Gambar 1 menunjukkan urutan Ωr → Ωm →ΩDE, di mana evolusi tersebut dimulai pada periode
transisi antara radiasi dan materi (gelap), kemudian terjadi periode sementara dominasi materi dan
akhirnya alam semesta didominasi oleh energi gelap. Hal ini terkait dengan hasil observasi kosmologi
saat ini di mana kita berada dalam periode transisi antara materi gelap dan energi gelap. Kerapatan energi
relatif energi gelap berkisar sekitar X DE , 0, 7 , sedangkan sisanya terdiri dari 0,3 materi gelap. Kemudian,
parameter EoS efektif masing-masing komponen dimulai dari nilai radiasi 13 hingga akhirnya mencapai
masa dominasi dark energy yaitu –1.
6. KESIMPULAN
Penelitian ini menganalisis modifikasi teori gravitasi f(R) dengan menggunakan fungsi yang
dikemukakan oleh Hu-Sawicki-Starobinsky yaitu f ^ Rh = R - nRc e1 - d R n o. Langkah awal dimulai
-2n
R c
102
dengan mengonstruksi solusi analitik melalui persamaan medan, persamaan kosmologi dan persamaan
dinamik kemudian memetakan evolusi kosmologi dari tiga komponen dominan alam semesta yaitu
radiasi, materi gelap dan energi gelap.
7. UCAPAN TERIMAKASIH
Penulis berterimakasih kepada Civitas Departemen Fisika, FMIPA UNHAS khususnya Laboratorium
Teori Dan Komputasi yang telah memberikan ruang dan wadah diskusi dan telah mendukung dalam
penyelesaian makalah ini.
DAFTAR PUSTAKA
1. Erwin, Hayat, M. S., dan Sutarno. (2017). Epistimologi dan Keterbatasan Teori Gravitasi. Jurnal
Ilmiah Multi Sciences., Vol. IX No. 1: 33-40.
2. Sunkar, G. (2018). Pengantar Relativitas dan Kosmologi. Makassar: Paradoks Softbook Publisher.
3. Clifton, T., Ferreira, P. G., Padilla, A., and Skordis, C. (2012). Modified Gravity and Cosmology.
Physics Reports, 513: 1-189.
4. A. G. Riess, et. al. (1998). “Observational Evidence from Supernovae for an Accelerating Universe
and a Cosmological Constant”. The Astronomical Journal, Vol. 116, No. 3: 1009.
5. S. Perlmutter, et. al. (1999). “Measurements Of Ω and Λ from 42 High-Redshift Supernovae”. The
Astrophysical Journal, Vol. 517, No. 2: 565
6. Sporea, C. A. (2014). Notes on f(R) Theories of Gravity. arXiv preprint arXiv:1403.3852
7. Tsujikawa, S. and Felice, A. D. (2010). f(R) Theories. Living Reviews in Relativity, Vol.13, No.3:
1-161
8. Hu, W. and Sawicki, I. (2007). Model of f(R) Cosmic Acceleration that Evade Solar System Tests.
Physical Review D, Vol. 524, No.9-10:545-578
9. Starobinsky, A. A. (2007). Disappearing Cosmological Constant in f(R) Gravity. JETP Letters,
Vol.86, No. 3: 157-163.
10. Carmeli, M. (1982). Classical Fields: General Relativity and Gauge Theory. New York: John Wiley
& Sons.
11. Bansawang, B. J. (2006) “Metrik Medan Gravitasi Benda Bermuatan Listrik Simetri Bola”.
Repository Unhas.
12. Amendola, L. dan Tsujikawa, S. (2010). Dark Energy: Theory and Observations. Cambridge:
Cambridge University Press.
13. Capozziello, S. dan Laurentis, M. D. (2012). “The Dark Matter Problem from f(R) Gravity
Viewpoint”. Annalen Der Physik, Vol. 524, No. 9‐10: 545-578.
14. Tsujikawa, S. (2018). Observational Signatures of f (R) Dark Energy Models That Satisfy
Cosmological and Local Gravity Constraints. Physical Review D, Vol. 77, No. 2: 023507.
15. Banik, S. K., Banik, D. K., dan Bhuyan, K. (2018). A Dynamical System Approach to Bianchi III
Cosmology for Hu-Sawicki Type f (R) Gravity. General Relativity Gravity, Vol. 50, No. 24: 1-19.
16. Kandhai, S. dan Dunsby, P. K. S. (2015). Cosmological Dynamics of Viable f(R) Theories of Gravity.
arXiv preprint arXiv:1511.00101.
17. Romero, J. P. dan Nesseris, S. (2018). Cosmological Constraints and Comparison of Viable f (R)
Model. Physical Review D, Vol. 97, No. 2: 1-11.
18. Nozari, K. dan Kiani, F. (2011). On The Cosmological Viability of The Hu-Sawicki Type Modified
Induced Gravity. Physics Letters B, Vol. 703: 395-401.
19. Amendola, L., Gannouji, R., Polarski, D., dan Tsujikawa, S. (2007). Conditions for The Cosmological
Viability of f(R) Dark Energy Models. Physical Review D, Vol. 75, No. 8: 083504.
20. Amendola, L. dan Tsujikawa, S. (2008). Phantom Crossing, Equation-of-State Singularities and
Local Gravity Constraints in f(R) Models. Physics Letters B, Vol. 660, No. 3: 125-132.
103
Solusi Persamaan Diferensial Parsial dengan Metode

Elemen Hingga Menggunakan Freefem++
Israil*1, Eko Juarlin2
1,2
E-mail: 1israil19h@student.unhas.ac.id
Abstrak
Telah dilakukan pemodelan persamaan diferensial parsial menggunakan metode elemen hingga yang
diselesaikan dengan program freefem++. Ada dua kasus yang diambil, yaitu persamaan Laplace dan
Navier-Stokes. Sintaks freefem++ sangat sederhana dan runut. Sintaks terdiri atas pembuatan domain,
pembuatan elemen, pemasukan syarat batas, penyelesaian persamaan diferensial dan pembuatan gambar.
Keluaran program freefem++ adalah grafik kontur. Pada kasus Navier-Stokes keluaran berupa vektor
kecepatan dan tekanan berupa garis kontur. Sedangkan pada kasus Laplace keluaran berupa gambar tiga
dimensi ketinggian x dan y
Kata Kunci: freefem++, metode elemen hingga, persamaan diferensial parsial, persamaan laplace dan
navier-stokes
1. PENDAHULUAN
Pemodelan matematika adalah salah satu cara untuk merepresentasikan fenomena fisika dalam istilah
matematika. Diantara contoh fenomena fisika yang bisa dimodelkan secara matematis yaitu persamaan
elastisitas linier, persamaan Navier-Stokes mekanika fluida, persamaan Maxwell elektromagnetisme,
dll. Oleh karena itu, aspek-aspek pemodelan matematika ini dianggap sebagai bagian penting dalam
fisika.
Salah satu contoh penggunaan pemodelan matematika yaitu mencari pemodelan untuk solusi dari
persamaan diferensial terutama pada Persamaan Diferensial Parsial (PDP). Persamaan Diferensial
Parsial (PDP) yang didefinisikan pada domain Rn, n = 1, 2, 3. Untuk memecahkan masalah ini secara
numerik saat ini tidak perlu dipertanyakan lagi karena ada banyak software yang digunakan untuk
memecahkan solusi fisika dengan pemodelan matematika misalnya dengan menggunakan python, m4th-
lab dan software lainnya.
Salah satu software yang digunakaan untuk memodelkan fenomena fisika yaitu menggunakan
Freefem++. Freefam++ adalah salah satu bahasa pemrograman dan software yang digunakan untuk
menyelesakan persamaan diferensial parsial (PDP) dengan menggunakan metode elemen hingga
(MEH). FreeFem++ merupakan perangkat lunak gratis.
Tujuan dibuatnya makalah ini adalah untuk membuat solusi Persamaan Diferensial Parsial dengan
metode elemen hingga. Dalam menyelesaikan persamaan tersebut digunakan software freefem++ untuk
memodelkan persamaan diferensial parsial tersebut.
2. PERSAMAAN DIFERENSIAL PARSIAL

Persamaan diferensial merupakan salah satu cara untuk menggambarkan model dari berbagai masalah
dan fenomena di kehidupan sehari-hari. Persamaan diferensial adalah persamaan yang melibatkan
variabel-variabel tak bebas dan derivatif-derivatif terhadap variabel bebas. Persamaan diferensial ini
terbagi menjadi dua yaitu Persamaan Diferensial Biasa (PDB) dan Persamaan Diferensial Parsial (PDP)
[1]. Metode penyelesaian PDP terbagi menjadi metode analitik dan metode numerik. Dalam makalah ini
digunkan persamaan diferensial Navier-Stokes yang memiliki bentuk :
2 t u + u.du + dp - vdu = 0, d.u = 0 in X #] 0, T [, (1)
u | t = 0 = u0, u | C = uC (2)
Persamaan yang menjelaskan pergerakan dari suatu fluida seperti cairan dan gas. Persamaan-
104
persamaan ini menyatakan bahwa perubahan dalam momentum (percepatan) partikel-partikel fluida
bergantung hanya kepada gaya viskos internal (mirip dengan gaya friksi) dan gaya viskos tekanan eksternal
yang bekerja pada fluida. Oleh karena itu, persamaan Navier-Stokes menjelaskan kesetimbangan gaya-
gaya yang bekerja pada fluida.
Persamaan Navier-Stokes memiliki bentuk persamaan diferensial yang menerangkan pergerakan
dari suatu fluida. Persaman seperti ini menggambarkan hubungan laju perubahan suatu variabel terhadap
variabel lain. Sebagai contoh, persamaan Navier-Stokes untuk suatu fluida ideal dengan viskositas bernilai
nol akan menghasilkan hubungan yang proposional antara percepatan (laju perubahan kecepatan) dan
derivatif tekanan internal.
Untuk mendapatkan hasil dari suatu permasalahan fisika menggunakan persamaan Navier-Stokes,
perlu digunakan ilmu kalkulus. Secara praktis, hanya kasus-kasus aliran sederhana yang dapat dipecahkan
dengan cara ini. Kasus-kasus ini biasanya melibatkan aliran non-turbulen dan tunak (aliran yang tidak
berubah terhadap waktu) yang memiliki nilai bilangan Reynold kecil.
Untuk kasus-kasus yang kompleks, seperti sistem udara global seperti El Niño atau daya angkat
udara pada sayap, penyelesaian persamaan Navier-Stokes hingga saat ini hanya mampu diperoleh
dengan bantuan komputer. Kasus-kasus mekanika fluida yang membutuhkan penyelesaian berbantuan
komputer dipelajari dalam bidang ilmu tersendiri yaitu mekanika fluida komputasional
3. METODE ELEMEN HINGGA

Metode Elemen Hingga adalah suatu metode numerik yang dipakai untuk menyelesaikan masalah
dari suatu sistem kontinyu yang dinyatakan dengan persamaan diferensial. Dalam penyelesaian masalah
tersebut, sistem mula-mula dibagi menjadi elemen diskrit. Hasil akhir dari metode elemen hingga adalah
nilai besaran fisis di titik-titik tertentu. Metode elemen hingga memiliki beberapa cabang pendekatan
yaitu pendekatan langsung, pendekatan lemah dan pendekatan kuat.
Secara umum tahapan metode elemen hingga adalah memilih fungsi aproksimasi. Fungsi aproksimasi
bertujuan mengaproksimasi solusi di dalam elemen. Fungsi aproksimasi memenuhi persyaratan bahwa
nilai solusi di batas berlaku benar. Fungsi aproksimasi itu dimasukkan kedalam persamaan diferensial
untuk didapatkan nilai solusi di dalam domain. Karena solusi berasal dari fungsi aproksimasi, solusi bisa
salah dalam domain. Untuk mengurangi kesalahan digunakan metode sisa berbobot untuk kesalahan di
dalam domain. Metode sisa berbobot berisi integral yang menghitung fungsi bobotnya supaya jumlah
kesalahan dalam domain dapat diminimalkan.
Metode lemen hingga bisa digunakan untuk menyelesaikan untuk dimensi satu, dua dan tiga. Khusus
dimensi dua dan tiga, bentuk elemen bisa berupa segi empat, segitiga, prisma segitiga, kubus atau balok.
Bentuk elemen itu dipilih dengan memperhatikan jumlah fungsi aproksimasi di dalam domain.
Sebuah persamaan diferensial satu dimensi dituliskan sebagai berikut :
d2 y (3)
- 10x2 = 5 0#x#1
dx2
Dengan syarat batas : y(0) = y(1) = 0
Persamaan diferensial tersebut diselesaikan dengan menggunakan metode elemen hingga. Bentuk
umum fungsi aproksimasi adalah :
N ^ x h = _ x - x0 i _ x - xb i (4)
p q
Dengan memilih p dan q = 1 didapatkan

N1 ^ x h = x ^ x - 1 h (5)
Nilai fungsi aproksimasi itu benar di syarat batas. Dengan menambahkan bobot atau konstanta di
fungsi aproksimasi, fungsi aproksimasi menjadi:
y* = c1 x ^ x - 1h (6)
^ - h
dy*
(7)
dx = c1 2X 1
105
d2 y*
= 2c1 (8)
dx2
Residu fungsi aproksimasi terhadap persamaan (3.1) dituliskan :
R _ x; c1 i = 2c1 - 10x2 - 5 (9)
Digunakan integral untuk meminimalkan residu
# x ^ x - 1h_2c1 - 10x - 5 i dx = 0 (10)
1
2
Persamaan 3.9 menghasilkan nilai C1 = 4, sehingga solusi aproksimasinya adalah

y* ^ x h = 4x ^ x - 1h (11)
Solusi eksak dijelaskan sebagai berikut :
dx - # ^10x2 - 5h dx - 3 + 5x + C1
dy d2 y 10x3
- # (12)
dx dx2
y ^ x h = # dx dx - # c 103x + 5x + C1 m dx = 6 + 2 + C1 + C2
dy 3
5x4 5x2 (13)
5 5 (14)
6 + 2 + C1 = 0
Dengan C1 = –10/3, Maka fungsi eksaknya adalah :
y^ xh = 6 + 2 - 3 x
5x4 5x2 10 (15)
Berdasarkan hasil ini, terdapat perbedaan antara solusi eksak (13) dengan solusi numerik (15)
sehingga tetap ada kesalahan.
4. HASIL DAN PEMBAHASAN

Kasus 1
Persamaan diferensial Navier-Stokes untuk aliran fluida kental yang tidak dapat dimampatkan
dijelaskan dalam persamaan (1). Solusi Persamaan (1) dengan menggunakan freefem++ menghasilkan
script dibawah ini :
1 int n = 3;
2 mesh Th = square(10*n,10*n);
3 fespace Uh(Th,P1b); Uh u,v,uu,vv;
4 fespace Ph(Th,P1); Ph p,pp;
5 solve stokes([u,v,p],[uu,vv,pp]) =
6 int2d(Th)(dx(u)*dx(uu)+dy(u)*dy(uu) + dx(v)*dx(vv)+ dy(v)*dy(vv)
7 + dx(p)*uu + dy(p)*vv + pp*(dx(u)+dy(v))
8 - 1e-10*p*pp)
9 + on(1,2,4,u=0,v=0) + on(3,u=1,v=0);
10 plot([u,v],p,wait=1); //tambahan
Baris pertama menunjukkan pengali pada baris kedua. Baris kedua menunjukan pembuatan mesh
segiempat dengan ukuran 10*n dan nama mesh Th. Baris ketiga dan ke empat mendesain jenis besaran fisis
dalam elemen. Tulisan Uh(Th,P1b) menunjukkan nama persamaan Uh yang di dalamnya terdapat mesh Th
dan tipe besaran P1b. P1b berarti besarannya adalah skalar. Tulisan Uh u,v,uu,vv menunjukkan komponen
dalam persamaan yaitu Uh sebagai nama persamaan, variabel u, variabel v, turunan kedua u terhadap x dan
turunan kedua v terhadap y. Tulisan Ph(Th,P1) menunjukkan nama persamaan Ph yang di dalamnya terdapat
mesh Th dan tipe besaran P1. P1 berarti besarannya adalah skalar. Tulisan Ph p, pp menunjukkan komponen
dalam persamaan yaitu Ph sebagai nama persamaan, variabel p, turunan kedua p terhadap t.
Baris kelima sampai ke sembilan adalah pemecahan solusi Navier-Stokes untuk data yang sudah
diberikan di baris satu sampai baris empat. Int2D menunjukkan bahwa persamaan tersebut diintegralkan
dimensi dua dan on menunjukkan kondisi Dirichlet. Pada fungsi on (1,2,4,3) menunjukkan lokasi sisi
batas. Tulisan 1e – 10*p*pp menunjukkan syarat awal. Di sisi (1,2,4) nilai u = 0, v = 0 sedangkan pada
sisi (3) nilai u = 1 dan v = 0.
106
Hasil eksekusinya digambarkan dalam gambar 1. Garis panah menunjukkan vektor kecepatan
(velocity). Kecepatan adalah penjumlahan vektor u dan vektor v. Dari gambar 1, panjang garis vektor
menunjukkan besar kecepatan. garis kontur yang menunjukkan tekanan yang sama pada lokasi sepanjang
garis.
Gambar 1. Vektor Aliran Fluida

Kasus 2
Misalkan sebuah membran berbentuk elips memiliki panjang sumbu semimayor a = 2, dan sumbu
semiminor b =1 dengan gaya permukaan f = 1. Getaran membran memenuhi persamaan Laplace.
Program untuk menyelesaikan kasus 2 dijelaskan berikut ini.
1. real theta=4.*pi/3.;
2. real a = 2., b = 1.; // the length of the semimajor axis and semiminor axis
3. func z = x;
4. border Gamma1(t = 0, theta) { x = a * cos(t); y = b*sin(t); }
5 . border Gamma2(t = theta, 2*pi) { x = a * cos(t); y = b*sin(t); }
6. mesh Th = buildmesh(Gamma1(100) + Gamma2(50));
7. fespace Vh(Th, P2); Vh phi, w, f = 1; // P2 conforming triangular FEM
8. solve Laplace(phi, w) = int2d(Th)(dx(phi)*dx(w) + dy(phi)*dy(w)) - int2d(Th)(f*w) + on(Gamma1,
phi = z);
9. plot(phi, wait = true, ps = "membrane.eps"); // Plot phi
10. plot(Th,wait=true, ps="membraneTh.eps"); // Plot Th
11. savemesh(Th,"Th.msh");
12. plot(phi, wait = true,fill = true); // Plot phi with full color display
Di baris pertama dan kedua memasukkan variabel yaitu theta, a dan b. Baris empat dan lima
menunjukkan pembuatan batas domain yang bernama Gamma 1 dan Gamma 2. Batas Gamma 1 yaitu
dari 0 sampai theta yang didefinisikan di baris pertama berisi x = a * cos(t); y = b*sin(t). Sedangkan
Gamma 2 yaitu dari theta sampai 2 pi yang berisi x = a * cos(t); y = b*sin(t). Baris enam membangun
mesh yang bernama Th dengan menggunakan elemen-elemen yang ada di batas, yang didefisikan di
baris keempat dan kelima. Jumlah titik sudut di Gamma 1 adalah 100 dan di Gamma 2 adalah 50.
Baris ketujuh membuat elemen yang bernama Vh, yang memuat Th dan P2. P2 berarti besaran fisis
adalah vektor. Gambar elemen dijelaskan dalam gambar 2. Di baris tujuh, nilai gaya sama dengan satu
dan bobot dideklarasikan. Di baris delapan adalah pemecahan solusi Laplace untuk data yang sudah
diberikan di baris satu sampai baris enam. Int2D menunjukkan bahwa persamaan tersebut diintegralkan
dimensi dua, phi dan w menunjukkan besaran fisis yang terlibat. Di baris sembilan sampai dua belas
menunjukkan teknik untuk membuat gambar.
107
Gambar 2. Mesh dan elemen dalam elips
Gambar 3. Posisi mebran pada waktu tertentu

Gambar 3 merupakan gambar tiga dimensi dengan sumbu z menunjukan ketinggian membran dan
warna yang sesuai dengan legenda. maka semakin besar nilainya.
5. KESIMPULAN
Metode elemen hingga berhasil mendapatkan jawaban persamaan diferensial parsial dalam
penyelesaian persamaan Laplace dan Navier-Stokes. Solusi diselesaikan menggunakan Freefem++.
Freefem++ dapat menyelesaikan persamaan diferensial parsial dengan sintaks yang singkat.
UCAPAN TERIMA KASIH

Segala puji bagi Allah SWT yang telah memberikan kesehatan dan kemudahan, menggerakkan
hati penulis sehingga bisa menyelesaikan tulisan ini. Terimakasih juga kepada Pak Eko Juarlin sebagai
Pembimbing akademik sekaligus yang sudah membantu penulis dalam menyelesaikan proses penulisan
ini. Semoga tulisan ini bisa bermanfaat bagi semua pihak. Barakallahufiikum
DAFTAR PUSTAKA
1. Font, R., Periago, F. (2014). The Finite Element Method with FreeFem++ for beginners. The
Electronic Journal of Mathematics and Technology 7(4)
2. Hecht, F. (2012). Freefem++ Manual. Journal of Numerical Mathematics
3. Naraswari, D., Kiftiah, M and Yudhi.(2017). Penyelesaian Persamaan Diferensial Parsial Dengan
Metode Transformasi Diferensial. Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) 6(2). 131
– 140.
4. Isworo, H., Razi, P. Metode Elemen Hingga Hmkb654. (2018). Universitas Lambung Mangkurat
108
Studi Perubahan Sifat Struktur Dan Termodinamik

Pelipatan Protein Model Hp Menggunakan Simulasi
Monte Carlo Dengan Algoritma Wang-Landau
Safrullah*1, Tasrief Surungan2, Bansawang BJ.3
1,2,3
Program Studi Fisika, Fakultas MIPA, Universitas Hasanuddin
E-mail: *1safrullah021@gmail.com
Abstrak
Masalah pelipatan protein masih menjadi tantangan yang belum terselesaikan bahkan dengan kemajuan
ilmu pengetahuan moderen saat ini. Kompleksitas masalah pelipatan protein yang muncul dari begitu
banyaknya atom yang membentuk protein dan interaksinya menjadi sebab digunakannya model protein
sederhana dan metode komputasi. Dalam penelitian ini, dikaji proses pelipatan protein model HP untuk
beberapa protein dengan menganalisis perubahan besaran termodinamik dan struktural sistem. Simulasi
Monte Carlo dengan algoritma Wang-Landau dilakukan untuk memperoleh perubahan besaran panas
jenis Cv, radius girasi Rg dan τ terhadap T dari sistem. Hasil yang diperoleh akan memperlihatkan gambaran
perubahan sturuktur selama proses pelipatan protein. Dari kurva-kurva yang diperoleh kemudian dapat
disimpulkan bahwa proses pelipatan model HP melalui dua tahapan perubahan yang signifikan, yaitu
coil-globule collapse yang merupakan proses perubahan struktur protein dari bentuk rantai menjadi
bulatan yang lebih padat dan folding transition yang merupakan proses penyusunan monomer-monomer
protein sedemikian sehingga jumlah interaksi hidrofobik antara monomer H-H menjadi maksimum.
Kata Kunci: Algoritma Wang-Landau; Model Hydorphobic-Polar; Pelipatan Protein; Simulasi Monte
Carlo
1. PENDAHULUAN
Protein merupakan molekul biologi yang menjalankan hampir seluruh fungsi penting dalam sel
makhluk hidup. Agar dapat menjalankan tugasnya, protein harus melipat menjadi struktur 3D tertentu
yang unik melalui sebuah proses kompleks yang disebut sebagai pelipatan protein (protein folding)1.
Kesalahan dalam pelipatan protein, menghasilkan protein yang tidak berfungsi, dan dapat menjadi
pemicu berbagai penyakit degeneratif seperti Alzheimer, Huntington, dan Parkinson2. Maka, mekanisme
fisis dalam pelipatan protein menjadi hal yang penting untuk dipahami. Pemahaman ini juga penting
untuk mendorong kemajuan di bidang aplikasi, seperti bidang rekayasa protein, penemuan obat dan
aplikasi bioteknologi3. Namun demikian, hingga saat ini masalah pelipatan protein masih menjadi
tantangan besar yang belum terpecahkan4-7.
Kompleksitas masalah pelipatan protein muncul dari begitu banyaknya kemungkinan struktur
yang dapat terbentuk dari kombinasi 20 asam amino yang menyusun protein4. Maka, pengkajiannya
umumnya dilakukan dengan menggunakan model protein yang disederhanakan dan metode komputasi7.
Salah satu model protein yang paling sederhana adalah model HP (Hydrophobic-Polar Model)8. Model
ini mereduksi keduapuluh asam amino penyusun protein menjadi hanya dua tipe, yaitu H (hydrophobic)
dan P (polar)9. Dengan menggunakan model ini, kajian proses pelipatan protein dapat dilakukan tanpa
harus memperhatikan semua interaksi yang terlibat dan hanya fokus pada detail yang benar-benar
penting10. Meskipun model protein ini sangat sederhana, mencari struktur dengan energi terendah atau
keadaan dasar dari susunan protein tertentu dengan model ini termasuk dalam kasus NP-Complete, yang
merupakan salah satu kelas perhitungan tersulit dalam dunia komputasi11.
Berbagai metode komputasi telah dikembangkan untuk mengkaji perubahan struktur dari model
HP, salah satu diantaranya adalah dengan menggunakan simulasi Monte Carlo8. Alfred dkk. (2019)
menerapkan algoritma Wang-Landau untuk mensimulasikan model HP untuk beberapa protein7.
Algoritma ini terbukti efektif dan efisien dalam mencari struktur keadaan dasar (ground state) dan
109
menentukan rapat keadaan sistem yang dikaji9. Dalam penelitian ini, mekanisme pelipatan protein model
HP dikaji dengan menganalisis perubahan besaran struktural dan termodinamik pada dua buah protein
yang berbeda. Simulasi Monte Carlo dengan algoritma Wang-Landau dilakukan untuk memperoleh
perubahan besaran panas jenis (Cv), radius girasi (Rg) dan tortuositas (τ) terhadap T dari sistem.
2. MODEL DAN METODE

Model HP (hydrophobic-polar) merupakan sebuah model kisi sederhana protein. Model ini
mengklasifikasikan asam amino penyusun protein menjadi dua kelompok, yaitu hydrophobic (H) dan
polar (P) berdasarkan sifat dari rantai sampingnya (side chain)12. Susunan protein direpresentasikan
dengan monomer H dan P dalam urutan yang menyerupai protein aslinya. Monomer H dan P ini kemudian
ditempatkan pada titik-titik kisi simple cubic untuk kasus 3D dan kisi bujur sangkar untuk kasus 2D9.
Dalam model ini, ikatan kimia antara monomer tidak dapat terlepas dan interaksi yang ada dibatasi
hanya pada interaksi tarik-menarik antara tetangga monomer hidrofobik yang menempati titik kisi terdekat
dan tidak saling berikatan. Interaksi tarik-menarik ini dipilih untuk merepresentasikan gaya hidrofobik
yang menjadi penggerak utama proses pelipatan protein, dan mendorong pembentukan inti hidrofobik
pada keadaan dasar, yaitu konfigurasi dengan energi terendah. Hamiltonian model HP diberikan oleh
H =- f HH nHH (1)
di mana nHH menyatakan jumlah monomer H-H yang bertetangga namun tidak saling berikatan
dan ϵHH adalah parameter energi interaksi6. Gambar 1 memberikan contoh sebuah konfigurasi sampel
untuk model HP dengan N = 9 monomer beserta parameter energi interaksinya ϵHH. Dalam gambar
1, bola berwarna biru adalah monomer H dan bola berwarna merah adalah monomer P. Interaksi
antara monomer 2 dan 9 berkontribusi menambah energi ϵHH dan secara total terdapat 3 pasangan H-H
(nHH = 3).
Gambar 1. Contoh konfigurasi model HP dalam dua dimensi

Algoritma Wang-Landau merupakan sebuah algoritma umum untuk menghitung rapat keadaan
dari suatu sistem9. Tujuan Algoritma Wang-Landau adalah melakukan estimasi rapat keadaan secara
iteratif, berbeda dengan algoritma Metropolis dimana sifat-sifat sistem dihasilkan berdasarkan distribusi
Boltzmann pada temperatur tertentu. Dalam konteks ini, rapat keadaan adalah banyaknya keadaan mikro
yang bersesuaian dengan sebuah keadaan makro dengan energi E. Dari rapat keadaan ini, sifat-sifat
termodinamik sistem pada semua temperatur dapat dihitung dari satu simulasi tunggal7.
Dalam algoritma Wang-Landau, pertama-tama didefinisikan nilai estimasi rapat keadaan g̃(E)
dan diambil nilainya sama dengan satu untuk semua nilai E. Didefiniskan juga histogram H(E) dan
diambil nilainya sama dengan nol untuk semua nilai E. Simulasi dimulai dengan mengambil sembarang
konfigurasi keadaan mikro awal A dan menghitung energi EA dengan menggunakan Hamiltonian model
HP pada persamaan 1 dengan ϵHH = 1.
Kemudian, konfigurasi selanjutnya B dibangkitkan dengan menggunakan Monte Carlo trial move
set khusus untuk studi pelipatan protein model HP, yaitu pivot move, pull move dan bond-rebridging
move. Konfigurasi ini masih bersifat sementara dan harus diuji apakah akan diterima atau tidak dengan
menggunakan persamaan 2.
110
gu _ EA i
p ^ A " Bh = min f ,1p (2)
gu _ EB i
Jika trial move diterima, nilai konfigurasi B diperbaharui dengan ketentuan:
gu _ EB i = f $ gu _ EB i dan H _ EB i = H _ EB i + 1 (3)
dimana diambil f = e di awal simulasi. Jika trial move ditolak, maka nilai konfigurasi A yang
diperbaharui. Hal ini dilakukan sampai histogram H(E) menjadi cukup datar dengan flatness criterion
p = 80%. Satu iterasi Wang-Landau.
Di setiap akhir satu iterasi Wang-Landau, nilai f umumnya diakarkan, f " f dan histogram H(E)
diatur ulang menjadi 0 untuk semua nilai E. Semua langkah-langkah di atas diulangi hingga f menjadi
lebih kecil dari fmin, dimana fmin = exp(10–8). Maka, diperoleh nilai rapat keadaan g(E) = g̃ (E) dan simulasi
Wang-Landau berakhir.
Semua langkah-langkah simulasi diimplementasikan dalam program dengan menggunakan bahasa C/
C++ dan Python. C/C++ digunakan dalam simulasi Wang-Landau sistem protein yang kompleks karena
memiliki performa yang tinggi dan efisien. Sedangkan penghitungan pasca simulasi dan pembuatan
grafik digunakan Python karena kemudahan dan kelengkapan modulnya. Sebagian besar program
C/C++ untuk simulasi Wang-Landau ini diadaptasi dan dimodifikasi dari program pada referensi 7.
Adapun program lengkap untuk penelitian ini dapat dilihat pada https://github.com/Safrullah021/PF-
Wang-Landau.
Untuk dapat meminimalkan kesalahan statistik yang timbul, dilakukan sepuluh kali simulasi yang
terpisah untuk setiap protein yang ditinjau. Nilai rata-rata kesepuluh simulasi ini digunakan. Setiap
simulasi yang dilakukan menggunakan kumpulan bilangan acak yang berbeda sehingga hasil untuk
setiap simulasi sedikit berbeda antara satu dengan yang lainnya namun berfluktuasi tidak jauh dari nilai
yang sebenarnya.

Dalam penelitian ini dilakukan simulasi Monte Carlo dengan Algoritma Wang-Landau untuk
mengkaji proses pelipatan protein model HP. Hasil dari simulasi tersebut adalah berupa rapat keadaan
sistem g(E). Untuk memperoleh besaran termodinamiknya maka dengan pendekatan mekanika statistik
dihitung terlebih dahulu fungsi partisi sistem Z yang dirumuskan sebagai
Z ^T h = / e -E /k T = / g ^ E h e _E/k T
i B B
(4)
states E
dimana E adalah energi sistem, kB adalah konstanta Boltzmann, T adalah temperatur dan g(E) adalah
rapat keadaan.
Dalam pengkajian pelipatan protein, besaran termodinamik yang sering digambarkan adalah Cv
terhadap suhu. Dari grafik Cv ini kemudian perubahan struktur yang terjadi dalam sistem dapat teramati.
Untuk menghitung nilai Cv ini, digunakan persamaan
d E 1 2
(5)
Cv = dT = E2 - E
kB T2
di mana E adalah energi rata-rata sistem yang dihitung dengan persamaan 9.
Selain besaran termodinamik dihitung, juga besaran struktural dihitung, yaitu radius girasi dan
tortuositas (τ). Besaran-besaran ini sangat penting dalam memberikan gambaran perubahan struktur
monomer-monomer protein seiring berubahnya temperatur. Radius girasi diberikan oleh persamaan
Rg = e N / _ ri - rcm i o
N
1 2
(6)
i
dimana ri adalah vektor posisi monomer ke-i dan rcm adalah pusat massa. Radius girasi ini
memberikan distribusi monomer-monomer protein relatif terhadap pusat massanya. Adapun tortuositas
(τ) didefinisikan oleh persamaan,
111
x = e N - 2 / _ si - sri o
N-2 1 /2
1 2
(7)
i
dimana si diberikan sebagai

i
si = / rj,j + 1 # rj,j + 2, 1 # i # N-2 (8)

j=1
dimana rj,j + 1 dan rj,j + 2 adalah vektor perpindahan 2 dimensi antara monomer-monomer (j,j + 1) dan
(j,j + 2) secara berurutan. Tortuositas memberikan ukuran tentang seberapa berkeloknya rantai protein.
Kedua besaran struktural tersebut dihitung bersamaan dengan perhitungan rapat keaadan dalam
simulasi yang dilakukan. Rata-rata besaran struktural, Q, dituliskan dalam persamaan
Q = 1 / Q ^ E h g ^ E h e - E /k T (9)
Z ^T h
B
dimana Q̅ (E) adalah rata-rata nilai Q pada tingkat energi E.

Supaya mekanisme pelipatan protein dipahami, dilakukan studi kasus pada dua buah protein, yaitu
Bacteriocin SRCAM 602 dan Temporin-C61. Keduanya dipetakan ke dalam model HP dan hasilnya
diberi kode HP3D39 dan HP3D60. Pemetaan dari urutan asam amino asli ke model HP pada penelitian
ini didasarkan pada skala hidrofobisitas Kyle dan Doolittle. Nama dan urutan asam amino serta skala
hidrofobisitas kedua protein tersebut diberikan pada tabel 1.
Tabel 1. Protein dan urutan asam aminonya yang ditinjau
No Nama Protein Urutan Asam Amino
1 Bacteriocin SRCAM 602 ATYYGNGLYCNKQKHYTWVDWNKASREIGKITVNGWVQH
HP3D39 HPPPPPPHPHPPPPPPPPHPPPPHPPPHPPHPHPPPHPP
2 Temporin-C61 MFTLKKSLLLLFFLATINLSLCEQERNAEEERRDDDERNAE
VEKRFLPFVGNLLKGLLGK
HP3D60 HHPHPPPHHHHHHHHPHPHPHHPPPPPHPPPPPPPPPPPHPH
PPPHHPHHPPHHPPHHPP
Gambar 2. Besaran termodinamik dan struktural pada pelipatan protein HP3D39.

Gambar 2 memperlihatkan perubahan besaran-besaran termodinamik dan struktur protein HP3D39.
Dari grafik tersebut terlihat bahwa seiring dengan berkurangnya temperatur, kurva CV/N perlahan-
112
lahan meningkat. Sampai di temperatur rendah (T = 0,3) nilainya meningkat dengan cepat dan
membentuk puncak. Akhirnya kurvanya turun hingga menjadi datar nol saat mendekati T = 0. Hasil
itu mengindikasikan perubahan energi sistem dan pada saat yang sama mengindikasikan terjadinya
perubahan struktur. Daerah puncak pada kurva panas jenis menunjukkan daerah terjadi perubahan
struktur secara signifikan dalam sistem.
Untuk mengetahui perubahan struktur yang terjadi pada puncak kurva, dapat dilihat di gambar 2
struktur protein di sekitar daerah puncak. Gambar 2 menunjukkan bahwa pada daerah puncak terjadi
perubahan struktur protein yang drastis, di mana dari awalnya berupa lilitan menjadi bentuk yang bulat
dan padat. Dari sini kemudian struktur sistem terus berubah hingga terbentuk inti hidrofobik yang
dikelilingi oleh monomer-monomer polar pada keadaan dasarnya (T = 0).
Untuk besaran strukturalnya terlihat bahwa dari temperatur tinggi ke rendah, kurva Rg bernilai
maksimum di awal kemudian perlahan-lahan berkurang hingga akhirnya secara drastis berkurang di
daerah di mana kurva Cv bernilai maksimum. Hal ini menunjukkan bahwa pada daerah tersebut terjadi
pemadatan protein dengan cepat. Hal yang sama juga ditunjukkan oleh kurva τ di mana nilainya bernilai
minimum di awal kemudian meningkat secara drastis di puncak Cv dan akhirnya stabil di nilai maksimum
mendekati keadaan dasarnya. Hal ini menunjukkan bahwa pada daerah puncak Cv rantai susunan protein
melipat menjadi jauh lebih berkelok sehingga meminimalkan ukurannya bersesuaian dengan penurunan
radius girasi protein.
Gambar 3. Besaran termodinamik dan struktural pada pelipatan protein HP3D60.

Gambar 2 memperlihatkan perubahan besaran-besaran termodinamik dan struktur protein
HP3D39. Grafik besaran termodinamik dan struktural untuk HP3D60 yang ditunjukkan pada gambar
3 menunjukkan sedikit perberbeda dengan grafik HP3D39. Kurva Cv/N HP3D60 menunjukkan puncak
pada T = 0,6 dan tambahan daerah berbentuk bahu di antara T = 0,2 dan T = 0,4.
Daerah berbentuk bahu pada kurva panas jenis ini menunjukkan peningkatan nilai Cv/N yang cukup
besar tetapi tidak begitu drastis hingga membentuk puncak. Dari gambar 3, struktur protein pada daerah
bahu ini tampak seolah tidak terjadi perubahan struktur yang signifikan dari struktur sebelumnya. Namun,
jika diperhatikan dengan teliti maka terlihat bahwa monomer-monomer hidrofobik pada struktur yang
ada di daerah puncak belum sepenuhnya membentuk inti dan masih tersebar di luar inti. Sedangkan,
pada struktur di daerah yang berbentuk bahu menunjukkan semua monomer hidrofobik telah berkumpul
menjadi inti hidrofobik.
113
Hasil tersebut mengindikasikan bahwa sebenarnya pelipatan protein model HP melewati dua proses
perubahan yang signifikan. Proses pertama adalah perubahan struktur protein dari lilitan menjadi bulatan
yang padat. Kemudian, proses kedua adalah pelipatan protein hingga monomer-monomer hidrofobik
membentuk inti hidrofobik sebelum akhirnya stabil dalam keadaan dasarnya.
Hasil simulasi ini mendukung observasi yang diketahui terkait proses pelipatan protein model HP,
yaitu bahwa proses pelipatan protein model HP melalui dua proses utama. Proses pertama disebut sebagai
coil-globule collapse, yang merupakan proses perubahan struktur protein dari bentuk lilitan menjadi
bulatan yang lebih padat. Kemudian, proses kedua disebut sebagai folding transition, yang merupakan
proses penyusunan monomer-monomer protein sedemikian sehingga jumlah interaksi monomer H-H
menjadi maksimum.
4. KESIMPULAN
Dalam penelitian ini, untuk mengkaji mekanisme pelipatan protein pada model HP, dilakukan studi
kasus pada dua buah protein alami yang kemudian dipetakan ke dalam model HP. Hasil simulasi Monte
Carlo dengan algoritma Wang-Landau memberikan rapat keadaan sistem g(E) yang kemudian digunakan
untuk mencari perubahan besaran termodinamik dan struktural sistem. Perolehan kurva panas jenis CV
menunjukkan terbentuknya daerah puncak dan bahu yang menunjukkan terjadinya perubahan struktur
pada sistem. Kurva radius girasi dan tortuositas menunjukkan perubahan yang drastis pada daerah puncak
dan bahu tersebut dan memberikan gambaran secara kuantitatif perubahan struktur yang terjadi selama
proses pelipatan. Analisis terhadap kurva CV, Rg dan τ dari kedua protein yang ditinjau mendukung
asumsi bahwa pelipatan protein pada model HP mengalami dua proses yang signifikan. Pertama protein
mengalami coil-globule collapse, yang merupakan proses perubahan struktur protein dari bentuk lilitan
menjadi bulatan yang lebih padat. Kedua, protein mengalami folding transition, yang merupakan proses
penyusunan monomer-monomer protein sedemikian sehingga jumlah interaksi monomer H-H menjadi
maksimum.
UCAPAN TERIMA KASIH

Penulis berterima kasih kepada sivitas Departemen Fisika, FMIPA UNHAS khususnya laboratorium
teori dan komputasi yang telah memberikan ruang, waktu dan kesmpatan yang mendukung dalam
penyelesaian makalah ini.
DAFTAR PUSTAKA
1. Pattanasiri, B., Li, Y.W., Landau, D.P., Wust, T., and Triampo, W. (2013). Thermodynamics and
Structural Properties of a Confined HP Protein Determined by Wang-Landau Simulation. Journal of
Physics: Conference Series 454: 1-9.
2. Shi, G., Li, Y.W., Wust, T., and Landau, D.P. (2015). Protein Folding of the H0P Model: A Parallel
Wang-Landau Study. Journal of Physics: Conference Series 640: 1-6.
3. Khoury, G.A., Smadbeck, J., Kieslich, C.A., and Floudas, C.A. (2014). Protein Folding and De
Novo Protein Design for Bio-technological applications. Trends in Biotechnology 32(2): 1-6.
4. Li, Y.W., Wust, T., and Landau, D.P. (2011). Monte Carlo Simulations of the HP Model (The “Ising
Model” of Protein Folding). Computer Physics Communications 182: 1-6.
5. Farris, A.C.K., and Landau, D.P. (2021). Replica Exchange Wang-Landau Sampling of Long HP
Model Sequences. Physica A 569: 1-5.
6. Farris, A.C.K., Wust, T., and Landau, D.P. (2019). Statistical Physics Meets Biochemistry: Wang-
Landau Sampling of the HP Model of Protein Folding. Am. J. Phys., 87(4): 311-316.
7. Shi, G., Wust, T., and Landau, D.P. (2017). Replica Exchange Wang-Landau Simulation of Lattice
Protein Folding Funnels. Journal of Physics: Conference Series 905: 1-7.
8. Wust, T., and Landau, D.P. (2012). Optimized Wang-Landau Sampling of Lattice Polymers: Ground
State Search and Folding Thermodynamics of HP Model Protein. The Journal of Chemical Physics
137(4): 1-12.
114
9. Farris, A.C.K., Seaton, D.T., and Landau, D.P. (2019). A First Look at Lattice Effects in Coarse-
Grained Protein Models via Wang-Landau Simulations. Journal of Physics: Conference Series
1290: 1-6.
10. Wust, T., Li, Y.W., and Landau, D.P. (2011). Unraveling the Beautiful Complexity of Simple Lattice
Model Polymers and Proteins using Wang-Landau Sampling. J. Stat Phys 144: 638-651.
11. Wust, T., and Landau, D.P. (2008). The HP Model of Protein Folding: A Challenging Testing Ground
for Wang-Landau Sampling. Computer Physics Communications 179: 124-127.
12 Shi, G., Wust, T., and Landau, D.P. (2016). Characterizing Folding Funnels with Replica Exchange
Wang-Landau Simulation of Lattice Proteins. Physical Review E 94: 1-5.
115
Klasifikasi Bintang Variabel Berdasarkan

Pengaruh Perubahan Kecerahan Menggunakan
Algoritma K-Nearest Neighbor
Andi Yusriandi Pratama*1, Nur Hasanah1, Eko Juarlin1
1
E-mail:*1andiyusriandiprtm@gmail.com
Abstrak
Sumber data berjumlah 187.662 data dari ASAS-SN Variable Stars Database untuk melakukan klasifikasi
bintang variabel dengan menggunakan algoritma machine learning. Sebelum dilakukan pengolahan data
dilakukan pre-processing seperti pembersihan data dan penormalisasian data menggunakan normalisasi
Z-score. Terdapat 9 atribut yaitu raj2000, dej2000, mean vmag, amplitude, period, photo_g_mean_mag,
phot_pb_mean_mag, phot_rb_mean_mag, dan parallax dan 1 variabel respons yaitu variabel type yang
terdiri dari 4 label C (bintang kataklismik), E (bintang gerhana ganda), P (bintang berdenyut), dan R
(bintang variabel rotasi). Algoritma K-Nearest Neighbor (KNN) yang merupakan salah satu metode
klasifikasi pada data mining dan juga menjadi algoritma supervised learning pada machine learning
adalah sebuah metode untuk melakukan klaslfikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. Penelitian ini mencakup pengukuran performa (akurasi,
presisi, recall dan f-measure). Metode ini menghasilkan akurasi akurasi sebesar 81.5%, dimana presisi
dari keempat objek masing-masing bintang 39%, 87%, 92%, dan 56%. Recall dari keempat objek 50%,
91%, 100%, dan 44%, sedangkan nilai f-measurenya masing-masing sebesar 44%, 89%, 96%, dan 49%.
Kata Kunci : Bintang variabel, K-Nearest Neighbor, Z-score, ASAS-SN
1. PENDAHULUAN
Klasifikasi bintang dan objek langit lainnya merupakan hal yang sangat penting untuk analisis survei
astronomi yang akan datang. Akan tetapi dengan banyaknya data atau lebih dari satu miliar objek yang
akan dikumpulkan datanya oleh para astronom dan peneliti membuat proses klasifikasi atau pelabelan
secara manual terhadap objek-objek langit mustahil dilakukan, maka dari itu diperlukan metode dalam
analisis dan mengelompokkan data yang efektif salah satu metode yang paling mungkin digunakan
adalah algoritma machine learning1.
Machine learning adalah penentuan jenis berdasarkan pengenalan pola data input. Algoritma
K-Nearest Neighbour (KNN) adalah salah satu algoritma dari machine learning yang melakukan
klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek
yang diuji2. Algoritma KNN sangat sederhana. Klasifikasi dilakukan dengan cara menghitung jarak
terdekat antara suatu objek yang tidak diketahui jenis dengan objek lain yang diketahui jenisnya.
KNN mengelompokkan hasil perhitungan dengan data latih yang mempunyai kerabat terbanyak dalam
jangkauan yang ditentukan. Jarak antara dua data yaitu data latih dan data uji dihitung dengan rumus
jarak Euclidean3. Salah satu variasi metode KNN adalah menetapkan jumlah tetangga yang memiliki
jarak terdekat. Keluaran program dilakukan analisis yang meliputi presisi, recall, dan f1-score.
2. BAHAN DAN METODE

Data bintang variabel yang digunakan dalam penelitian ini diperoleh dari database ASAS-SN Variable
Stars Database (osu.edu) yang terdiri dari 59.072 pengamtan ruang yang terbagi menjadi 82 kolom yang
terdiri dari penamaan objek, sistem koordinat, magnitudo fotometri, seperti penamaan objek, sistem
koordinat, magnitudo fotometri dalam pita V optik sebesar 500 hingga 600 nm, besaran amplitudo dan
periode objek, serta sejumlah keterangan dalam proses klasifikasi dalam katalog ASAS-SN.
Data yang telah dikumpulkan terlebih dahulu melalui tahap pre-processing di mana dilakukan
116
pengolahan data seperti menghilangkan kolom yang tidak digunakan. Terdapat sembilan variabel
prediktor dan satu variabel respons yang akan digunakan pada pengimplementasian algoritma machine
learning yang ditampilkan pada Tabel 1.
Tabel 1. Atribut dalam database ASAS-SN
Variabel Atribut Keterangan
Variabel Predictor Raj2000 Mengukur timur dan barat pada bola langit
Dej2000 Mengukur utara dan selatan pada bola
langit
Mean_Vmag Magnitudo fotometrik
Amplitude Jarak maksimal dari pusat gerak
Period Waktu untuk satu siklus gerak lengkap
Phot_g_mean_mag Magnitudo rata-rata pada pita g
Phot_pb_mean_mag Magnitudo rata-rata pada pita pb
Phot_rb_mean_mag Magnitudo rata-rata pada pita rb
Parallax Mengukur pergerakan semua bintang
Variabel Respon Variabel Type : Bintang Variabel
1. Eclipsing Variabel (E) Bintang gerhana ganda
2. Cataclismic Variabel (C) Bintang kataklismik
3. Pulsating Variabel (P) Bintang berdenyut
4. Rotational Variabel (R) Bintang variabel rotasi
Proses selanjutnya adalah menormalisasi data. Normalisasi data dilakukan untuk membuat atribut
numerik diskalakan dalam range yang lebih kecil4. Metode normalisasi Z-score akan digunakan pada
proses normalisasi data dengan rumus.
x - xr (1)
Z= SDx
di mana Z adalah Z score (Nilai Baku), x adalah Nilai yang diamati (skor mentah) x̄ adalah Rata-rata
populasi dan SD = Standar deviasi.
Setelah data di normalisasi dilakukan tahap split data di mana 90% digunakan sebagai data training
dan 10% sebagai data testing. Uraian data tersebut ditunjukkan pada tabel 2.
Tabel 2. Pembagian Dataset
Jumlah data Kelas Bintang Split
187.662 Data C = 1367 data 90 % Training
E = 149.571 data 10 % Testing
P = 93 data
R = 36.623 data
Gambar 3 menvisualisasikan data dalam dan bar dataset yang menunjukkan pembagian dataset
training dan testing.
117
Gambar 1. Komparasi data train dan data test

Tahap selanjutnya adalah menerapkan metode KNN menggunakan data testing dan data training
yang telah displit sebelumnya. Pada tahap ini pertama dilakukan perhitungan jarak antara setiap data
latih dengan data uji dengan menggunakan persamaan jarak euclidean.
d _ p, q i = / _q - p i
n
1 1
2
(2)
i=1
di mana p, q adalah dua titik diruang-n Euclidean, q1 - p1 adalah vektor Euclidean, dimulai dari asal
ruang (titik awal), dan n adalah ruang-n.
Setelah dilakukan perhitungan jarak dilakukan penurutan jarak dari yang terkecil dan pada akhirnya
dilakukan vote majority dengan mengkelaskan data uji berdasarkan tetangga terbanyak.
Keluaran klasifikasi dibuat matrikx konfusi yang digunakan untuk menguji performa dengan
menghitung nilai akurasi, presisi, recall dan f-measure (fJ -score) .

Pengelohan data pada penelitian ini menggunakan Bahasa pemrograman phyton, phyton memiliki
memiliki library yang berisi kumpulan package dan module yang mempermudah programmer dalam
penulisan kode yang berulang. Library pyhton yang digunakan adalah scikit-learn5. Fungsi dari scikit-learn
adalah untuk membantu melakukan processing data ataupun melakukan training data untuk kebutuhan
machine learning atau data sains. Berikut merupakan source code yang digunakan pada penelitian ini.
Tabel 3. Source code implementasi metode KNN
Ket Source Code
Load R = pd.read_excel('Bintang Variabel.xlsx')
Split X=R [['raj2000', 'dej2000', 'mEn_vmag','Amplitude', 'Periode', phot_g_mEn_mag','phot_
pb_mEn_mag','phot_rb_mEn_mag','parallax']]
y=R [['Variable Type']]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.10,Random_state=3)
Ket Source Code
Train classifier = KNeighborsClassifier(n_neighbors=3, metric='euclidean', p=2)
classifier.fit(X_train, y_train)
Test y_pred = classifier.predict(X_test)
Result cm = confusion_matrix(y_test, y_pred)
print(cm)
from sklearn.metrics import classification_report
akurasi = classification_report(y_test,y_pred)
print(akurasi)
118
Keluaran program dibuat matriks konfusi. Tabel 4 menampilkan keluaran matriks konfusi.
Tabel. 4 Confusion matrik
C E P R
C 112 55 0 55
E 87 13564 1 1200
P 0 0 12 0
R 88 1985 0 1607
Dari tabel 5 menampilkan nilai presisi, recall, dan f1-score.
Tabel 5. Hasil Evaluasi menggunakan confusion matriks
Presisi Recall F1-score
C 0.39 0.50 0.44
E 0.87 0.91 0.89
P 0.92 1.00 0.96
R 0.56 0.44 0.49
Dilihat dari data didapat bahwa terjadi salah prediksi banyak salah prediksi pada kelas C sebanyak
175 data untuk false positif dan 110 data untuk false negatif dan 112 data yang diprediksi benar dari 222
data yang di uji, untuk kelas E didapat sebanyak 2040 data untuk false positif dan 1288 data untuk false
negatif dan data yang diprediksi benar sebanyak 13.564 data dari 134.719 data, dan untuk terdapat hanya
1 kesalahan pada proses prediksinya di mana 1 data yang P yang diprediksi ke dalam kelas E selebihnya
tidak ada kesalahan hal ini disebabkan karena tidak banyaknya data yang diklasifikasikan untuk kelas P.
dan pada kelas R didapat hampir setengah kesalahan prediksi pada prosesnya dengan rincian 1255 data
false positif dan 1695 data false negatif dengan 1985 data benar dari 3680 data yang diprediksi.
4. KESIMPULAN
Algoritma K-Nearest Neighbor dapat di Implementasikan dalam klasifikasi bintang variable dengan
metode Euclidean dalam metode perhitungan jaraknya. Metode ini mengklasifikasikan data ke suatu
kelas dari tetangga terdekatnya, metode ini menghasilkan akurasi 81%. Kelas yang paling buruk
dalam pengklasifikasiannya adalah kelas C dan kelas P kelas yang paling baik, hal ini dipengaruhi
data pencilan pada kelac C yang dimana titik data terlalu jauh dengan titik data lain sehingga membuat
metode klasifikasi kurang maksimal.
UCAPAN TERIMA KASIH

Penulis berterima kasih kepada civitas Departemen Fisika, FMIPA Unhas yang telah memberikan
ruang dan wadah dalam menyelesaikan penelitian ini.
DAFTAR PUSTAKA
1. Bai, Y ., dkk. (2018). Machine Learning Applied to star-galaxy-QSO Clasification and Stellar
Effective Temperature, arXiv, preprint:1811,03740 [Astro-ph,GA].
2. R. Adi. (2018). “Implementasi Algoritma K-Nearest Neighbor Untuk Identifikasi Implementasi
Algoritma K-Nearest Neighbor Untuk Identifikasi Kualitas Air (Studi Kasus: Pdam Kota Surakarta).
3. A. Apriansyah, Ilhamsyah, and T. Rismawan. (2016). Prototype Kunci Otomatis Pada Pintu
Berdasarkan Suara Pengguna Menggunakan Metode KNN (K-Nearest Neighbor). J. Coding, Sist.
Komput. Untan, vol. 04, no. 1, pp. 45–56.
4. Junaedi, H dkk. (2011). Classification of imbalanced data by combining the complementart neural
network and SMOTE algorithm. International Conference on Neutral Information Processing 152-159.
5. C. A. Ul Hassan, M. S. Khan, and M. A. Shah. (2019). Comparison of Machine Learning Algorithms
in Data classification. 2018 24th Int. Conf. Autom. Comput., no. September, pp. 1–6.
119
Analisis Karakteristik Hidroksiapatit Dari

Cangkang Kerang Darah (Anadara Granosa)
Maysarah. A. Mallarangi*1, Nurlaela Rauf1, Paulus Lobo Gareso1
1
Jurusan Fisika, Fakultas MIPA, Universitas Hasanuddin
E-mail: *1mysrhasyrf59@gmail.com
Abstrak
Kebutuhan akan biomaterial yang sangat tinggi didunia medis terkhusus dalam bidang dokter orthopedi
dan kedokteran gigi. Pada penelitian ini akan memanfaatkan biomassa untuk membuat hidroksiapatit.
Hidroksiapatit (Ca10(PO4)6(OH)2) merupakan senyawa mineral yang dapat digunakan sebagai implan
tulang dan gigi manusia karena komposisi kimia yang dimiliki mendekati komponen-komponen yang
terdapat dalam tulang dan gigi. Senyawa ini diperoleh dari reaksi antara kalsium oksida (CaO) dan
diamonium hidrogen fosfat ((NH4)2HPO4). Senyawa CaO diperoleh dari cangkang kerang darah yang
telah dikalsinasi pada suhu 900°C dan fosfat didapatkan dari senyawa (NH4)2HPO4. Dalam penelitian
ini, metode yang digunakan dalam mensintesis adalah metode presipitasi. Hal ini dilakukan untuk
mengetahui pengaruh variasi suhu sintering terhadap pembentukan hidroksiapatit yang sesuai standar.
Variasi suhu sintering yang digunakan yaitu 700°C, 750°C, 800°C dan 850°C. Hidroksiapatit yang
didapatkan, dikarakterisasi menggunakan XRF. Hasilnya menunjukkan komposisi kimia dari masing-
masing suhu terdeteksi senyawa kimia utama CaO dan P2O5 dengan perbandingan CaO/P2O5 yaitu 1,62,
1,66, 1,70 dan 1,71.
Kata Kunci: Cangkang kerang darah, hidroksiapatit, metode presipitasi.
1. PENDAHULUAN
Tulang dan gigi merupakan bagian terpenting dalam tubuh manusia yang bersifat keras dan memiliki
kandungan kalsium. Kerusakan tulang dan gigi menyebabkan terganggunya fungsi struktur jaringan.
Upaya untuk memperbaiki kerusakan tersebut dilakukan dengan penambahan atau penggantian jaringan
tulang dan gigi. Akan tetapi ketersediaan material hingga saat ini masih terbatas. Sehingga diperlukan
suatu riset untuk menangani hal tersebut, salah satunya adalah dengan memanfaatkan teknologi dalam
pengembangan bahan-bahan pengganti struktur jaringan yang baik, murah dan tidak menimbulkan efek
negatif seperti hidroksiapatit1,2.
Hidroksiapatit (Ca10(PO4)6(OH)2) merupakan senyawa mineral penyusun jaringan keras sebagai
bahan rehabilitas tubuh manusia seperti tulang dan gigi yang dapat meningkatkan fungsi sel-sel jaringan
yang digantikan. Hidroksiapatit memiliki komposisi kimia yang mendekati komponen-komponen yang
terdapat dalam tulang serta memiliki sifat biokompatibel, bioaktif dan osteokonduktif3,4. Senyawa
hidroksiapatit (HAp) dapat diperoleh dengan mensintesis prekursor kalsium dan prekursor fosfat4. Salah
satu alternatif dalam mensintesis hidroksiapatit adalah dengan menggunakan bahan dari alam yang
banyak mengandung kalsium seperti cangkang keong, cangkang telur, tulang ikan, cangkang sotong,
tulang sapi dan cangkang kerang darah1,2,3,5-7.
Sumber kalsium yang dipilih dalam penelitian ini adalah limbah cangkang kerang darah sebagai
bahan baku untuk sintesis HAp. Limbah cangkang merupakan sisa dari kerang yang tidak termanfaatkan
dengan baik karena sifatnya yang sangat keras, pemanfaatannya hanya sebatas kerajinan tangan saja.
Padahal cangkang kerang darah ini memiliki kandungan kalsium karbonat yang dapat dimanfaatkan
sebagai bahan pembuatan biokeramik8. Pemanfaatan cangkang kerang darah sebagai sumber kalsium
oksida (CaO) dalam sintesis hidroksiapatit menjadi salah satu upaya meningkatkan nilai jual yang lebih
ekonomis dan diharapkan memberikan solusi terkait ketersediaan hidroksiapatit di Indonesia3.
Beberapa metode sintesis hidroksiapatit yang dapat digunakan yaitu sol-gel, hidrotermal dan metode
presipitasi9-11. Dalam penelitian ini metode yang digunakan dalam mensintesis hidroksiapatit adalah
metode presipitasi. Metode ini memiliki beberapa kelebihan diantaranya bahan baku yang digunakan
120
murah, reaksi kimia yang relatif sederhana, ukuran dan homogenitas ukuran partikel cenderung cukup
baik5.
Pada penelitian Malau dan Adinugraha (2019), menjelaskan bahwa dalam mensintesis hidroksiapatit
dari cangkang telur bebek sebagai sumber kalsium dan diamonium hidrogen fosfat ((NH4)2(HPO)4)
sebagai sumber fosfat. Hasil yang didapatkan pada penelitian tersebut mengatakan pada suhu sintering
900°C selama 5 jam dengan menggunakan metode presipitasi pada suhu tersebut dihasilkan rasio Ca/P
sebesar 1,67 dan sesuai dengan standar stoikometri Ca/P hidroksiapatit 1,6711.
Berdasarkan uraian di atas, maka akan dilakukan penelitian mengenai sintesis hidroksiapatit
menggunakan metode presipitasi dengan memvariasikan suhu sinteringnya. Dalam sintesis hidroksiapatit
ini sumber kalsiumnya diekstrak dari cangkang kerang darah dan sumber fosfat yang digunakan yaitu
Diamonium Hidrogen Fosfat ((NH4)2HPO4). Penelitian ini bertujuan untuk mengetahui pengaruh suhu
sintering dalam sintesis hidroksiapatit.
2. BAHAN DAN METODE

2.1 Bahan
Bahan yang digunakan dalam penelitian adalah cangkang kerang darah (Anadara Granosa),
Diamonium Hidrogen Fosfat ((NH4)2HPO4) dan Aquades.
2.2 Metode
2.2.1 Preparasi Sampel
Cangkang kerang darah dicuci dengan air hingga bersih, selanjutnya dikeringkan di bawah sinar
matahari selama 13 jam dan diikuti pengeringan dalam oven pada suhu 110°C selama 2 jam. Cangkang
yang sudah kering, selanjutnya dihancurkan menggunakan palu hingga menjadi serpihan kecil. Kemudian
digiling hingga membentuk serbuk halus. Serbuk cangkang kerang darah diayak menggunakan ayakan
200 mesh dan hasil ayakan dikalsinasi pada suhu 900°C selama 5 jam untuk menghasilkan kalsium
oksida (CaO).
2.2.2 Sintesis Hidroksiapatit
Sebanyak 2,83 gr serbuk kalsium oksida (CaO) dilarutkan dalam 100 ml aquades ke dalam gelas
kimia sebagai larutan pertama dan untuk larutan kedua, digunakan 3,97 gr diamonium hidrogen fosfat
((NH4)2HPO4) dilarutkan dalam 100 ml aquades, masing-masing larutan distirrer dengan kecepatan 350
rpm selama 10 menit. Proses pencampuran dilakukan dengan mentitrasi 100 ml larutan kedua ke dalam
¬larutan pertama dengan bantuan pipet tetes, rata-rata laju titrasi yang digunakan yaitu 10 ml/menit
sampai larutannya habis. Selama dititrasi, larutan pertama diaduk menggunakan magnetic stirrer dengan
kecepatan 350 rpm selama 10 menit. Kedua larutan tercampur distirrer dengan kecepatan 350 rpm
selama 90 menit. setelah proses pencampuran selesai, wadah ditutup dan diendapkan selama 18 jam.
Endapan yang terbentuk disaring menggunakan kertas saring whatman nomor 42, dilanjutkan dengan
mencuci hasil endapan menggunakan aquades sebanyak 3 kali. Endapan hasil pencucian ditempatkan
pada sebuah cawan crucible dan dimasukkan dalam oven untuk dikeringkan. Suhu yang digunakan
dalam pengeringan ini yaitu 110°C selama 3 jam dan proses sintering dilakukan pada suhu 700°C,
750°C, 800°C dan 850°C masing-masing selama 5 jam.
2.2.3 Karakterisasi
Pada penelitian ini menggunakan alat karakterisasi yaitu XRF yang digunakan untuk mengindetifikasi
komposisi kimia hidroksiapatit.

3.1 Analisis Hidroksiapatit Menggunakan X-Ray Fluorescence (XRF)
Sintesis hidroksiapatit dilakukan dengan menggunakan metode presipitasi yaitu mereaksikan
kalsium oksida (CaO) dan diamonium hidrogen fosfat ((NH)4)2HPO4). Metode ini merupakan reaksi
kimia asam basa yang menghasilkan padatan kristalin serta air. Adapun persamaan reaksi kimia yang
121
telah terbentuk dari sintesis hidroksiapatit sebagai berikut12:

10Ca(OH)2 + 6(NH4)6HPO4(s) + 2H2O(aq) → Ca10(PO4)6(OH)2(s) + 6H2O(aq) + 12NH4OH(aq) (1)
senyawa kalsium oksida (CaO) digunakan dalam mensintesis hidroksiapatit ini diekstrak dari
cangkang kerang darah yang telah melalui proses kalsinasi. Kalsinasi adalah proses pemanasan suhu
tinggi di bawah titik leleh untuk menghilangkan kandungan air, karbondioksida atau gas lain yang
mempunyai ikatan kimia di bawah suhu 1200°C13.
Hidroksiapatit dapat disintesis sesuai karakteristik dengan perbandingan rasio CaO/P2O5 standar
sebesar 1,6711. Hasil analisis XRF hidroksiapatit dari cangkang kerang darah dengan variasi suhu
sintering dapat dilihat pada tabel di bawah ini.
Tabel 1. Analisis XRF serbuk HAp dari cangkang kerang darah
Suhu Sintering Komponen Oksida (%)
Rasio CaO/P2O5
(°C) CaO P2O5 SrO Nb2O5 Lainnya
700 61,23 37,78 0,19 0,01 0,77 1,62
750 62,40 37,38 0,18 0,01 0,01 1,66
800 62,89 36,93 0,15 0,01 0,02 1,70
850 63,09 36,69 0,19 0,01 0,01 1,71
Berdasarkan tabel 1 menunjukkan bahwa pada penelitian hidroksiapatit ini, setiap suhu mengandung
senyawa kimia utama CaO/P2O5. Pada suhu sintering 750°C selama 5 jam menghasilkan rasio CaO/P2O5
sebesar 1,66 yang mendekati nilai rasio CaO/P2O5 standar yaitu 1,676,11. Sehingga dapat dilaporkan
bahwa hasil hidroksiapatit diekstrak dari cangkang kerang darah yang didapatkan sudah tergolong lebih
baik dibandingkan dengan penelitian Lahu (2021). Dikarenakan pada penelitian yang telah dilakukan,
suhu sintering terbaik yang didapatkan yaitu pada suhu 800°C dengan perbandingan CaO/P2O5 sebesar
1,707. Pada tabel tersebut memperlihatkan mengenai komposisi kimia yang terkandung dalam setiap
suhu sintering hidroksiapatit seperti CaO, P2O5, SrO dan Nb2O5. Keberadaan senyawa lainnya pada suhu
sintering 700°C sebesar 0,77% terlihat lebih banyak dibandingkan pada suhu sintering 750°C, 800°C
dan 850°C.
Pada tabel 1 juga memberikan informasi mengenai suhu sintering sangat berpengaruh dalam
pembentukan hidroksiapatit. Hal ini sesuai dengan penelitian yang telah dilakukan oleh penelitian
lainnya menyatakan bahwa suhu sintering sangat penting dalam proses menghasilkan hidroksiapatit
murni12. Dibuktikan juga pada data yang diperlihatkan pada tabel 2 di bawah ini.
Tabel 2. Perbandingan data XRF serbuk HAp terbaik .
Kandungan Suhu Sintering Rasio CaO/
Biomassa Referensi
CaO (%) (°C) P2O5
Cangkang kerang darah 99.49 750 1,66 Penelitian sekarang
Cangkang telur itik 93,95 800 1,67 Mutmainnah (2021)
Cangkang telur bebek 90 900 1,67 Malau dan Adinugraha (2019)
Berdasarkan data yang diperlihatkan pada tabel 2, dalam pembuatan hidroksiapatit dapat disintesis
menggunakan biomassa berbeda dan memiliki suhu sintering terbaiknya dalam mendapatkan senyawa
hidroksiapatit6,11. Hal ini dapat disimpulkan bahwa setiap biomassa yang memiliki kandungan CaO
minimal 50% dapat mensintesis hidroksiapatit menggunakan bahan utama dari biomassa, yang sesuai
dengan penelitian Khaira (2011) menyatakan bahwa dalam mensintesis hidroksiapatit dengan kemurnian
tinggi diperlukan kandungan CaO minimal 50%14.
4. KESIMPULAN
Variasi suhu sintering sangat berpengaruh dalam mensintesis hidroksiapatit. Sesuai data XRF yang
memberikan informasi bahwa setiap suhu mengandung senyawa kimia utama CaO/P2O5. Suhu sintering
122
terbaik didapatkan pada suhu 750°C dengan perbandingan CaO/P2O5 sebesar 1,66 yang mendekati nilai
rasio standar CaO/P2O5 yaitu 1,67.
UCAPAN TERIMA KASIH

Penulis berterima kasih kepada civitas Departemen Fisika, FMIPA Unhas khususnya Laboratorium
Material dan Energi yang telah memberikan ruang dan wadah dalam menyelesaikan penelitian ini.
DAFTAR PUSTAKA
1. Indriani, Y., Iswandi., dan Fuadi, N. (2018). Pemanfaatan Limbah Cangkang Keong Sawah
(Bellamnya javanic) Untuk Sintesis Hidroksiapatit dengan Modifikasi Pori Menggunakan Pati Ubi
Jalar. JFT 5:164-176
2. Mutmainnah, Chadijah, S., dan Rustiah, W. O. (2017). Hidroksiapatit dari Tulang Ikan Tuna Sirip
Kuning (Tunnus albacores) dengan Metode Presipitasi. Al-kimia 5:119-126.
3. Henggu, K. U., Ibrahim, B., dan Suptijah, P. (2019). Hidroksiapatit dari Cangkang Sotong Sebagai
Sediaan Biomaterial Perancah Tulang”. JPHPI 22:1-13.
4. Andika, R., Fadli, A., dan Irdoni. (2015). Pengaruh Waktu Ageing dan Kecepatan Pengadukan Pada
Sintesis Hidroksiapatit dari Cangkang Telur dengan Metode Presipitasi. JOM FTEKNIK 2:1-8.
5. Haris, A., Fadli, A., dan Yenti. S.R. (2016). Sintesis Hidroksiapatit dari Limbah Tulang Sapi
Menggunakan Metode Presipitasi dengan Variasi Rasio Ca/P dan kosentrasi H3PO4. JOM FTEKNIK
3:1-10.
6. Mutmainnah. (2021). Sintesis Hidroksiapatit dari Cangkang Telur Bebek Dengan Metode Presipitasi
untuk Aplikasi Biokeramik. Makassar:Skripsi Universitas Hasanuddin.
7. Lahu. F. H. (2021). Pengaruh Suhu Sintering Terhadap Sintesis Hidroksiapatit Dari Cangkang
Kerang Darah (Anadara Granosa). Makassar:Skripsi Universitas Hasanuddin.
8. Octaviany, D., Amri, A., Zultiniar., dan Yelmida. (2015). Sintesa Precipitated Calcium Carbonat
(PCC) dari Kulit Kerang Darah (Anadara Granosa) dengan Variasi Kosentrasi Asam dan Rasio CaO/
HNO3. JOM FTEKNIK 2:1-6.
9. Zein, U. R., Anggresani, L., dan Yulianis. (2020). Pengaruh Waktu Sintering Terhadap Hidroksiapatit
Berpori Tulang Ikan Tenggiri dengan Proses Sol-Gel. Chempublish Journal 5:46-56.
10. Khoiruddin, M., Yelmida., dan Zultinar. (2015). Sintesis dan Karajkterisasi Hidroksiapatit (HAp)
dari Kulit Kerang Darah (Anadara Granosa) dengan Proses Hidrotermal. JOM FTEKNIK 2:1-8.
11. Malau, N. D., dan Adinugraha, F. (2019). Synthesis of Hydrokxyapatite Based duck egg shells using
precipitation method. ICOLSSTEM 1563:1-3.
12. Suci, I. A., dan Ngapa, Y. D. (2020). Sintesis dan Karakterisasi Hidroksiapatit (HAp) Dari Cangkang
Kerang Ale-Ale Menggunakan Metode Presipitasi Double Stirring. Cakra Kimia (Indonesian
E-Journal of Applied Chemistry) 8:73-81.
13. Ikhsan,, Gunawarman., dan Yetri. Y. (2018). Karekteristik Hidroksiapatit (HA) Dari Limbah Tulang
Sapi dengan Metode Mekanik-Termal. Poli Rekayasa 13:43-53.
14. Khaira, K. 2011. Pengaruh Temperatur dan Waktu Kalsinasi Batu Kapur terhadap Karakteristik
Precipitated Calcium Carbonate (PCC). Jurnal Saintek 13:33-43.
123
Analisis Uji Kesesuaian Pesawat X-Ray Mobile

Berdasarkan Parameter Pengujian di BPFK Makassar
Asmiati1, A. Tasya Ferdianti2, Rahmawati Mahyuddin3,
Dwi Febri Isradiati4, Muh. Said L5
1,2,3,5
Program Studi Fisika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Alauddin Makassar
4
Balai Pengamanan Fasilitas Kesehatan (BPFK) Makassar
E-mail: *1asmiatiasmi1309@gmail.com
Abstrak
Penelitian ini bertujuan menganalisis uji kesesuaian pesawat X-Ray Mobile berdasarkan parameter
meliputi: selisih lapangan kolimasi, uji akurasi tegangan, uji linearitas keluaran radiasi, uji reproduksibilitas
dan uji kebocoran wadah tabung. Pengujian ini meliputi keseluruhan tindakan pemeriksaan fisik dan
pengukuran dengan membandingkan alat yang diukur dengan alat ukur standar dan menentukan besaran/
kesalahan pengukuran. Hasil uji kesesuaian X-Ray Mobile menunjukkan bahwa (1) uji selisih kolimasi
dengan berkas sinar X yaitu nilai ΔX diperoleh sebesar 2,1% (tidak memenuhi nilai lolos uji yang telah
ditetapkan) dan ΔY diperoleh sebesar 1,2% (memenuhi nilai lolos uji yang ditetapkan); (2) Uji akurasi
tegangan dihasilkan sebesar 2,28% (memenuhi nilai lolos uji≤ 10%); (3) Uji linearitas keluaran radiasi
diperoleh sebesar 0,01μGy/mAs (memenuhi nilai lolos ujiCL ≤ 0,1); (4) Uji reproduksibilitas untuk
keluaran radiasi sebesar 0,003 dan tegangan puncak sebesar 0,001 (memenuhi uji lolos CV ≤ 0,05) dan
untuk uji kebocoran wadah tabung diperoleh nilai sebesar 0,0006 (memenuhi uji lolos≤ 1).
Kata Kunci: baracuda, uji akurasi tegangan, uji linieritas, uji reproduksibilitas, x-ray mobile
1. PENDAHULUAN
Seiring perkembangan zaman kemajuan teknologi bukan lagi menjadi suatu hal yang tidak lazim
lagi. Perkembangan dan kemajuan teknologi pasti akan berdampak pada aspek dan bidang lainnya
misalnya pada bidang kesehatan. Dalam bidang kesehatan kemajuan ini memberikan banyak manfaat
misalnya pemanfaatan sinar-X pada alat medis X-Ray Mobile bermanfaat sebagai media diagnostik
dan pengobatan pada pasien yang memerlukan penangan serius. Foto rontgen atau yang dikenal dengan
pesawat rontgen atau pesawat sinar X merupakan suatu alat yang digunakan untuk melakukan diagnosa
medis dengan menggunakan sinar-X.
Sinar-X merupakan gelombang elektromagnetik yang memiliki panjang gelombang (λ = 10–10 m)
yang lebih pendek dibandingkan dengan cahaya tampak (400-700 nm). Kedokteran radiologi memanfaatkan
kemampuan daya tembus sinar X yang tinggi, daya tembusnya dapat menembus jaringan tubuh sehingga
dapat membentuk gambar atau bayangan dari bagian tubuh yang disinarinya. Sinar-X yang berenergi tinggi
mampu membentuk bayangan, sedangkan yang energinya rendah diserap oleh bahan obyek1.
Setiap alat medis yang memanfaatkan radiasi misalnya sinar-X untuk alat X-Ray Mobile harus
dilakukan uji kesesuaian dan kalibrasi dalam jangka waktu tertentu. Teknologi berupa alat kesehatan
wajib dijaga kehandalannya. Untuk menjaga kehandalan alat kesehatan baik disegi kinerja dan
fungsinya maka semua alat wajib dikalibrasi secara berkala6. Tidak dikalibrasinya alat secara berkala
akan menimbulkan parameter pengukurannya tidak akurat dan keliru. Telah menjadi ketentuan bahwa
setiap alat ukur proteksi radiasi harus dikalibrasi secara periodik oleh instansi yang berwenang.
Pesawat sinar-X mobile adalah pesawat sinar-X yang mudah dipindahkan dari satu ruangan ke
ruangan yang lain. Pesawat sinar-X terdiri dari sistem dan subsistem sinar-X atau komponen. Sistem
sinar-X adalah seperangkat komponen yang menghasilkan radiasi dengan cara terkendali. Sedangkan
subsistem berarti setiap kombinasi dari dua atau lebih komponen sistem sinar-X5. X-Ray Mobile adalah
salah satu alat medis untuk melakukan diagnosis atau terapi yang memanfaatkan sinar-X. Sinar-X yang
124
dipancarkan dari tabung diarahkan pada bagian tubuh yang akan diperiksa. Gambar dari bagian tubuh
akan terbentuk ketika film menangkap berkas sinar-X yang digunakan untuk menyinari bagian tubuh.
Ketika mesin X-Ray menghasilkan sinar-X maka akan terjadi interaksi sinar-X. Dimana sinar-X ini
diperoleh dari foton yang terdapat pada mesin sinar-X8.
Mekanisme pengoperasian X-Ray Mobile dilakukan dengan menghubungkan power kabel sinar-X
dan sumber listrik, kemudian menekan tombol “ON” pada panel pesawat sinar-X dan mengatur posisi
tabung sinar-X pada posisi yang tepat. Selanjutnya meletakkan kaset pada posisi yang tepat (proses
peletakan film pada kaset harus dilakukan di kamar gelap). Langkah berikutnya menyalakan lampu
lokalisasi untuk memastikan posisi kaset, mengatur jarak sumber-kaset (SID) dengan menggunakan
measuring tape (misal jarak 100 cm), mengeset luas lapangan radiasi sesuai keinginan (misal 10 ×10
cm2), lalu meletakkan fantom stepwedge pada posisi yang tepat, mengeset nilai kV, mA dan s sesuai
standar. Terakhir melakukan persiapan eksposi dengan menekan tombol eksposi (setengah pada tombol
ekposi selama 2,5-15 detik untuk model lain), kemudian melakukan eksposi dengan menekan penuh
tombol eksposi saat terdengan suara beep, selanjutnya film siap diproses6.
Bebeberapa parameter pengujian kesesuaian pesawat X-Ray yaitu pertama: uji kolimasi, bertujuan
menentukan selisih lapangan kolimasi dengan lapang berkas cahaya, dengan persamaan sebagai berikut2:
DX ^%SIDh = SID # 100%
X1 + X2
DY ^%SIDh = SID # 100%

Y1 + Y2
(1)
Nilai lolos uji : ΔX dan ΔY ≤ 2 % SID
Kedua: uji akurasi tegangan pada pesawat sinar-X bertujuan untuk mengecek kesesuaian antara
tegangan setting pada panel kontrol dengan nilai yang terbaca pada alat ukur. Cara menghitung persen
errornya adalah
kVPser - kVpukur (2)
Galat = kVpset
# 100%
Dengan batas lolos uji e ≤ 10%

Ketiga adalah uji linearitas bertujuan untuk menguji konsistensi nilai keluaran radiasi (mGy/mAs)
pada variasi mA atau mAs. Penentuan nilai linearitas keluaran dilakukan dengan menghitung koefision
linearitas (CL) yang dapat dihitung sesuai persamaan (3) berikut:
d n max - d n min
nGy nGy
CL =
mAs mAs (3)
d n max + d n min
nGy nGy
mAs mAs
Dengan batas lolos uji CL ≤ 0,1
Keempat adalah uji reproduksibilitas bertujuan untuk memeriksa konsistensi keluaran radiasi,
tegangan dan waktu pada beberapa eksposi dalam pengaturan generator yang tetap. Koefision Variasi
(CV) dapat ditentukan dengan menghitung nilai standar deviasi (SD) dibagi dengan nilai rata-rata
pengukuran masing-masing untuk tegangan keluaran, waktu ekspose, dan keluaran radiasi yang terukur.
Nilai standar deviasi (SD) dan koevisien variasi (CL) dapat dituliskan dalam persamaan (4) berikut:
(nGy - nGy) .2
Keluaran Radiasi (SD) = n-1
^ h
(kVp1 - kVp) .2
Tegangan Puncak SD = n-1 (4)
Keluaran Radiasi ^CV h =
SD
nGy
Tegangan Puncak ^CV h =
SD
kVp
Dengan batas lolos uji CV ≤ 0,05
125
Kelima adalah uji kebocoran wadah tabung bertujuan untuk mengetahui posisi dan nilai kebocoran
wadah tabung. Perhitungan kebocoran adalah:
mAcont # 1 # (5)
mAhitung Hasil ukur max
1000
Batas lolos uji ≤ 1
Berdasarkan uraian diatas maka hal yang melatar belakangi dilakukannya penelitian ini adalah
memastikan Pesawat X-Ray Mobile memenuhi nilai batas lolos uji yang telah ditetapkan sesuai standar.
Dalam hal ini, pengujian dibatasi pada beberapa parameter yaitu: pengadministrasian dan pengecekan
awal, dan pengujian selisih lapangan kolimasi, uji akurasi tegangan, uji linearitas keluaran radiasi, uji
reproduksibilitas dan uji kebocoran wadah tabung. Kelima parameter tersebut dianalisi berdasarkan
persamaan (1) - (5) dengan membandingkan batas lolos uji masing-masing parameter.
Metode pengujian ini dilakukan dengan mengidentifikasi terlebih dahulu data administasi dan
mengecek spesifikasi konfigurasi pesawat. Selanjutnya melakukan pengukuran kondisi lingkungan
ruangan dan pemeriksaan kondisi fisik dan fungsi alat X-Ray Mobile. Untuk memastikan uji kesesuaian
maka tahap terakhir dilakukan pengukuran masing-masing uji sesuai dengan uraian, selanjutnya
menganalisis secara perhitungan dan membandingkan nilai uji standar yang ditetapkan.
2. BAHAN DAN METODE

Penelitian ini dilaksanakan pada tanggal 25 Juli - 25 Agustus 2022, bertempat di Balai Pengamanan
Fasilitas Kesehatan (BPFK) Makassar.Alat dan bahan yang digunakan pada pengujian/UK Pesawat
X-Ray Mobile terdiri dari: multimeter X-Ray, collimator test tool, water pass, beam alignment tool,
mistar besi, thermohygrometer, digital multimeter dan meteran.
Prosedur kerja pada pengujian/UK Pesawat X-Ray Mobile ini yaitu menyiapkan lembar kerja,
kemudian melakukan pengecekan label pada alat dan pengecekan suhu dan kelembaban. Selanjutnya
menghubungkan Pesawat X-Ray Mobile dengan sumber tegangan PLN kemudian menekan tombol “on”.
Melakukan pengaturan factor expose (kVp dan mAs) pada generator X-Ray Mobile dan pengaturan
kolimasi, kemudian menekan handswitch secara perlahan (pertama menekan setengah handswitch lalu
menunggu hingga warna yang keluar dari kolimasi berubah dari merah/kuning menjadi hijau kemudian
menekan sepenuhnya untuk mengeksposes radiasi sinar-X), setelah itu eksposes selesai dilakukan.
Mencatat data-data pengukuran ke dalam lembar pengamatan.

a. Data Administrasi
1) Nomor izin pesawat : 071538.078.22.171219
2) Berlaku sampai dengan : 20 Desember 2022
3) Instansi : BPFK Makassar
4) Alamat : Jl. Perintis Kemerdekaan KM 11 Makassar, Kota Makassar
Sulawesi Selatan
5) Telepon / fax : 0411-582345/0411-582345
6) Nama PPR/No. SIB : Jumriah, S.Si/ 00661.224.03.260215
7) Lokasi unit : Laboratorium PRUK
8) Tanggal uji : 11 Agustus 2022
9) Nomor laporan hasil uji : 37.001.22.40050
b. Data Spesifikasi Konfigurasi Pesawat
1) Generator/panel kendali dengan identifikasi: pabrikan/merkSIEMENS, model/tipe5510, nomor
seri032013, tahun pembuatan 2006, tipe generatorMed/HF, kapasitas maks100 kVp, mA kontinyu
tidak terbaca, alarm penyinaran audio dan visual dan tombol penyinaran dengan kabel.
2) Wadah tabung, meliputi pabrikan/merk SIEMENS, model/type M08633039, nomor seri 032063,
filter bawaan/inheren 2,1 mmAl, penanda T.Fokus ada.
126
3) Tabung insersi spesifikasinya: pabrikan /merk SIEMENS, model / tipe OX110-1, nomor seri260713,
ukuran focal spot 1,5 mm, rating maksimum 25 mA.
4) Kolimator berkas cahaya, dengan spesifikasi: pabrikan/merk SIEMENS, model/tipe M08633047,
nomor seri 033365, filter 0,7 mm Al ekuivalen, SID* minimum 20,5 cm, kolimator dapat diputar
5) Mode penyinaran, meliputi AEC Tidak tersedia dan seting mA, s tidak terbaca.
6) Sistem pencitraan: CR
c. Data Pendukung Kegiatan Pengujian
1) Pengukuran Kondisi Lingkungan Ruangan Pesawat Sinar-X
Tegangan jala-jala : - Volt
Suhu minimum : 22,9°C
Suhu maksimum : 28,2°C
Kelembaban relatif minimum : 49,0 %
Kelembaban relatif maksimum : 49,5 %
2) Pemeriksaan Kondisi Fisik dan Fungsi Alat X-Ray Mobile
Tabel 1. Kondisi Fisik dan Fungsi Alat X-Ray Mobile
Keterangan
No. Bagian Alat
Fisik Fungsi
1. Panel control dan Indikator Baik Baik
2. Sistem Pergerakan Unit Alat Baik Baik
3. Badan dan Permukaan Alat Baik Baik
4. Penyangga Tabung Baik Baik
5. Kolimator Baik Baik
6. Iluminasi Baik Baik
7. Generator Baik Baik
d. Data Pengujian
Hasil pengujian kesesuaian pada Pesawat X-Ray Mobile dapat ditunjukkan secara satu persatu
berikut ini:
Tabel 2. Selisih Lapangan Kolimasi dengan Berkas X-Ray Mobile
kVp set : 45 mAs set : 4 SID : 100 cm
Tepi Lap. Cahaya (cm) Tepi Lap. Sinar-X(cm)
Titik Ukur Keterangan
I II III I II II
X1 9,0 9,0 9,0 9,1 9,1 9,1
X2 9,2 9,2 9,2 7,2 7,2 7,2
ΔX dan ΔY ≤ 2%
Y1 7,0 7,0 7,0 7,1 7,1 7,1
Y2 7,0 7,0 7,9 5,9 5,9 5,9
Analisis:
DX ^%SIDh =
X1 + X2
SID # 100%
0, 1 + 2
= 100 # 100%
= 2, 1% _ tidak memenuhi nilai lolos uji yang telah ditetapkan i
DY ^%SIDh =
Y1 + Y2
SID # 100%
0, 1 + 1, 1
= 100
# 100%
= 1, 2% _ memenuhi nilai lolos uji yang ditetapkan i
127
Tabel 3. Uji Akurasi Tegangan X-Ray Mobile

mAs-set : 20 SDD (cm) : 100
Tegangan yang Nilai Lolos
No Tegangan-set (kV) Eror (%) Keterangan
Terbaca (kV) Uji
1 50 51,14 2,28 Memenuhi
2 60 60,46 0,76 Memenuhi
Akurasi kV : e
3 70 70,04 0,05 Memenuhi
max ≤ 10%
4 81 80,89 0,13 Memenuhi
5 90 91,43 1,59 Memenuhi
Analisis:
kVPset - kVpukur
Eror = kVpset
# 100%
50 - 51, 14
= 50
# 100%
= 2, 28% _ memenuhi nilai lolos uji # 10% i
Untuk data 2 sampai 5 dilakukan dengan analisis yang sama.
Tabel 4. Uji Linearitas Keluaran Radiasi X-Ray Mobile
kVp-set : 70 SDD (cm) : 100
No mAs Dosis yang Terbaca (mGy) Nilai Lolos Uji
1 5 0,208
2 10 0,428
3 16 0,676 CL ≤ 0,1
4 20 0,842
5 25 1,050
Analisis:
_ nGy i max - _ nGy i min
d n max + d n min
CL = nGy nGy
mAs mAs
0, 043 - 0, 042
=
0, 043 + 0, 042
= 0, 01nGy/mAs _ memenuhi nilai lolos uji CL # 0, 1 i
Tabel 5. Uji Reproduksibilitas X-Ray Mobile
kVp-set : 55 mAs-set : 6,4 SDD(cm) : 100
Dosis Keluaran Tegangan Keluaran Tegangan Nilai Lolos
No
(mGy) Keluaran (kV) Radiasi puncak Uji
1 0,155 55,29 0,00025 0,0025
2 0,156 55,40 0 0,0025
3 0,156 55,38 0 0,0025 CV ≤ 0,05
4 0,156 55,42 0 0,0075
5 0,155 55,46 0,00025 0,0175
Analisis:
0, 155 + 0, 156 + 0, 156 + 0, 156 + 0, 155
nGy = 5 = 0, 156
128
Keluaran Radiasi ^SDh =

(nGy - nGy) .2
n-1
(0, 155 - 0, 156) .2
= 5-1
= 0, 00025 _ untuk data ke 2 - 5 dengan cara yang sama i
55, 29 + 55, 40 + 55, 38 + 55, 42 + 55, 46
kVp = 5 = 55, 39
Tegangan Puncak ^SDh =

(kVp1 - kVp) .2
n-1
(55, 19 - 55, 39) .2
= 5-1
= 0, 025 _ untuk data ke 2 - 5 dengan cara yang sama i
Tegangan Puncak ^CV h =

SD
kVp
0, 055
= 55, 39
= 0, 001 _ memenuhi uji lolos CV # 0, 05 i
Tabel 6. Uji Kebocoran Wadah Tabung X-Ray Mobile
kVp-set : 81 ms terukur : 17,63 mAs-set : 50
kVp-max : 100 mA hitung : 28,36 mA kon : 5
Posisi Hasil ukur (μGy/jam) Radiasi latar (μGy/jam) Nilai Lolos Uji
Kanan 0,32 0,27
Depan 3,26 0,12
Kiri 3,26 0,29 ≤1
Atas 0,23 0,18
Belakang 0,27 0,21
Analisis:
mA cont 1
= mA hitung # 1000 # Hasil ukur max
5 1
= 28, 36 # 1000 # 3, 26
= 0, 0006 _ memenuhi uji lolos # 1 i
Pada pengujian/uji kesesuaian X-Ray Mobile ada beberapa parameter pengujian yakni uji selisih
kolimasi dengan berkas sinar X di mana untuk nilai ΔX sebesar 2,1% (tidak memenuhi nilai lolos uji
yang telah ditetapkan). Salah satu faktor yang menyebabkan pengujian tidak memenuhi batas lolos
uji yang telah di tetapkan adalah tegangan yang diberikan tidak stabil, guncangan yang terjadi ketika
alat di pindahkan dari ruangan satu ke ruangan yang lain serta cara penggunaannya. ΔY sebesar 1,2%
(memenuhi nilai lolos uji yang ditetapkan).
Berdasarkan analisis parameter pengujian diperoleh masing-masing uji akurasi tegangan sebesar 2,28%,
uji linearitas keluaran radiasi diperoleh sebesar 0,01 μGy/mAs, uji reproduksibilitas untuk keluaran radiasi
sebesar 0,003 dan tegangan puncak sebesar 0,001 serta uji kebocoran wadah tabung diperoleh nilai sebesar
0,0006. Keempat pengujian kesesuaian tersebut telah memenuhi nilai lolos uji yang telah ditetapkan. Adapun
faktor yang memengaruhi suatu uji kesesuaian memenuhi nilai lolos uji yang telah ditetapkan adalah karena
keandalan dari alat itu sendiri serta tegangan yang diberikan yang sangat stabil serta arus dan waktu yang
diberikan yang diberikan lebih stabil. Hal ini sejalan dengan haisl penelitian Riska Susanti dkk (2017),
bahwa uji kolimasi dilakukan dengan beberapa parameter yaitu uji kesesuaian selisih lapangan kolimasi
dengan berkas sinar-X, uji akurasi tegangan dan uji Kebocoran Tabung Sinar-X. Keduanya telah memenuhi
kesesuaian bahwa nilai lolos uji selisih lapangan kolimasi dengan berkas sinar-Xyang diperkenankan
129
BAPETEN, yaitu % SID ≤ 10%,dan rata-rata akurasi tegangan yang diujikan pada pesawat fluoroskopi
intervensional nilai telah lolos uji yang diperkenankan oleh BAPETEN, yaitu e maks ≤ 10 %. Dan nilai
laju kebocoran tabung sinar-X yang diujikan pada pesawat fluoroskopi intervensional masih di bawah nilai
lolos uji yang diperkenankan oleh BAPETEN, yaitu laju dosis adalah L maks ≤ 1 mGy/jam7. Penelitian Dwi
Rochmayanti dkk (2017), juga meneliti tentang faktor determinan kolimasi, ukuran imaging plate dan delay
time processing terhadap exposure indeks. Parameter yang diuji antara lain bahwa uji linieritas keluaran
radiasi dan hasil uji linieritas keluaran radiasi, dan uji reproduksibilitas tegangan puncak, waktu penyinaran
dan dosis. Hasil penelitiannya menunjukkan bahwa pada uji linieritas keluaran radiasi dengan setting
tegangan tabung 80 variasi arus tabung 2.5, 5, 10, dan 20 menunjukkan koefisien linieritas adalah 0.0472
(nilainya dibawah nilai lolos uji yang mensyaratkan nilai koefisien linieritas keluaran radiasi adalah ≤ 0.1).
uji reproduksibilitas tegangan puncak (kVp), waktu penyinaran (s) dan dosis (mGy) masing-masing 0.0008
kVp, 0.0067 s dan 0.0018 mGy. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kondisi pesawat sinar
X yang digunakan sebagai alat penelitian dalam keadaan baik dan siap digunakan3.
4. KESIMPULAN
Berdasarkan analisis uji kesesuaian Pesawat X-Ray Mobile pada beberapa parameter pengujian dapat
disimpulkan bahwa: (1) uji selisih kolimasi dengan berkas sinar X yaitu nilai ΔX diperoleh sebesar 2,1% (tidak
memenuhi nilai lolos uji yang telah ditetapkan) dan ΔY diperoleh sebesar 1,2% (memenuhi nilai lolos uji
yang ditetapkan); (2) Uji akurasi tegangan dihasilkan sebesar 2,28% (memenuhi nilai lolos uji ≤ 10%); (3)
Uji linearitas keluaran radiasi diperoleh sebesar 0,01 μGy/mAs (memenuhi nilai lolos uji CL ≤ 0,1); (4) Uji
reproduksibilitas untuk keluaran radiasi sebesar 0,003 dan tegangan puncak sebesar 0,001 (memenuhi uji lolos
CV ≤ 0,05) dan untuk uji kebocoran wadah tabung diperoleh nilai sebesar 0,0006 (memenuhi uji lolos ≤ 1).
Parameter-parameter tersebut telah memenuhi uji kesesuaian Pesawat X-Ray Mobile yang menunjukkan bahwa
pesawat tersebut aman dalam pengoperasiannya serta menjamin keselamatan radiasi dan memberikan informasi
diagnostik yang tepat dan akurat. Rekomendasi penelitian ini adalah diharapkan dalam uji kesesuaian perlu
kehati-hatian dalam mengukur parameter kontrolnya terutama dalam pemberian tegangan dan arusnya.
UCAPAN TERIMA KASIH

Terima kasih kepada Pimpinan dan Staf Instansi Balai Pengamanan Fasilitas Kesehatan (BPFK) Makassar
dan seluruh pihak yang terlibat khususnya Ibu Dwi Febri Isradiati, S.Si dan Bapak Muh. Said L. S.Si., M.Si,
selaku pembimbing dalam kegiatan Praktek Lapangan dan Penelitian Uji Laboratorium di BPPK Makassar,
serta tim mahasiswa atas kerjasama dan kolaborasinya dalam kegiatan PKL selama 1 bulan penuh.
DAFTAR PUSTAKA
1. A. Mukhlis, 2000, Dasar-Dasar Proteksi Radiasi, Rieneka Cipta, Jakarta.
2. Agoes Santika Hyperastuty, Yanuar Mukhammad, Sugeng. (2021). Analisis Uji Kesesuaian Pesawat
Sinar X Radiografi Mobile Merk Drgem Topaz40d Menggunakan X-Ray Multimeter PIRANH.
Journal Of Health Science (Jurnal Ilmu Kesehatan). 6 (1). h.19– 26.
3. Dwi Rochmayanti, Darmini Darmini, Marichatul Jannah. (2017).Faktor Determinan Kolimasi, Ukuran
Imagingplatedan Delay Time Processing Terhadap Exposure Index. Jurnal Riset Kesehatan, 6 (2). h 1 - 6
4. Latifa Listyalina. (2017). Peningkatan Kualitas Citra Foto Rontgen Sebagai Media Deteksi Kanker
Paru-Paru, Jurnal Teknologi Informasi. 12 (34). hal. 111.
5. Nur Mukminah R., Iswadi dan Ihsan.(2014).Analisis Linearitas Keluaran Radiasi Pada X Ray
Mobile dengan Menggunakan Piranha. Jurnal Alkimia. 2(1). hal. 78.
6. Peraturan Menteri Kesehatan Republik Indonesia Nomor 54 Tahun 2015 Tentang Pengujian Dan
Kalibrasi Alat Kesehatan.
7. Rika Susanti, Dian Milvita1, Kri Yudi Pati Sandy. 2017.Uji Kesesuaian Pesawat Fluoroskopi
Intervensional merek Philips Allura FC menggunakan Detektor Unfors Raysafe X2 di Rumah Sakit
Universitas Andalas.Jurnal Fisika Unand . 6(3).
8. Susilo. 2015. Modul Pelatihan Radiografi Sinar-X. Semarang: Universitas Negeri Semarang.
130
Pengaruh Suhu Sintering Terhadap

Efisiensi Massa Hidroksiapatit Cangkang
Kerang Darah (Anadara Granosa)
Nova Marliana*1, Nurlaela Rauf1, Sri Suryani1
1
E-mail:*1novamarliana16@gmail.com
Abstrak
Penelitian ini merupakan hasil sintesis hidroksiapatit (HAp) dengan memanfaatkan limbah cangkang
kerang darah (Anadara Granosa) menggunakan metode presipitasi. Cangkang kerang dikalsinasi
pada suhu 900°C selama 5 jam untuk menghasilkan bubuk CaO. Sintesis HAp dilakukan dengan
pencampuran prekursor (NH4)2HPO4 dan suspense Ca(OH)2 dengan memvariasikan suhu sintering
700°C, 750°C,800°C, dan 850°C selama 5 jam. Penelitian ini bertujuan untuk mengetahui besar susut
massa bubuk cangkang kerang setelah dikalsinasi dan efisiensi massa hidroksiapatit yang dihasilkan
setelah sintering. Berdasarkan hasil pengujian susut massa bubuk cangkang kerang diperoleh rata-rata
sebesar 43,28%. Hal ini terjadi karena adanya proses oksidasi terhadap sebagian senyawa organik pada
cangkang kerang. Nilai efisiensi HAp mengalami penurunan seiring meningkatnya suhu sintering.
Kata Kunci: Cangkang kerang darah, Hidroksiapatit, Susut massa, Efisiensi Hidroksiapatit
1. PENDAHULUAN
Penelitian mengenai biomaterial yang saat ini mengalami peningkatan kebutuhan dalam dunia
kedokteran terutama dalam bidang kedokteran gigi dan ortopedi1. Hal ini disebabkan karena bahan
utamanya berasal dari pemanfaatan bahan alam dan limbah yang ketersediaannya melimpah di
lingkungan sekitar. Selain itu, pengaplikasian biomaterial bersifat efektif karena tidak menimbulkan
efek samping terhadap tubuh. Biomaterial bermanfaat sebagai material sintesis yang baik, diantaranya
sebagai bahan penggantian (replacement) dan perbaikan (repair), regenerasi untuk tulang dan gigi, serta
jaringan kerangka yang rusak menggunakan cara pencangkokan atau implantasi2,3. Hidroksiapatit (HAp)
merupakan salah satu biomaterial yang banyak disintesis menjadi biokeramik untuk tujuan tersebut.
Struktur tulang manusia terdiri dari komponen organik dan anorganik. Sebanyak 69% dari
komponen anorganik yang terkandung pada tulang, 99% anorganik tersebut merupakan hidroksiapatit.
Hidroksiapatit adalah senyawa kalsium fosfat dengan rumus kimia Ca10(PO4)6(OH)2 yang memiliki
kemiripan struktur dengan komponen mineral pembentukan tulang dan gigi4. Hidroksiapatit memiliki
bentuk struktur hexagonal dan merupakan senyawa yang bersifat paling stabil diantara jenis kalsium
apatit lainnya. Perbandingan antara kalsium dan fosfat (Ca/P) pada hidroksiapatit adalah 1,675-6.
Hidoksiapatit mampu menggantikan jaringan keras dan membangun kembali jaringan tulang yang rusak
pada tubuh tanpa menyebabkan kerusakan lain pada jaringan sehat. HAp memiliki beberapa keunggulan
diantaranya berpori, tidak beracun, mampu berikatan dengan jaringan tubuh (biocompatible), bersifat
bioaktif, ramah lingkungan dan tidak korosif2,7-8.
Metode sintesis HAp yang umum digunakan adalah metode sol-gel, metode hidrotermal dan
metode presipitasi (pengendapan basah)5,9-10. Perbedaan pemilihan metode sintesis yang digunakan
akan mempengaruhi karakter hidroksiapatit yang dihasilkan. Penentuan dalam pemilihan bahan alami
untuk sintesis hidroksiapatit didasarkan pada tinggi kadar kalsium bahan alami. Berbagai teknik
telah dikembangkan untuk sintesis hidroksiapatit diantaranya adalah penelitian N. D. Malau dan F.
Adinugraha (2020) mengenai sintesis HAp dengan mencampur CaO dari kulit telur bebek dengan larutan
(NH4)2HPO4 menggunakan metode presipitasi10. Penelitian berikutnya oleh Mohammad, dkk (2019)
Mengenai pengaruh pH dan suhu sintering pada hidroksiapatit dari cangkang kerang darah (Anadara
Granosa) menggunakan metode presipitasi11.
131
Pada penelitian ini dilakukan sintesis HAp menggunakan metode presipitasi. Sumber utama
kalsium untuk sintesis HAp berasal dari cangkang kerang darah (Anadara Granosa) yang diketahui
memiliki kandungan kalsium yang tinggi. Sehingga dapat dijadikan sebagai prekursor Ca untuk
menghasilkan bubuk hidroksiapatit11. Metode presipitasi merupakan metode yang banyak digunakan
karena menggunakan proses yang sederhana, mudah diaplikasikan untuk skala industri, produk akhir
yang dihasilkan adalah padatan kristalin dan air yang bersifat tidak mencemari lingkungan. Selain itu,
sebagian besar hidroksiapatit yang dihasilkan berbentuk amorf dan kemungkinan terjadinya kontaminasi
menggunakan metode ini sangat rendah. Oleh karena itu melalui penelitian ini diharapkan mampu
memperoleh nilai efisiensi massa hidroksiapatit yang sesuai dengan standar.
2. BAHAN DAN METODE

2.1 Bahan
Penelitian ini menggunakan bahan cangkang kerang darah (Anadara Granosa), aquades dan
diamonium hidrogen fosfat (NH4)2HPO4).
2.2 Metode
2.2.1 Persiapan Bahan Baku
Cangkang kerang darah dibersihkan menggunakan sikat dan aquades untuk menghilangkan bahan
organik dan kotoran yang menempel pada cangkang. Selanjutnya dilakukan pengeringan di bawah sinar
matahari selama 13 jam. Kemudian dioven suhu 110°C selama 2 jam. Tahap berikutnya kulit kerang
dihancurkan menggunakan palu kemudian digiling untuk mendapatkan bubuk yang lebih halus. Serbuk
diayak menggunakan ayakan 200 mesh, dilanjutkan dengan proses kalsinasi pada suhu 900°C selama 5
jam. Proses kalsinasi bertujuan mengubah kandungan kalsium karbonat (CaCO3) yang menjadi kalsium
oksida (CaO).
2.2.2 Susut Massa Bubuk Kerang Darah
Massa bubuk cangkang kerang darah ditimbang sebelum dan sesudah dikalsinasi. Pengukuran susut
massa dapat menggunakan persamaan di bawah ini:
massa setelah dibakar 7gA
Susut Massa = f1 - p # 100% (1)
massa sebelum dibakar 7gA
2.2.3 Tahap Sintesis HAp
Pembuatan suspensi Ca(OH)2 yakni 2,83 gram bubuk CaO cangkang kerang darah dilarutkan pada
100 ml aquades dan diaduk menggunakan Magnetic Stirrer dengan kecepatan 350 rpm selama 10 menit
sebagai larutan pertama. (NH4)2HPO4 sebanyak 3,97 gram dilarutkan pada 100 ml aquades dan dilakukan
perlakuan yang sama ditandai sebagai larutan kedua. Tahap berikutnya, dilakukan proses titrasi larutan
kedua ke larutan pertama dengan laju alir 10 ml/menit dengan pengadukan menggunakan Magnetic
Stirrer kecepatan 350 rpm selama 100 menit. Wadah pencampuran ditutup menggunakan aluminium foil
dan didiamkan selama 18 jam pada suhu ruang. Endapan yang terbentuk dicampur dengan aquades 80 ml
dan diaduk menggunakan batang pengaduk kemudian disaring menggunakan kertas saring whatman 42.
Setelah itu, dilakukan proses pencucian sebanyak 3 kali menggunakan masing-masing 40 ml aquades.
Hasil pencucian tersebut dimasukkan ke dalam cawan crussibel dan dioven pada suhu 110°C selama 3
jam untuk proses pengeringan. Tahap selanjutnya endapan disintering selama 5 jam dengan variasi suhu
700°C, 750°C, 800°C, 850°C.
2.2.4. Efisiensi Hap
Pengukuran efisiensi hidroksiapatit yang terbentuk dihitung menggunakan persamaan berikut.
massa hidroksiapatit 7gA
Efisiensi massa ^%h = f p # 100% (2)
massa CaO 7gA + massa Diammonium Hidrogen Fosfat 7gA
132

3.1 Susut Massa CaO
Bubuk cangkang kerang darah diayak menggunakan ayakan 200 mesh. Hal ini untuk memperoleh
ukuran serbuk yang homogen sehingga proses kalsinasi menjadi maksimal. Ukuran dan lama pemanasan
berpengaruh pada kalsinasi2. Bubuk cangkang kemudian dikalsinasi pada suhu 900°C selama 5 jam.
Proses kalsinasi dilakukan untuk menghilangkan kandungan air, senyawa organik dan memperoleh
prekusor kalsium dalam bentuk kalsium oksida (CaO) dari CaCO3 pada bubuk cangkang kerang darah.
Senyawa CaCO3 merupakan pengotor dalam proses kristalisasi HAp11-12.
Tabel 1. Tabel Susut Massa CaO sebelum dan sesudah kalsinasi dengan
suhu 900°C selama 5 jam sebanyak 9 kali pehitungan
Nomor Massa sebelum dibakar (g) Massa setelah dibakar (g) Susut massa (%)
1 3,5063 1,9470 44,50
2 3,5070 1,9614 44,07
3 4,0034 2,2573 43,61
4 3,1652 1,7381 45,08
5 3,0356 1,6933 44,21
6 3,0614 2,0042 34,53
7 3,8451 2,1879 43,09
8 3,7519 2,0677 44,88
9 2,8015 1,5370 45,13
Persamaan reaksi dalam pembentukan CaO dalam proses kalsinasi dapat dilihat pada persamaan di
bawah ini:
CaCO3(s) → CaO(s) + CO2(g) (3)
Susut massa rata-rata dari bubuk cangkang kerang darah yang dikalsinasi 900°C adalah 43,23%.
Panas dari furnace membuat ikatan kimia antar senyawa menjadi renggang dan atom-atom yang
berikatan akan bergerak bebas sehingga menyebabkan senyawa organik mengalami oksidasi sesuai
dengan batas titik didihnya2. Kalsinasi menyebabkan terjadinya penyusutan massa bubuk dibandingkan
dengan massa sebelum kalsinasi5.
3.2 Efisiensi Massa Hidroksiaptit
Sistesis hidroksiapatit telah berhasil dilakukan dengan mensintesis bubuk CaO cangkang kerang
darah (Anadara Granosa) yang direaksikan dengan larutan diammonium hidrogen fosfat ((NH4)2HPO4).
Proses sintesis dilakukan menggunakan metode presipitasi. Selanjutnya hasil endapan sintesis yang
diperoleh akan dicuci menggunakan aquades. Kemudian hasil sintesis hidroksiapatit disintering dengan
variasi suhu 700°C, 750°C, 800°C, dan 850°C selama 5 jam. Nilai efisiensi HAp dapat dihitung dengan
menggunakan persamaan (2). Data yang diperoleh dapat dilihat pada Tabel 2 dan Gambar 1.
Tabel 2. Tabel Efisiensi HAp
Suhu sintering Massa HAp (g) Efisiensi HAp (%)
700°C 4,5039 66,23
750°C 4,2771 62,89
800°C 3,6513 53,69
850°C 3,3910 49,86
133
Gambar 1. Kurva Efisiensi Hidroksiapatit

Pada sintering suhu 700°C diperoleh nilai efisiensi tertinggi yakni sebesar 66,23% dan efisiensi
terendah yakni 49,86% pada suhu 850°C. Massa senyawa HAp setelah sintering lebih kecil dibandingkan
massa sintesis pencampuran senyawa CaO dan (NH4)2HPO4 yaitu sebesar 6,8 gram. Kenaikan suhu
sintering menyebabkan efisiensi Hidroksiapatit menurun. Nilai efisiensi massa hidroksiapatit sekitar
60% dan dibawah nilai tersebut akan menghasilkan bubuk berwarna putih. Warna sampel yang
dihasilkan dapat menunjukkan tingkat kemurnian HAp. Semakin putih sampel yang diperoleh maka
tingkat kemurnian hidroksiapatit semakin baik. Penurunan nilai efisiensi hidroksiapatit pada proses
sintering kemungkinan terjadi karena penguapan senyawa organik pada sampel hidroksiapatit cangkang
kerang darah dan menyebabkan besarnya penurunan massa seiring naiknya suhu sintering. Hasil ini
sesuai dengan penelitian yang telah dilakukan oleh Rauf, dkk (2021)13.
4. KESIMPULAN
Cangkang kerang darah telah disintesis menggunakan metode presipitasi untuk menghasilkan
bubuk hidroksiapatit. Hasil pengukuran susut massa bubuk cangkang dengan menghitung massa
sebelum dan setelah kalsinasi memperoleh nilai rata-rata besar susut massanyanya adalah sebesar
43,23% dikarenakan adanya proses oksidasi terhadap kandungan senyawa organik dari bubuk cangkang
kerang darah. Pengujian efisiensi massa hidroksiapatit menunjukkan penurunan nilai efisiensi seiring
meningkatnya suhu sintering. Nilai efisiensi tertinggi diperoleh pada suhu 700°C yakni sebesar 66,23%
dan nilai efisiensi terendah pada suhu 850°C sebesar 49,86%.
TERIMA KASIH
Penulis berterima kasih kepada civitas Departemen Fisika, FMIPA Unhas khususnya Laboratorium
Material dan Energi yang telah memberikan ruang dan wadah dalam menyelesaikan penelitian ini.
DAFTAR PUSTAKA
1. Suci, I. A., & Dala Ngapa, Y. (2020). Sintesis Dan Karakterisasi Hidroksiapatit (Hap) Dari Cangkang
Kerang Ale-Ale Menggunakan Metode Presipitasi Double Stirring. Indonesian E-Journal of Applied
Chemistry. 8: 73-81.
2. Supangat, D., & Cahyaningrum, S. E. (2017). Synthesis And Characterization of Hydroxyapatite of
Crabs Shell (Scylla Serrata) By Wet Application Method. Unesa Journal of Chemistry. 6:143-149.
3. Sabir, A., Abbas, H., Amini, A. Y., & Asmal, S. (2021). Characterization Of Duck Egg Shells and
Bioceramic Materials in Making Denture Applications. Aannual Conference on Computer Science
and Engineering Technology (Ac2set):1-7.
4. Asep, M. K., Sri, H., Dan Margareta, N. C. (2019). Pengaruh Konsentrasi Fosfat Terhadap
Perbandingan Ca/P Hidroksiapatit Dari Limbah Gipsum Industri Keramik. Eksakta Jurnal Ilmu-
Ilmu Mipa.19:46-56
134
5. Muliati. (2016). Sintesis Dan Karakterisasi Hidroksiapatit Dari Tulang Ikan Tuna (Thunus Sp)
Dengan Metode Sol-Gel. Skripsi. Universitas Islam Negeri Alauddin, Makassar.
6. Gintu, A. R., Kristiani, E. B. E., & Martono, Y. (2020). Hydroxyapatite (Hap) Bioceramics Made
from The Celetaiya Persclupta Snail Shells from Poso Lake. Jurnal Kimia Dan Pendidikan Kimia.
5: 254-263.
7. Azis, Y., Alfarisi, C. D., Komalasari, K., Khairat, K., & Sahan, Y. (2021). Synthesis And
Characterization of Hydroxyapatite from Duck Eggshell by Wet Precipitation Process, Jurnal
Applied Materials And Technology. 3:8-11
8. Nurmanta, D.N, Masruroh, Santjojo D.J.D. H. (2021). Perbaikan Nilai Kuat Tekan Biokeramik
Scaffold Hidroksiapatit Menggunakan Treatment Plasma Dbd. Jurnal Qua Teknika. 11:1-9.
9. Szterner, p. and Biernat, m. (2022). The Synthesis of Hydroxyapatite by Hydrothermal Process
with Calcium Lactate Pentahydrate: The Effect of Reagent Concentrations, pH, Temperature, and
Pressure, Bioinorganic Chemistry and Applications. 3481677:1-13
10. Malau, N. D., & Adinugraha, F. (2020). Penentuan Suhu Kalsinasi Optimum Cao Dari Cangkang
Telur Bebek Dan Cangkang Telur Burung Puyuh. Jurnal Edumatsains, 4:193-202.
11. Ahmad Khiri, M. Z., Matori, K. A., Mohd Zaid, M. H., Che Abdullah, C. A., Zainuddin, N., Alibe, I.
M., Abdul Rahman, N. A., & Abdul Wahab, S. A. (2019). The Effect Of the Ph Values and Sintering
Temperatures on The Physical, Structural and Mechanical Properties Of Nano Hydroxyapatite
Derived From Ark Clam Shells (Anadara Granosa) Prepared Via The Wet Chemical Precipitate
Method. Journal Ceramics-Silikáty.63:194-203.
12. Malau, N. D. (2018). Sintesis dan Karakterisasi Hidroksiapatit (HAP) dari Limbah Cangkang Kerang
Lokan (Batissa Violecea L) dengan Metode Basah Presipitasi. Jurnal Dinamika Sains: 67-68.
13. Rauf, N., Lahu, F. H., dan Suryani, S. (2021). Prosiding Seminar Nasional Fisika Makassar :81-85
135
Energi Listrik DC pada Sistem IEM-FC (Electrolite

Membrane Fuel Cell) dari Larutan Batang Pisang Ambon
Tua Dan Muda (Musa Paradisiaca Var Sapientum)
Febrianti Mahrani Kolly*1
1
Magister Fakultas MIPA, Universitas Hasanuddin
E-mail: *1antikolly21@gmail.com
Abstrak
Pada penelitian ini yang dilakukan menggunakan sistem kerja IEM-FC (Inorganic Electrolyte membrane
fuel cell) untuk pengambilan data menggunakan 2 sistem yang pertama tanpa membran elektrolite dan
membrane elektrolite. Untuk menghasilkan Energi Listrik yang paling besar nilainya antara kedua
sampel dilihat Vn dan Vout begitu juga dengan Iout dan Vout. Untuk Sistem Tanpa membran antara kedua
sampel maka larutan batang pisang tua lebih besar dengan nilai listrik yang diperoleh yaitu (∆E ± ∆(∆E))
yaitu (82.5 ± 8.85) × 10-6 joule. Sedangkan untuk sistem menggunakan membran pada kedua sampel
nilai energi listrik yang lebih besar yaitu pada larutan batang pisang muda (∆E ± ∆(∆E)) yaitu (57.6 ±
11.61) × 10-6 joule. Dan untuk daya listrik tertinggi dengan menggunakan membrane yaitu larutan batang
larutan batang pisang musa yaitu (0.275 ± 0.0533) × 10-6 watt.
Kata Kunci: daya listrik, energi listrik, massa jenis, membrane electrolite, musa parasidica var
sapientum, pisang ambon.
1. PENDAHULUAN
Energi difungsikan sebagai pendukung sehari-hari seperti penerangan, motor dan mobil penggerak
dan mesin-mesin industri. Pemanfaatan energi terbarukan belum dilakukan secara maksimal salah
satunya pemanfaatan dalam energi listrik dengan memanfaatkan potensi alam seperti tumbuhan misalnya
Pisang (musa paradisiaca var sapientum) dalam golongan terna monokotil tahunan berbentuk pohon
yang tersusun atas batang semu. Pada larutan batang pisang ambon (musa paradisiaca var sapientum)
dapat menghasilkan energi listrik terhadap kedua sampel yang diuji yaitu pada batang pisang ambon tua
dan batang pisang ambon muda (musa paradisiaca var sapientum)1. Tanaman pisang (Musa parasidiaca
sp) adalah tanaman yang multiguna. Selain dimanfaatkan buahnya, dari bonggol dan batang pisang yang
telah dipanen bisa diambil pati (5-10%) dan selulosanya (±63%)2. Batang pisang sebagian berisi air
dan serat (selulosa), di samping mineral, kalium, fosfor, dan lain-lain. Komposisi kimia batang pisang
dipengaruhi oleh berbagai faktor yaitu komposisi tanah, frekuensi pemotongan, fase pertumbuhan,
pemupukan, iklim setempat dan ketersediaan air. Serat batang pisang mengandung 63% selulosa, 20%
hemiselulosa dan 5% lignin3.
Limbah batang pisang dijadikan sebagai energi terbarukan penghasil Listrik dengan menentukan masa
jenis (ρ), perubahan kestabilan sampel dalam pengukuran arus,tegangan dan waktu serta perbandingan
hasil daya listrik dan energi listrik dari sistem IEM-FC4. Penelitian yang dilakukan dari sampel larutan
batang pisang muda (musa paradisiaca var sapientum) dan larutan batang pisang tua (musa paradisiaca
var sapientum) untuk menentukan tegangan Voutput, tegangan Vinput, Arus Ioutput dan waktu dalam sekon (s).
Dengan menggunakan sistem perhitungan terhadap parameter yang akan dihitung dimana yang pertama
yaitu tanpa membrane Inorganik dan membrane Inorganik dengan menggunakan membrane IEM-FC
yang mempunyai bahan utama yaitu karbon maka penelitian yang dilakukan menggunakan Inorganik.
2. BAHAN DAN METODE

Larutan batang pisang ambon muda (musa paradisiaca var sapientum), larutan batang pisang
ambon tua (musa paradisiaca var sapientum), Membran Inorganik. Dan metode yang digunakan yaitu
IEM-FC (Inorganic Elektrolite membrane fuel cell). Pada penelitian ini peneliti menggunakan 4 desain
136
eksperiment antara lain Proses pengambilan sampel, proses pengukuran Arus listrik pada sampel, proses
penimbangan sampel. Bagan Penelitian dapat dilihat pada Gambar 1.
Gambar 1. Desain Eksperimen Sampel Larutan batang pisang ambon.
Gambar 2. Desain IEM-FC (Inorganic Electrolyte membrane fuel cell).

Untuk Metode yang digunakan yaitu IEM-FC (Inorganic Electrolyte membrane fuel cell)5 dengan
sistem kerja sebagai berikut :
1. Sampel yang telah ditimbang dan dianalisa akan dimasukan kedalam gelas elektroda di mana terdapat
tembaga (Cu) dan Aluminium (Al) yang berfungsi untuk menghantarkan electron dari sampel.
2. Tuangkan sampel denga ukuran 60 ml kedalam gelas Elektroda yang sudah didesain sendiri di mana
pada tembaga (Cu) dan Aluminium (Al) sudah disambungkan dengan kabel penghubung (Penjepit
buaya)
3. Maka Kabel tersebut dipasang dan dihubungkan ke multimeter yang berfungsi untuk mengukur
Tegangan.
4. Nilai arus dan tegangan akan terlihat pada masing-masing multimeter dengan multimeter A mengukur
arus 2000 A . Dan multimeter B mengukur tegangan 200 volt dengan waktu (t) 5 menit.
5. Setelah pemasangan membrane pada gelas Elektroda yang diletakan berada antara tembaga (Cu)
dan Aluminium (Al) untuk mengatur tinggi redahnya arus dan tegangan.
6. Dari Prosedur 3 maka kabel dihubungkan dengan DC power supply yang berfungsi sebagai tegangan
pemicu..
7. Mereset nilai tegangan DC Power Supply dari Vlow ke Vhigh yaitu 0-12 Volt. Dan sebaliknya
Vhigh ke Vlow dari kedua Sampel.
137

Berdasarkan penelitian yang dilakukan dari sampel larutan batang pisang ambon tua dan muda (musa
paradisiaca var sapientum) untuk menentukan tegangan Voutput, tegangan Vinput, Arus Ioutput dan waktu
dalam sekon. Dengan menggunakan metode IEM-FC yang mempunyai bahan utama yaitu karbon maka
penelitian ini dilakukan menggunakan membran Inorganik6. Hasil pengukuran massa dan volume yang
telah dianalisa dan dihitung berat masa dari larutan batang pisang ambon tua dan muda pada Tabel 1.
Tabel 1. Hasil perhitungan massa jenis (p) pada larutan batang pisang ambon muda
dan larutan batang pisang ambon tua (Musa paradisiaca var sapientum)
Massa (m) Volume (V) Massa Jenis (p)
Nama Sampel
(m±∆m) × 10-3 kg (V±∆V) × 10-6 m3 (ρ±∆ρ) × 103 kg/m3
Larutan Batang pisang (m±∆m)awal (V±∆V)awal (ρ±∆ρ)awal
ambon muda (53.76± 0.005) (60± 0.005) (1.080± 0.006)
(m±∆m)awal (V±∆V)awal (ρ±∆ρ)awal
(53.76± 0.005) (60± 0.005) (1.100± 0.006)
Larutan batang pisang (m±∆m)akhir (V±∆V)awal (ρ±∆ρ)awal
ambon tua (56.28± 0.005) (60± 0.005) (1.130± 0.006)
(m±∆m)awal (V±∆V)awal (ρ±∆ρ)awal
(53.26± 0.005) (60± 0.005) (1.090± 0.006)
Terlihat pada gambar data hasil pengukuran serta perhitungan massa yang lebih besar berada pada
larutan batang pisang tua yaitu (m±∆m)akhir (56.28± 0.005) × 10-3 kg dan (m±∆m)awal (53.26± 0.005) dan
massa jenis dengan nilai yang terdapat dari kedua sampel lebih besar pisang tua dengan nilainya (ρ±∆ρ)awal
(1.130± 0.006) × 103 kg/m3 (ρ±∆ρ)awal (1.090± 0.006) × 103 kg/m3. Terdapat perbedaan rapat jenis dari
fuel cell yang digunakan diakibatkan dari kontaminasi sampel pengaruh IEM.
1. Analisis Data dari sampel Larutan batang Pisang Tua (musa paradisiaca var sapientum)
Analisis yang dilakukan pada sampel yang digunakan terdapat 2 perhitungan pada Pers.1 dan
Pers.5.masing-masing ralat tiap alat seperti multimeter, Dc Power Supply, Mistar dan Mikro sekrup.
Sehigga hasil menunjukan Vlow ke Vhigh mulai dari 0.0 sampai 12 Volt sedangkan untuk Vin ke Vout mulai
dari 0.54 volt sampai dengan -0.69 volt dan arus yang diperoleh 0.3 μA sampai dengan -0.3 μA dengan t
=10 sekon. Sedangkan Vhigh ke Vlow mulai dari 0.0 sampai 12 Volt sedangkan untuk Vin ke Vout mulai dari
-0.69 volt sampai dengan 0.53 volt dan arus yang diperoleh -0.6 μA dan kembali 0.6 μA dengan t =10
sekon. Berdasarkan data yang diperoleh untuk arus yang bernilai negatif diakibatkan dari membran pada
sistim kerja IEM-FC memiliki karakter khusus yang berperan sebagai kapasitor yaitu dapat menyimpan
muatan dibuktikan dengan tegangan dan arus yang bertahan sampai 10-30 sekon. Pengabungan kedua
tabel dianalisa serta diplotkan dengan menggunakan Origin versi 8.0 pada windows 2010 sehingga
terlihat seperti pada Gambar 3.
138
Gambar 3. (a) Grafik hubungan Vin dan Vout mulai dari Vlow ke Vhigh, dan (b) Grafik
hubungan Vin dan Vout mulai dari Vhigh ke Vlow (c) Grafik hubungan Vin dan Iout mulai
dari Vlow ke Vhigh (d) Grafik hubungan Vin dan Iout mulai dari Vhigh ke Vlow
Grafik yang yang dapat dilihat pada gambar 2 mempunyai perbedaan tegangan. Gambar (a) dan (b)
tegangan input nilai mendekati nol atau kestabilan mulai dari 5.0 volt yaitu 0.07 volt sampai 6.5 volt
yaitu -0.08 volt. Sedangkan untuk gambar (c) dan (d) dilihat pada arus output yang mendekati nol atau
kestabilan mulai dari 6 volt -0.04 sampai 4 volt yaitu 0.08 volt untuk semua waktu dikali dengan 20
detik.
2. Analisis Data dari sampel Larutan batang Pisang Muda (musa paradisiaca var sapientum)
Analisis yang dilakukan pada sampel yang digunakan sama seperti pada larutan batang pisang tua
terdapat 2 perhitungan Daya listrik dan energi listrik. Sehigga hasil menunjukan Vlow ke Vhigh mulai dari
0.0 samapi 12 Volt sedangkan untuk Vin ke Vout mulai dari 0.41 volt sampai dengan -0.39 volt dan arus
yg diperoleh 0.3 μA sampai dengan -0.3 μA dengan t =10 sekon. Sedangkan Vhigh ke Vlow mulai dari 0.0
samapi 12 Volt sedangkan untuk Vin ke Vout mulai dari 0.41 volt sampai dengan -0.39 volt dan arus yang
diperoleh 0.3 μA dan kembali -0.3 μA dengan t =10 sekon. Pengabungan kedua tabel dianalisa serta
diplotkan dengan menggunakan Origin versi 8.0 pada windows 2010 sehingga terlihat seperti pada
Gambar 4.
139
Gambar 4. (a) Grafik hubungan Vin dan Vout mulai dari Vlow ke Vhigh, dan (b) Grafik
hubungan Vin dan Vout mulai dari Vhigh ke Vlow (c) Grafik hubungan Vin dan Iout mulai
dari Vlow ke Vhigh (d) Grafik hubungan Vin dan Iout mulai dari Vhigh ke Vlow
Grafik yang yang dapat dilihat pada gambar 2 mempunyai perbedaan tegangan untuk Vlow ke Vhigh
berada pada tegangan input 0.5 volt yaitu 0.43 volt tetapi untuk tegangan input terendah 11-12.0 volt
yaitu -0.39 volt sedangkan untuk Vlow ke Vhigh tegangan inputnya yang tertinggi berada pada tegangandan
arus yang mendekati 0 kestabilan data kestabilan untuk tegangan dan Arus untuk semua waktu dikali
dengan 20 detik. Setelah analisa dari kedua gambar sehingga dapat dilihat perbandingan Energi Listrik
pada Tabel 2.
Tabel 2. Perbandingan hasil Energi listrik untuk sistim membran dan tanpa membran.
Energi Listrik Membran (E) Energi Listrik Tanpa membran
Nama Sampel
(∆E±∆(∆E)) × 10-6 joule (∆E±∆(∆E)) × 10-6 joule
Larutan batang pisang tua (57.6 ±6.45) (79.5 ±8.82)
Larutan batang pisang muda (82.5 ±8.91) (75 ±8.32)
4. KESIMPULAN
Berdasarkan pengujian hipotesis data analisis penelitian, maka dalam penelitian ini dapat mengambil
suatu kesimpulan sebagai berikut:
1. Pada massa jenis (ρ) dari sampel larutan yang digunakan sehingga dapat menentukan bahwa pada
sampel larutan batang pisang tua massa jenis dengan nilai (ρawal ± ∆ρakhir) yaitu (1.130±0.006) × 103 kg/
m3 yang dihasilkan lebih besar dibandingkan sampel larutan batang pisang muda yaitu dengan nilai
(ρawal ± ∆ρakhir) yaitu (1.080±0.006) × 103 kg/m3.
140
2. Berdasarkan pengamatan yang dilakukan sehingga nilai tegangan dan arus yang diperoleh mendekati
kestabilan atau sama dengan 0 yang terbanyak berada pada larutan batang pisang tua Vhigh ke Vlow
sehingga (Vin ± Vin) yaitu 9 volt hingga 4 volt dengan nilai arusnya (Iout ± Iout) yaitu -0.031 A sampai
-0.0104 A.
3. Untuk Perbandingan energi listrik yang paing besar nilai antara kedua sampel yang digunakan yaitu
sampel yang larutan batang pisang tua untuk Vin dan Vout begitu juga dengan Iout dan Vout dan larutan
batang pisang muda dengan nilai Energi listriknya (∆E±∆(∆E)) yaitu (82.5 ± 8.91) × 10-6 joule. Dan
energi listrik terendah pada larutan batang pisang tua (∆E±∆(∆E)) yaitu (57.6 ± 6.45) × 10-6 joule.
Dan untuk daya listrik tertinggi dengan menggunakan membrane yaitu larutan batang pisang muda
(0.275±0.0533) × 10-6 watt.
UCAPAN TERIMA KASIH

Terima kasih kepada Prof. H. I. Elim, M.Si., Ph.D. dan Dr. P. J. Patty, M.Sc., Ph.D. yang telah
membantu penulis dalam menyelesaikan kajian ini.
LAMPIRAN
Untuk menentukan energi listrik pada penelitian ini maka digunakan persamaan sebagai berikut :
Persamaan Daya Listrik
Rumus umum yang digunakan untuk menghitung Daya Listrik merupakan laju hantaran energi
listrik dengan hambatan listrik yang menimbulkan kerja pada sebuah rangkaian listrik adalah sebagai
berikut :
P=I×V (1)
Diturunkan dari tegangan sehingga terjadi perubahan.
P = I × (I.R) (2)
Setelah itu penjabaran Daya Listrik dapat terlihat.
P = I2 × R (3)
Jika sejumlah energi E ditransfer dalam jumlah waktu t, maka daya yang dihasilkan sebagai berikut:
3,4
TE
TE = Tt
Sehingga dari pers 4 sehingga persamaan energi yang diperoleh sebagai berikut:
P=I×V (5)
Untuk menghitung ralat pada setiap alat yang digunakan pada pengambilan data sesuai dengan
persamaan yang digunakan yaitu sebagai berikut :
Ralat Arus:
Tl = 2 # ^skala terkecil alat ukurh
1 (6)
Ralat Tegangan:
Tl = 2 # ^skala terkecil alat ukurh
1
(7)
Ralat Waktu:
Tt = 2 # ^skala terkecil alat ukurh
1 (8)
Sehingga untuk mengitung ralat dari daya listrik dan energi listrik dapat dilihat pada persamaan di
bawah ini :
Ralat Daya Listrik:
TP = c V + I m P
TV TI (9)
Ralat Daya Listrik:
TE = c P + T t m E (10)
TP Tt
141
DAFTAR PUSTAKA
1. Abnisa, Faisal, W. M.A.W. Daud, W. N.W. Husin, and J. N. Sahu, ‘Utilization Possibilities of Palm
Shell as a Source of Biomass Energy in Malaysia by Producing Bio-Oil in Pyrolysis Process’,
Biomass and Bioenergy, 35.5 (2011), 1863–72
2. Ahmad, A. L., N. H.Mat Yasin, C. J.C. Derek, and J. K. Lim, ‘Microalgae as a Sustainable Energy
Source for Biodiesel Production: A Review’, Renewable and Sustainable Energy Reviews, 15.1
(2011), 584–93
3. Barbir, Frano, ‘PEM Electrolysis for Production of Hydrogen from Renewable Energy Sources’,
Solar Energy, 78.5 (2005), 661–69
4. Cruz-Martínez, H., M. M. Tellez-Cruz, O. X. Guerrero-Gutiérrez, C. A. Ramírez-Herrera, M. G.
Salinas-Juárez, A. Velázquez-Osorio, and others, ‘Mexican Contributions for the Improvement of
Electrocatalytic Properties for the Oxygen Reduction Reaction in PEM Fuel Cells’, International
Journal of Hydrogen Energy, 2019, 12477–91
5. ‘PHYS 0175 : Physics for Science and Engineering 2’, 2016, 1–5
6. Schultz, Thorsten, Su Zhou, and Kai Sundmacher, ‘Current Status of and Recent Developments in
the Direct Methanol Fuel Cell’, Chemical Engineering and Technology, 24.12 (2001), 1223–33
142
Analisis Dosis Keluaran Radiasi Sinar X Menggunakan

Teknik Automatic Exposure Control (AEC) dan
Fixed Tube Current (FTC) pada Pesawat CT Scan
Andi Fitriani*1, Gisela Gerard2, Ulfah Rosyidah3,
Fatmasari Radjab4, Nurul Magfirawati5, Bannu6, Syamsir Dewang7
1,2,5,6,7
3
Radiologi RSUD Haji Makassar
4
Radiologi dan Radioterapi RS Universitas Hasanuddin
E-mail: *1andifitriani787@gmail.com
Abstrak
CT scan sebagai modalitas pencitraan medis telah banyak digunakan dalam bidang radiologi, khususnya
bidang radiodiagnostik maupun radioterapi. Penggunaan CT scan dalam diagnosis membutuhkan dosis
radiasi yang relatif tinggi. Salah satu cara yang dapat dilakukan untuk mengurangi dosis radiasi adalah
dengan mengoptimalkan nilai arus tabung. Penelitian ini bertujuan untuk membandingkan dosis radiasi
pada pemeriksaan CT scan dengan menggunakan teknik Automatic Exposure Control (AEC) dan Fixed
Tube Current (FTC). Penelitian ini dilakukan dengan pengambilan data Computed Tomography Dose
Index (CTDI) pada CT scan mode helical menggunakan fantom kepala (head phantom) dari phantom
polymethyl methacrylate (PMMA) dengan menghubungkan pensil ionization chamber pada lubang
pusat dan tepi fantom. Untuk teknik AEC dilakukan pengukuran CTDI dengan variasi tegangan tabung
80 kV, 100 kV, dan 120 kV, waktu rotasi 1 s, arus tabung 125 mA, pitch 0.938, slice thickness 5 mm, dan
scan length 180 mm. Untuk teknik FTC dilakukan pengukuran CTDI dengan variasi arus tabung 120
mA, 130 mA, dan 140 mA, tegangan tabung 120 kV, waktu rotasi 1 s, pitch 0.938, slice thickness 5 mm,
dan scan length 180 mm. Terdapat peningkatan yang signifikan pada dosis radiasi untuk pemeriksaan
CT scan dengan menggunakan teknik FTC pada CTDIvol dan Dose Length Product (DLP). Dengan
demikian, pemeriksaan CT scan dengan menggunakan teknik AEC lebih baik dalam mengurangi dosis
radiasi dibandingkan dengan menggunakan teknik FTC.
Kata Kunci: automatic exposure control, ctdi, ct scan, dose length product, fixed tube current
1. PENDAHULUAN
Computed Tomography (CT) scan merupakan modalitas pencitraan medis yang mengolah data
radiologi diagnostik dengan waktu akuisisi dan rekonstruksi yang lebih cepat, seperti teknik akuisisi
spiral dengan kemampuan multi-slice1. CT scan merupakan suatu alat penunjang dalam bidang
diagnostik yang menggunakan berkas sinar-X melalui teknik tomografi dan komputerisasi modern untuk
pemeriksaan organ internal tubuh2. CT scan menghasilkan citra berkualitas tinggi dari objek-objek di
dalam tubuh, seperti tulang, organ jantung, paru-paru, dan pembuluh darah3.
Keluaran dosis CT scan diperoleh dari dosimetri CT atau dikenal sebagai Computed Tomography
Dose Index (CTDI). Dosimetri yang digunakan di CT scan adalah CTDI100, CTDIw, CTDIvol, dan Dose
Length Product (DLP). CTDI sebagai indeks dosis digunakan untuk perbandingan dosis, pemantauan
dosis, dan optimasi dosis4. Penggunaan CT scan untuk diagnosis pasien membutuhkan dosis radiasi
yang relatif tinggi. Dosis radiasi pada CT scan relatif tinggi karena dosis primer dan sekunder diperoleh
secara bersamaan di setiap proses scanning, sehingga dosis radiasi untuk setiap CT scan harus optimal5.
Salah satu cara untuk mengoptimalkan dosis radiasi adalah mengurangi dosis radiasi yang diterima
pasien dengan mengoptimalkan nilai arus tabung. Optimalisasi arus tabung dapat dilakukan dengan
menggunakan teknik Automatic Exposure Control (AEC) dan Fixed Tube Current (FTC). AEC
merupakan teknik yang menyesuaikan secara otomatis arus tabung pada bidang x, y (angular modulation),
sepanjang z-axis (longitudinal modulation), atau keduanya (combined modulation)6. FTC merupakan
143
teknik yang nilai arus tabung dan keseluruhan scanning dilakukan pada nilai tertentu yang ditetapkan
tanpa meninjau anatomi objek dan variasi pelemahan pada sudut proyeksi berkas dan sumbu z yang
berbeda7. Oleh karena itu, tujuan dilakukannya penelitian ini adalah membandingkan dosis radiasi pada
pemeriksaan CT scan dengan menggunakan teknik Automatic Exposure Control (AEC) berdasarkan
variasi tegangan tabung dan teknik Fixed Tube Current (FTC) berdasarkan variasi arus tabung.
2. BAHAN DAN METODE

Penelitian ini dilakukan di Instalasi Radiologi Rumah Sakit Umum Daerah (RSUD) Haji Makassar.
Peralatan yang digunakan pada penelitian ini, yaitu pesawat CT scan merk GE Brivo 385 type/model
46-274891G, pencil ion chamber Radcal 10 × 6-3 CT, dan multimeter Radcal Accu-Dose+ Touch.
Sedangkan bahan yang digunakan pada penelitian ini, yaitu head phantom yang terbuat dari bahan
polymethyl methacrylate (PMMA) seperti yang ditampilkan pada Gambar 1.
Gambar 1. Head Phantom PMMA

Langkah awal yang dilakukan adalah menyalakan atau mengaktifkan CT scan, kemudian dilakukan
pemanasan atau warming up dengan cara melakukan scanning. Setelah dilakukan pemanasan pada CT
scan, maka dipastikan pesawat tersebut dapat digunakan untuk penelitian. Kemudian menyiapkan objek
berupa phantom PMMA dan head holder. Head holder digunakan untuk menempatkan phantom pada
tengah gantry dengan panduan sinar laser. Kemudian mengatur sinar aksial pada garis circumferential
section, sinar kolonal pada garis horizontal pada kedua sisi phantom dan sinar sagital berhimpit dengan
garis vertikal pada bagian permukaan phantom tepat pada pertengahan lampu indikator horizontal
dan vertikal di dalam gantry pesawat CT scan. Setelah phantom ditempatkan pada posisi yang tepat,
phantom dihubungkan dengan detektor pencil ion chamber pada lubang pusat dan tepi phantom
kemudian dihubungkan dengan multimeter. Selanjutnya mengatur parameter scan yang akan digunakan
dan pemindaian/scanning dapat dilakukan.
Proses pemindaian dengan teknik AEC menggunakan variasi tegangan tabung 80 kV, 100 kV, dan
120 kV, waktu rotasi 1 s, arus tabung 125 mA, pitch 0.938, slice thickness 5 mm, dan scan length 180
mm. Sedangkan proses pemindaian dengan teknik FTC menggunakan variasi arus tabung 120 mA, 130
mA, dan 140 mA, tegangan tabung 120 kV, waktu rotasi 1 s, pitch 0.938, slice thickness 5 mm, dan scan
length 180 mm. Catat hasil keluaran dosis yang ditampilkan pada multimeter.
Setelah nilai CTDI100 diperoleh pada serangkaian scanning, dilakukan perhitungan untuk mencari
nilai CTDIw, CTDIvol dan DLP pada masing-masing teknik AEC dan FTC menggunakan persamaan
berikut.
i. Rumusan dasar untuk menentukan nilai CTDIw adalah:
1 2
CTDIw = 3 CTDI100,c + 3 CTDI100,p (1)
ii. Nilai CTDIvol diperoleh sesuai rumusan berikut:
CTDI (2)
CTDIvol = pitchw
iii. Dose Length Product (DLP)
DLP = CTDIvol × L (3)
Penentuan nilai variabel sesuai Persamaan (1), (2), dan (3) di atas, diperoleh melalui pengukuran
144
atau pengambilan data CT scan dengan beberapa variasi nilai tegangan dan arus tabung yang berbeda.
Dalam penelitian ini digunakan teknik AEC dan FTC.

Pengukuran CTDI dilakukan pada variasi tegangan tabung 80 kV, 100 kV, dan 120 kV, waktu
rotasi 1 s, arus tabung 125 mA, pitch 0.938, slice thickness 5 mm, dan scan length 180 mm. Tabel 1
menunjukkan hasil pengukuran CTDIw untuk teknik AEC.
Tabel 1. Hasil pengukuran CTDIw untuk teknik AEC
Tegangan Tabung (kV) CTDIw (mGy)
80 6.63
100 12.69
120 17.39
Pengukuran CTDI dilakukan pada variasi arus tabung 120 mA, 130 mA, dan 140 mA, tegangan
tabung 120 kV, waktu rotasi 1 s, pitch 0.938, slice thickness 5 mm, dan scan length 180 mm. Tabel 2
menunjukkan hasil pengukuran CTDIw untuk teknik FTC.
Tabel 2. Hasil pengukuran CTDIw untuk teknik FTC
Arus Tabung (mA) CTDIw (mGy)
120 18.41
130 19.96
140 23.65
Berdasarkan Tabel 1 dan 2, terlihat bahwa nilai CTDIw yang diperoleh masih sesuai standar European
Guidelines on Quality Criteria for Computed Tomography yang memiliki nilai batasan pada CTDIw
sebesar 60 mGy pada pemeriksaan CT scan kepala rutin. Hasil pengukuran nilai CTDIw masih berada di
bawah 60 mGy, yaitu di antara 6.63 mGy - 17.39 mGy pada teknik AEC dan di antara 18.41 mGy - 23.65
mGy pada teknik FTC.
(a) (b)
Gambar 2 (a) Grafik nilai CTDIvol dan (b) Grafik nilai DLP
untuk variasi tegangan tabung pada teknik AEC
Grafik dosis untuk variasi tegangan tabung pada teknik AEC ditunjukkan pada Gambar 2. Terlihat
bahwa besarnya nilai CTDIvol dan DLP berbanding lurus terhadap besarnya nilai tegangan tabung.
Artinya jika nilai tegangan tabung semakin besar maka nilai CTDIvol dan DLP semakin besar. Demikian
pula sebaliknya, jika nilai tegangan tabung kecil maka nilai CTDIvol dan DLP rendah. Hal ini karena
nilai CTDI dipengaruhi oleh parameter tegangan tabung (kV). Tegangan tabung menentukan besarnya
energi sinar-X yang diemisikan oleh tabung sinar-X. Semakin besar beda tegangan antara anoda dan
katoda, elektron akan semakin dipercepat dan sinar-X yang dihasilkan memiliki energi rata-rata yang
lebih tinggi. Hal ini akan menghasilkan dosis radiasi yang tinggi.
145
(a) (b)
Gambar 3 (a) Grafik nilai CTDIvol dan (b) Grafik nilai DLP untuk variasi arus tabung pada teknik FTC
Grafik dosis untuk variasi arus tabung pada teknik FTC ditunjukkan pada Gambar 3. Terlihat bahwa
besarnya nilai CTDIvol dan DLP berbanding lurus terhadap besarnya nilai arus tabung. Artinya jika
nilai arus tabung semakin besar maka nilai CTDIvol dan DLP semakin besar. Demikian pula sebaliknya,
jika nilai arus tabung kecil maka nilai CTDIvol dan DLP rendah. Hal ini karena nilai CTDI dipengaruhi
oleh parameter arus tabung (mA). Arus tabung memengaruhi banyak sinar-X yang dihasilkan. Semakin
besar arus yang diberikan maka jumlah elektron yang dilepaskan oleh katoda semakin banyak. Jumlah
elektron yang menumbuk anoda semakin banyak, sehingga berkas sinar-X yang dihasilkan semakin
banyak dan dosis radiasi meningkatkan secara linear dengan arus tabung.
European Guidelines on Quality Criteria for Computed Tomography memiliki nilai batasan pada
DLP, yaitu sebesar 1050 mGy.cm pada pemeriksaan CT scan kepala rutin. Berdasarkan Gambar 2(b)
dan 3(b), terlihat bahwa nilai DLP yang diperoleh masih berada di bawah 1050 mGy.cm, sehingga hasil
pengukuran nilai DLP pada teknik AEC dan FTC masih sesuai standar.
4. KESIMPULAN
Berdasarkan hasil penelitian diperoleh nilai CTDIvol dan DLP pada teknik AEC untuk variasi tegangan
tabung 80 kV, 100 kV, dan 120 kV, yaitu berkisar antara 7.07 mGy sampai 18.54 mGy dan 127.3 mGy.
cm sampai 333.7 mGy.cm. Nilai CTDIvol dan DLP pada teknik FTC untuk variasi arus tabung 120 mA,
130 mA, dan 140 mA, yaitu berkisar antara 19.62 mGy sampai 25.22 mGy dan 353.2 mGy.cm sampai
453.9 mGy.cm. Hal ini menunjukkan bahwa nilai CTDIvol dan DLP untuk teknik FTC mengalami
peningkatan dosis yang signifikan dibandingkan teknik AEC. Dengan demikian, pemeriksaan CT scan
dengan teknik AEC lebih baik dalam mengurangi dosis radiasi dibandingkan dengan teknik FTC.
UCAPAN TERIMA KASIH

Ucapan terima kasih disampaikan kepada Rumah Sakit Umum Haji Makassar yang telah memberikan
bantuan peralatan CT scan selama melaksanakan penelitian ini, selanjutnya terima kasih kepada Unit
Pengembangan Fisika Medik FMIPA Unhas yang telah memberikan fasilitas peralatan alat ukur radiasi
(Xray Multimeter), sehingga penelitian ini dapat terlaksana dengan baik.
DAFTAR PUSTAKA
1. Sulemana, H., Inkoom, S., Sosu, E.K., Schandorf, C. (2020). Estimation of Absorbed and Effective
Doses in Organs through Computed Tomography Examinations Using Automatic Exposure Control
and Fixed Tube Current Techniques: A Phantom Case Study. Iran J Med Phys. Vol. 17, No. 1: 58-65.
2. Aprilyanti, D.D., Milvita, D., Prasetio, H., Yuliati, H. (2013). Pengaruh Diameter Phantom dan
Tebal Slice terhadap Nilai CTDI pada Pemeriksaan Menggunakan CT Scan. Jurnal Fisika Unand.
Vol. 2, No. 2: 81-87.
3. Harmayeni, Milvita, D., Sandy, K.Y. (2019). Analisis Nilai CTDI di Udara dengan Variasi Faktor
Eksposi dan Tebal Slice pada Pesawat CT-Scan Merek GE Optima 660. Jurnal Fisika Unand. Vol.
146
8, No. 1: 52-56.
4. Jauhari, A., Anam, C., Ali, M.H., Rae, W.I., Akbari, S., Meilinda, T. (2021). The Effect on CT Size-
Specific Dose Estimates of Mis-Positioning Patients from the Iso-Centre. European Journal of
Molecular & Clinical Medicine. Vol. 8, No. 3: 155-164.
5. Matsubara, K., Kawashima, H., Kobayashi, M. Fukuda, A. (2020). Performance Evaluation of Near-
Real Time Angular Tube Current Modulation in X-Ray Computed Tomography Using Real-Time
Dosimeter: A Phantom Study. Journal Health Technology. Vol. 10, No. 6: 1437–1443.
6. Indrati, R., Yazid, A., Abimanyu, B. (2019). Noise Citra dan Estimasi Dosis Radiasi dengan Aktifasi
Sistem Automatic Exposure Control pada Pemeriksaan Computed Tomography Kepala. Jurnal
Imejing Diagnostik. Vol. 1, No. 2: 59-64
7. Nisak, Z. (2011). Analisis Penggunaan Teknik Arus Tabung Konstan dan Teknik Modulasi Arus
Tabung Otomatis terhadap Dosis Efektif Computed Tomography (CT) Scan Bagian Kepala. Skripsi,
Universitas Brawijaya, Malang, Indonesia.
147
Analisis Noise Level Hasil Citra CT Scan dengan

Variasi Tegangan Tabung dan Variasi Slice Thickness
Gisela Gerard*1, Andi Fitriani2, Ulfah Rosyidah3,
Fatmasari Radjab4, Nurul Magfirawati5, Bannu6, Syamsir Dewang7
1,2,5,6,7
3
Radiologi RSUD Haji Makassar
4
Radiologi dan Radioterapi RS Universitas Hasanuddin
E-mail: *1giselgerard05@gmail.com
Abstrak
Teknologi CT Scan telah menjadi alat yang sangat penting dalam bidang radiologi khususnya untuk
keperluan radiodiagnostik dan radioterapi. Prinsip panduan CT Scan adalah menggunakan dosis
yang rendah tetapi tetap mempertahankan hasil citra yang didapatkan, namun hal tersebut cenderung
menimbulkan noise. Salah satu cara yang dapat dilakukan untuk mengurangi nilai noise adalah dengan
melakukan penyesuaian parameter pemindaian yaitu tegangan tabung (kV), arus waktu rotasi (mAs),
tebal irisan (mm). Penelitian ini bertujuan untuk mengetahui noise level dengan variasi tegangan tabung
dan variasi tebal irisan slice thickness. Penelitian ini dilakukan dengan pengambilan data noise level
pada CT Scan mode axial menggunakan phantom jenis America Association of Physicists in Medicine
(AAPM) CT Performance Phantom model 610. Pengukuran noise level dilakukan dengan variasi
tegangan tabung (100 kv, 120 kv, 140 kv), variasi slice thickness (1,25 mm dan 2,5 mm), nilai arus
tabung 125 mA dan waktu rotasi 1 detik. Noise level dilakukan pada Region of Interest (ROI) di bagian
pusat phantom. Hasil penelitian noise level pada variasi tegangan tabung dan slice thickness adalah
semakin besar tegangan tabung memudahkan foton sinar-X untuk menembus jaringan dan penggunaan
slice thickness yang tidak terlalu tebal akan menghasilkan citra dengan detail-detail gambar yang tinggi.
Nilai noise yang didapatkan masih berada dalam batas tolenrasi yang masih diizinkan oleh BAPETEN.
Kata Kunci: ct scan, noise, phantom, slice thickness, tegangan tabung
1. PENDAHULUAN
Tomografi terkomputerisasi (computed tomography, CT) adalah sistem pencitraan yang sering
digunakan dalam pemeriksaan organ tubuh manusia dan perawatan kesehatan1. Sejak diperkenalkan
untuk pertama kali pada tahun 1972 oleh Godfrey N. Hounsfield, CT Scan telah berkembang pesat
dalam teknologi khususnya dalam bidang pencitraan medis. Salah satunya dengan menggunakan radiasi
pengion untuk mengetahui ada atau tidaknya suatu kelainan pada organ tubuh tanpa harus melakukan
proses pembedahan2.
Penggunaan CT Scan, untuk menghasilkan citra objek, berkas radiasi yang dihasilkan sumber
dilewatkan melalui suatu bidang obyek dari berbagai sudut. Radiasi terusan ini dideteksi oleh detektor
untuk kemudian dicatat dan dikumpulkan sebagai data masukan yang kemudian diolah menggunakan
komputer untuk menghasilkan citra dengan suatu metode yang disebut sebagai rekonstruksi 3.
Noise adalah gambar digital berbentuk acak yang tidak berkorelasi, menyebabkan penurunan
kualitas visual gambar4. Noise memengaruhi kualitas gambar citra. Semakin tinggi nilai noise, maka
kualitas citra yang di dapatkan semakin menurun. Kualitas citra yang rendah merupakan suatu hambatan
dalam pemberian dosis dan analisis hasil citra5. Faktor-faktor yang menyebabkan noise yaitu faktor
eksposi (tegangan tabung, arus tabung dan waktu eksposi), ukuran pixel, slice thickness dan artefak.
Faktor eksposi merupakan faktor yang memengaruhi terhadap eksposi dari energi sinar-X yang
meliputi tegangan tabung dengan parameter kilo voltage (kV), arus tabung dengan parameter mili
ampere (mA) dan waktu eksposi dengan parameter second (s)6. Tegangan tabung merupakan parameter
pembangkit sinar-x untuk menembus objek yang akan diperiksa dan tebal slice yang digunakan, sehingga
berpengaruh pada intensitas radiasi dan kualitas gambar yang akan didapatkan7,3. Arus tabung (mA)
148
menentukan kuantitas sinar- X yang dihasilkan. Semakin besar arus yang dihasilkan, semakin besar
pula foton sinar-X yang terbentuk. Perubahan nilai arus tabung akan memengaruhi densitas radiografi
dan dosis radiasi yang akan diterima oleh pasien. Pengaruh arus tabung akan menurunkan noise, tetapi
menaikkan dosis radiasi yang diterima pasien6. Waktu eksposi (s) merupakan waktu yang diperlukan
untuk setiap kali eksposi. Faktor ini biasanya dihubungkan dengan faktor mA. Kombinasi faktor ini
dilambangkan dengan mAs (mili Ampere second). CT Scan mampu melakukan scanning tanpa putus
sampai dengan 100 s. Sedangkan scan time per rotation merupakan waktu yang dibutuhkan untuk satu
putaran tabung sinar-X6.
Slice Thickness merupakan tebalnya irisan atau potongan dari objek yang diperiksa dalam
pemeriksaan CT Scan. Penggunaan slice thickness yang tebal akan menghasilkan gambaran detail yang
rendah, tetapi cenderung akan terjadi artefak. Sebaliknya jika penggunaan slice thickness yang tipis
akan menghasilkan gambaran dengan detail yang lebih tinggi, tetapi cenderung menghasilkan noise8.
Nilai slice thickness pada teknologi Multi-Slice CT (MSCT) dapat dipilih antara 0,5 mm - 10 mm sesuai
dengan keperluan klinis6.
2. BAHAN DAN METODE

Penelitian ini dilakukan di Instalasi Radiologi Rumah Sakit Umum Daerah (RSUD) Haji Makassar.
Peralatan yang digunakan pada penelitian ini, yaitu pesawat CT scan merk GE Brivo 385 type/model 46-
274891G, Software radiant DICOM, dan phantom dari America Association of Physicists in Medicine
(AAPM) CT Perfomance Phantom model 610. Bahan yang digunakan pada penelitian ini yaitu aquabides
sebanyak 7 liter.
Penelitian ini diawali dengan melakukan pemanasan atau warming up pada pesawat CT Scan dengan
cara melakukan scanning. Setelah CT Scan selesai di scanning maka dipastikan dapat digunakan untuk
penelitian. Phantom ditempatkan pada head holder dan diposisikan pada meja pemeriksaan dan tepat
pada pertengahan gantry, dengan panduan sinar laser (aligment system). Atur sinar aksial pada garis
circumferential section 1, berikutnya mengatur sinar koronal pada garis horizontal pada kedua sisi
phantom dan mengatur sinar digital (yang ditembakkan ke bagian atas phantom), berhimpit dengan garis
vertikal bagian permukaan dengan phantom. Kemudian dipusatkan di tengah meja. Pastikan phantom
tidak akan bergerak.
Mengatur parameter scan yang akan digunakan, setelah itu pemindaian dapat dilakukan. Proses
pemindaian menggunakan parameter variasi tegangan tabung (100 kV, 120 kV, 140 kV), variasi slice
thickness (1,25 mm dan 2,5 mm), arus tabung 125 mA, waktu rotasi 1 second. Untuk pengukuran pada
hasil citra phantom terlebih dahulu membuka software radiant, kemudian menampilkan hasil citra.
Untuk mendapatkan nomor CT dengan memilih ROI (ellipse) pada radian ditempatkan masing-masing
di tengah, tepi 1, tepi 2, tepi 3 dan tepi 4. Mencatat hasil nilai CTN dan noise ke dalam lembar kerja.
Noise level dapat dinyatakan dalam persamaan berikut :
Noise level ^%h =
v # 100 (1)
CTN Max
Dimana v merupakan standar deviasi dan CTN Max merupakan CT Number diwakili oleh tulang,
nilai = +1000 dalam satuan Hounsfield Unit (HU). Standar deviasi merupakan besaran yang sering
digunakan dalam analisis statistik untuk menyatakan jumlah penyebaran, atau variasi, di antara kuantitas.
Persamaan di atas menggunakan nilai CT Number tulang diambil dari nilai maksimum CT Number.
Analisis keseragaman noise citra digunakan untuk mengetahui hasil citra yang dihasilkan dengan
menghitung variasi noise pada ROI yang berbeda dan mengetahui bahwa hasil analisis noise masih
dalam batas toleransi yang ditetapkan sebagai uji kesesuaian. Untuk mengetahui nilai noise diperoleh
dari perhitungan nilai standar deviasi menggunakan.
KV mAsm # slice widthm
v s = v m 120m (2)
300 # 8
Dimana v s merupakan noise, v m merupakan standar deviasi, KVm merupakan nilai kV saat
melakukan scan pada phantom, mAsm merupakan nilai mAs saat melakukan scan pada phantom, slice
149
widthm merupakan width saat melakukan scan pada phantom.

Berdasarkan standar deviasi yang ada maka dapat dilakukan perhitungan nilai noise level
menggunakan persamaan 1. Hasil perhitungan noise level untuk variasi tegangan tabung dapat terlihat
pada tabel 1 dan noise level untuk variasi ketebalan irisan dapat dilihat pada tabel 2.
Tabel 1. Hasil perhitungan standar deviasi pada variasi tegangan tabung
Tegangan Tabung Arus Waktu Ketebalan Irisan
Standar Deviasi
(kV) (mAs) (mm)
100 125 1,25 2,181
120 125 1,25 1,279
140 125 1,25 1,118
Tabel 2. Hasil perhitungan standar deviasi pada variasi ketebalan irisan
Ketebalan Irisan Arus Waktu Tegangan Tabung
Standar Deviasi
(mm) (mAs) (kV)
1,25 125 140 1,118
2,5 125 140 0,946
Berdasarkan tabel 1, setiap tegangan tabung menghasilkan perubahan pada standar deviasi. Ketika
digunakan tegangan tabung 100 kV memiliki nilai standar deviasi 2,181, tegangan tabung 120 kV
memiliki nilai standar deviasi 1,279, tegangan tabung 140 kV memiliki nilai standar deviasi 1,118.
Hal tersebut menunjukkan bahwa pada penelitian dengan menggunakan tegangan tabung 140 kV
menghasilkan nilai standar deviasi yang lebih baik.
Berdasarkan tabel 2, setiap ketebalan irisan menghasilkan perubahan pada standar deviasi. Ketika
digunakan tebal irisan 1,25 mm memiliki nilai standar deviasi 1,118 sedangkan tebal irisan 2,5 memiliki
nilai standar deviasi 0,946. Hal tersebut menunjukkan bahwa pada penelitian dengan menggunakan
ketebalan irisan 2,5 menghasilkan nilai standar deviasi yang lebih baik.
Tabel 3. Nilai noise level pada variasi tegangan tabung
Tegangan Tabung Nilai Noise Level
(kV) (%)
100 0,22
120 0,13
140 0,12
Tabel 4. Nilai noise level pada variasi ketebalan irisan
Ketebalan Irisan Nilai Noise Level
(mm) (%)
1,25 0,12
2,5 0,09
Berdasarkan tabel 3 tegangan tabung 100 kV, 120 kV, 140 kV menghasilkan noise level 0,22%, 0,13%,
0,12%. Tegangan tabung 140 kV memiliki noise level yang paling rendah. Hal tersebut menunjukkan
bahwa pada penelitian ini tegangan tabung 140 kV menghasilkan citra yang lebih baik dibandingkan
tegangan tabung lainnya.
Berdasarkan tabel 4 tebal irisan 1,25 mm dan 2,5 mm menghasilkan noise level 0,12% dan 0,09%.
Tebal irisan 2,5 mm memiliki noise level yang paling rendah. Hal tersebut menunjukkan bahwa pada
penelitian ini tebal irisan 2,5 mm menghasilkan citra yang lebih baik dibandingkan tebal irisan lainnya.
150
Gambar 1. Grafik nilai noise variasi tegangan tabung

Gambar 1 menunjukkan bahwa noise level tegangan tabung 100 kV - 140 kV berbanding terbalik
dengan tegangan tabung yang diberikan. Artinya jika semakin tinggi nilai tegangan tabung yang
digunakan maka noise level yang dihasilkan akan semakin kecil. Demikian pula sebaliknya jika semakin
rendah nilai tegangan tabung yang digunakan maka noise level yang dihasilkan akan semakin tinggi.
Tegangan tabung yang tinggi dapat memberikan kemampuan daya tembus foton yang di produksi di
tabung sinar-X terhadap ketebalan objek yang memiliki jumlah yang tinggi. Semakin tinggi tegangan
tabung makan semakin banyak energi sinar-X yang ditransmisikan, sehingga energi foton sinar-X
menjadi hamburan yang lebih kecil.
Gambar 2. Grafik noise level variasi ketebalan irisan

Gambar 2 menunjukkan bahwa noise level tebal irisan 1,25 mm dan 2,5 mm berbanding terbalik.
Artinya jika semakin tinggi nilai tebal irisan yang digunakan maka noise level yang dihasilkan akan
semakin kecil. Demikian pula sebaliknya jika semakin rendah nilai tebal irisan yang digunakan maka
noise level yang dihasilkan akan semakin tinggi. Ketebalan irisan yang semakin besar noise level yang
dihasilkan akan semakin berkurang tetapi citra yang didapatkan memiliki detail yang rendah. Ketebalan
irisan yang terlalu tebal akan menimbulkan gambaran-gambaran mengganggu (artefak). Ketebalan irisan
yang semakin tipis akan meningkatkan noise level tetapi menghasilkan detail-detail citra yang tinggi.
Peningkatan tegangan tabung dan tebal irisan akan menghasilkan lebih banyak foton yang diproduksi
di tabung sinar-X, sehingga jumlah foton yang akan diukur atau yang diterima oleh detektor sinar-X
meningkat. Hal ini menyebabkan turunnya noise level.
Tabel 5. Perhitungan keseragaman noise tegangan tabung 100 kV dan ketebalan irisan 1,25 mm
Noise Keseragaman Nilai Lolos
Posisi ROI Noise Kesimpulan
Ternormalisasi Noise Uji
Tepi 1 20,96 4,46
Tepi 2 20,44 4,35
0,18 ≤ 2 CT Sesuai
Tepi 3 21,31 4,53
Tepi 4 21,03 4,47
151
Tepi 1 15,02 3,83
Tepi 2 14,46 3,69
Tepi 3 15,84 4,04
Tepi 4 15,94 4,07
Tepi 1 11,88 3,54
Tepi 2 12,35 3,68
Tepi 3 11,36 3,38
Tepi 4 12,20 3,63
Tepi 1 10,05 4,23
Tepi 2 10,84 4,56
Tepi 3 10,49 4,42
Tepi 4 9,20 3,80
Berdasarkan hasil perhitungan keseragaman noise dengan variasi tegangan tabung dan variasi
ketebalan irisan pada tabel 5, tabel 6, tabel 7, dan tabel 8 memperoleh nilai yang masih dibawah ambang
batas nilai lolos uji yang ditetapkan oleh BAPETEN yaitu ≤ 2 CT.
4. KESIMPULAN
Berdasarkan hasil penelitian noise level hasil citra CT Scan dengan variasi tegangan tabung dan
variasi slice thickness adalah pengaruh variasi tegangan tabung dan slice thickness berbanding terbalik
dengan noise level yang dihasilkan. Semakin meningkatnya tegangan tabung dan slice thickness maka
noise level semakin menurun dan begitu juga sebaliknya. Tegangan tabung yang menghasilkan noise
level paling rendah adalah 140 kV dan slice thickness yang menghasilkan noise level paling rendah
adalah 2,5 mm. Nilai noise yang didapatkan masih berada dalam batas toleransi yang masih diizinkan
oleh BAPETEN.
UCAPAN TERIMA KASIH

Ucapan terima kasih disampaikan kepada Direktur Rumah sakit Umum Haji Makassar yang telah
memberikan bantuan peralatan CT Scan selama melaksanakan penelitian ini, juga terima kasih kepada
Unit Pengembangan Fisika Medik FMIPA Unhas dan Dekan FMIPA Unhas yang telah memberikan
fasilitas peralatan alat ukur radiasi (Xray Multimeter) sehingga penelitian ini dapat terlaksana dengan
baik.
DAFTAR PUSTAKA
1. Imran Abdullah-Al-Zubaer, dkk. (2021). SSIQA: Multi-Task Learning For Non-Reference CT Image
Quality Assessment With Self-Supervised Noise Level Prediction. 2021 IEEE 18th International
Symposium on Biomedical Imaging (ISBI) 1962-1965.
2. Hutami Ida Ayu Putu, dkk. (2021). The Analysis of the Effect of Slice Thickness of Phantom on
152
Image Quality of CT Scan at RSUD Bali Mandara. Buletin Fisika Vol 22 No.2 Agustus 2021 77-83.
3. Martin Uffmann, et. al. (2005). Flat-Panel–Detector Chest Radiography: Effect of Tube Voltage on
Image Quality. 235:642–650.
4. Seeram, E. (2001). Computed Tomography: physical principles, clinical applications, and quality
control. Second edition. Philadelphia: WB Saunders Company.
5. Bhawna Goyal, Sunil Agrawal, B.S Sohi. (2018). Noise Issues Prevaling in Various Types of Medical
Images. “Biomedical & Pharmacology Journal”. Vol 11, No 3, Hal 1227-1237.
6. Bushberg, J. T. (2002). The Essential Physics of Medical Imaging. Second Edition. Philadelphia,
USE: Lippincot Williams & Wilkins.
7. Slamet Riyanto, Wahyu Setia Budi, dan Choirul Anam. (2019). Pengaruh Arus Tabung Terhadap
Noise dan Kontras Citra Pada Pesawat CT Scan. Vol. 22, No. 3, Juli 2019, Hal. 105-109.
8. Suprapto Teddy. (2020). Pengaruh Variasi Slice Thickness Terhadap Nilai Noisepada Pemeriksaan
CT Scan Kepalanonkontrasdi RSUD Dr. Adnaan WD Payakumbuh. Program Studi Teknologi
Radiologi.
153
Analisis Keluaran Berkas Radiasi Foton 6 MV pada

Linear Accelerator Varian HCX 6540 menggunakan
Detektor PTW 30013 Farmer di RS UNHAS
Nur Indah Sari*1, Bualkar Abdullah2, Satrial Male3
1,2,3
E-mail: *1n.indahsari025@gmail.com
Abstrak
Telah dilakukan penelitian tentang analisis keluaran berkas radiasi foton pada energi 6 MV
menggunakan Linear Accelerator (LINAC). Penelitian ini dilakukan di RS Universitas Hasanuddin
dengan menggunakan detektor ion chamber PTW 30013 Farmer untuk mengukur keluaran energi foton
dan water phantom sebagai pengganti pasien. Penelitian bertujuan untuk mengukur dan menganalisis
output berkas radiasi foton pada ukuran luas lapangan penyinaran (25 × 25) cm2, (30 × 30) cm2, dan (35
× 35) cm2 dengan Source to Surface Distance (SSD) 100 cm. Penelitian sejenis telah dilakukan oleh
(Mona Vadila, 2018) dilakukan dengan luas lapangan standar (10 × 10) cm2 menggunakan detektor
FC65-G/IC70 Farmer. Analisis bertujuan untuk memperoleh output dosis pada kedalaman maksimum
(Dw,Q(zmaks)) berdasarkan pengukuran faktor koreksi suhu, tekanan dan kelembaban (kTP) sesuai
dengan protokol Technical Report Series (TRS) 398 IAEA untuk mengetahui kondisi LINAC selama
digunakan. Diperoleh hasil Dw,Q(zmaks) pada luas lapangan penyinaran (25 × 25) cm2, (30 × 30) cm2,
dan (35 × 35) cm2 yaitu 0,978 cGy/MU, 0,983 cGy/MU dan 0,99 cGy/MU dengan nilai penyimpangan
2,2 %, 1,7 % dan 1 %. Hasil penelitian menunjukkan bahwa pengukuran sesuai dengan Protokol TRS
398 yang mengacu pada 1cGy/MU dengan nilai penyimpangan yaitu ±3 % sehingga LINAC aman
digunakan untuk pasien.
Kata Kunci: energi foton, LINAC, luas lapangan penyinaran, PTW 30013 Farmer, TRS 398.
1. PENDAHULUAN
Tumor dan kanker merupakan salah satu penyakit yang memiliki iesiko kematian yang cukup tinggi1.
Terdapat beberapa metode yang dapat digunakan untuk pengobatan penyakit kanker, yaitu pembedahan,
kemoterapi atau disebut juga kemo, imunoterapi, targeted therapy, dan terapi radiasi atau radioterapi2.
Radioterapi atau terapi radiasi adalah pengobatan kanker dengan menggunakan radiasi pengion3 seperti
pada kanker retina, sistem saraf pusat, kulit, isofaring dan laring, kerongkongan, leher rahim, vagina,
prostat dan limfa. Selain itu, radioterapi juga digunakan sebagai pengobatan tambahan, untuk kanker
paru-paru, payudara, rahim, kandung kemih, rektum, testis (seminoma) dan tumor lunak4. Salah satu
peralatan radioterapi yang telah dikembangkan untuk mengobati kanker yaitu pesawat terapi Linear
Accelerator (LINAC)5. LINAC adalah salah satu pesawat radioterapi yang didesain untuk mempercepat
pergerakan elektron secara linier sehingga menghasilkan berkas foton dan electron. Berkas foton
biasanya memiliki energi 6 MV dan 10 MV yang dapat digunakan untuk menyinari kanker yang berada
pada jaringan dalam misalnya kanker payudara, kanker serviks, dan kanker nasofaring6,7.
Dalam radioterapi dapat dilakukan pengukuran, perhitungan, dan penilaian dosis radiasi yang diserap
oleh tubuh manusia (radiation dosimetry)8. Pada perhitungan dosis radiasi harus mengikuti protokol
Technical Report Series (TRS) 398. TRS 398 adalah kode praktis yang dikeluarkan oleh International
Atomic Energy Agency (IAEA) pada akhir tahun 2000 yang dijadikan pedoman untuk menentukan dosis
serap berkas radiasi9. TRS 398 merekomendasikan penggunaan detektor ionisasi chamber farmer untuk
foton energi tinggi dengan pengukuran berkas radiasi dikalibrasi langsung di dalam air atau fantom air10.
Berdasarkan rekomendasi IAEA, nilai dosis radiasi yang dapat diterima oleh terapi pasien memiliki
deviasi ± 3 %9. Jika keluaran radiasi yang diterima > 3 %, maka akan memberikan dampak negatif pada
pasien10. Pemilihan berkas radiasi sangat berkaitan dengan penerimaan berkas radiasi sehingga diperlukan
154
ketepatan dalam pemberian dosis radiasi. Pemberian dosis tersebut bergantung pada tujuan pengobatan,
jenis kanker dan kedalaman target. Parameter lain dalam ketepatan pemberian dosis radiasi bergantung
pada ukuran lapangan dan kedalaman yang diinginkan dan berkaitan dengan nilai Percentage Depth Dose
(PDD) yang digunakan untuk menentukan berapa nilai dosis radiasi yang diterima oleh pasien11,12.
Telah dilakukan penelitian oleh Vadila (2018) yang dilakukan dengan luas lapangan penyinaran
10 × 10 cm dengan SSD 100 cm pada berkas foton 6 MV dan 10 MV menggunakan detektor FC65-G/
IC70 Farmer. Hasil analisis menunjukkan bahwa pada berkas foton dan elektron masih berada dalam
rentang toleransi pengukuran yaitu < 3 %. Selain itu, penelitian juga telah dilakukan oleh Wulandari dkk
(2018) dengan distribusi dosis radiasi foton pada luas lapangan penyinaran. Hasil penelitian tersebut
menunjukkan bahwa semakin bertambah luas lapangan penyinaran maka semakin bertambah nilai
dosis radiasi yang didapatkan. Penelitian juga dilakukan oleh Nabilla dkk (2020) dengan menganalisis
keluaran dosis menggunakan Co-60 terhadap variasi luas lapangan penyinaran sesuai dengan protokol
TRS 398 IAEA. Hasil yang diperoleh sesuai dengan TRS 398 IAEA. Melihat pentingnya keluaran
dosis radiasi pada berkas foton khususnya pada pengobatan penyakit kanker, penelitian ini dilakukan
dengan tujuan untuk mengukur dan menganalisis keluaran pada berkas radiasi foton dengan energi 6
MV pada SSD 100 cm dengan variasi luas lapangan penyinaran mulai dari (25 × 25) cm2, (30 × 30)
cm2 dan (35 × 35) cm2 menggunakan detektor ion chamber PTW 30013 Farmer pada LINAC Varian
HCX 6540 di ruang Instalasi Radioterapi Rumah Sakit Universitas Hasanuddin. Hasil pada penelitian
ini akan dibandingkan apakah nilai dosis yang diterima masih berada dalam batas toleransi pengukuran
berdasarkan TRS 398 IAEA dan LINAC masih aman untuk digunakan.
2. BAHAN DAN METODE

Pengukuran Nilai Output Berkas Radiasi Foton
Pengukuran dilakukan dengan detektor ion chamber farmer PTW 30013 pada water phantom.
Ion chamber farmer diatur pada water phantom dan memosisikan detektor dengan garis cross line
hingga detektor menyentuh permukaan air dengan seimbang. Kemudian detektor tersebut dihubungkan
ke elektrometer (Dose 1) yang terhubung pada Computer Control10. Pengukuran dilakukan dengan
mengukur nilai. suhu, tekanan dan kelembaban pada SSD 100 cm dengan luas lapangan (25 × 25) cm2,
(30 × 30) cm2 dan (35 × 35) cm2 pada energi sebesar 6 MV dengan jumlah tegangan +300 V, -300 V dan
-100 V. Pengukuran tersebut dilakukan kedalaman 100 mm dengan 3× penyinaran.
Perhitungan Nilai Faktor Koreksi Output Berkas Radiasi Foton
1. Faktor Suhu dan Tekanan (kTP)
Pengukuran suhu dan tekanan (kTP) dilakukan dengan melihat tekanan udara pada Elektrometer (Dose
1) dan mengukur suhu air menggunakan thermometer. Nilai kTP dapat dihitung menggunakan persamaan 113
273.15 + T P
kTP = 273.15 + T P0 (1)
0
2. Faktor Elektrometer (kelec)
Pada pengukuran elektrometer (kelec), nilai kelec adalah 1 yang artinya chamber dikalibrasi bersamaan
dengan elektrometer10.
3. Faktor Efek Polaritas (kpol)
Efek polaritas merupakan faktor koreksi respons detektor ionisasi terhadap efek pergantian polaritas
(positif atau negatif) yang diberikan pada detektor saat pengukuran14. Polaritas positif diberikan untuk
tegangan yang bernilai positif, dan polaritas negatif diberikan untuk tegangan yang bernilai negatif
dengan jumlah nilai muatan yang sama13. Nilai kpol dapat dihitung dengan menggunakan persamaan 214.
M+ + M-
k pol = (2)
2M
4. Faktor Rekombinasi Ion (ks)
Rekombinasi ion adalah proses di mana ion positif menangkap elektron bebas dan bergabung dengan
elektron atau ion negatif agar membentuk atom netral yang baru. Faktor koreksi rekombinasi ion ini
155
ditentukan dengan mengukur tegangan yang biasa digunakan beserta tegangan referensinya. Nilai ks
dapat dihitung menggunakan persamaan 314
ks = a0 + a2 e M1 o + a2 e M1 o
2
M M (3)
2 2
5. Faktor Respons Detektor Ionisasi (kQ,Q0)

Faktor koreksi ini telah ada pada Tabel 14 TRS 398 sebagai fungsi dari kualitas berkas TPR20,10
terhadap kualitas berkas radiasi yang diberikan14.
Perhitungan Nilai Kedalaman Output Radiasi Foton
1. Perhitungan Ionisasi Chamber (MQ)
MQ adalah pembacaan dosimeter dengan titik acuan chamber yang diposisikan pada zref yang di
pengaruhi oleh banyaknya suhu dan tekanan, kalibrasi elektrometer, efek polaritas dan rekombinasi
ion10. Nilai MQ dapat ditentukan dengan persamaan 413.
MQ = Mr $ kTP $ kelec $ k pol $ ks (4)
2. Perhitungan pada Kedalaman Referensi (zref)
Pengukuran dilakukan di dalam phantom air dengan (SSD) Source Surface Distance 100 cm
dan pada kedalaman zref yang nilai zref = 10. Berkas foton untuk kedalaman zref dapat dihitung dengan
persamaan 514.
DW.Q`z j = MQ ND,w,q kQ,Q
ref 0 0
(5)
3. Perhitungan pada Kedalaman Maksimum (zmaks)
Perhitungan keluaran berkas foton pada kedalaman maksimum bertujuan untuk mengatur bacaan
detektor monitor dalam satuan MU sehingga 1 cGy sama dengan 1 MU. Dibutuhkan PDD untuk
menentukan keluaran berkas radiasi foton pada LINAC dengan kedalaman maksimum (zmax)10. Untuk
menghitung nilai dosis yang radiasi yang diterima oleh pasien, dapat dihitung dengan persamaan (6)14.
Dw,Q_z i = 100 Dw,Q`z j /PDD`z j
max ref ref
(6)
4. Persentase Nilai Deviasi
Perhitungan nilai deviasi dilakukan untuk mengetahui nilai penyimpan dalam pengukuran. Persentase
nilai deviasi dihitung menggunakan persamaan 714.
Dw,Q_z i - DTPS
% Deviasi =
max
# 100 (5)
DTPS
Hasil Pengukuran Jumlah Nilai Muatan
Data hasil pengukuran nilai muatan pada luas lapangan (25 × 25) cm2, (30 × 30) cm2 dan (35 × 35)
cm dapat dilihat pada Tabel 1.
2
Tabel 1. Pengukuran jumlah nilai muatan

No Luas Lapangan V (Volt) P (kPa) T (°C) RH (%) M (nC/100 MU)
1 (25 × 25) cm2 +300 14,56
-300 101,3 20,6 58 14,59
-100 14,49
2 (30 × 30) cm2 +300 14,88
-300 101,3 20,5 58 14,91
-100 14,78
3 (35 × 35) cm2 +300 15,07
-300 101,3 20,5 58 15,11
-100 14,99
156
Berdasarkan Tabel 1 telah diperoleh jumlah nilai muatan pada kedalaman 100 mm terhadap variasi
luas lapangan penyinaran dengan pengukuran suhu, pengukuran kelembaban dan pembacaan elektrometer
untuk menghitung nilai faktor koreksi (kTP). Pada nilai tekanan tidak diukur menggunakan alat ukur,
tetapi nilai tersebut didapatkan melalui pembacaan nilai tekanan pada alat elektrometer. Pengukuran
dilakukan dengan variasi tegangan +300 V, -300 V untuk menghitung nilai faktor koreksi polaritas
dengan jumlah yang sama tetapi berlawanan. Sedangkan untuk tegangan -100 V adalah 1/3 dari tegangan
awal yang digunakan untuk menghitung nilai faktor koreksi rekombinasi ion (ks)13. Jumlah nilai muatan
pada Tabel 1 didapatkan dari hasil rata-rata dari 3× penyinaran untuk setiap luas lapangan penyinaran.
Pada nilai pengukuran suhu didapatkan nilai yang hampir sama, hal tersebut dapat disebabkan karena
faktor pembacaan nilai suhu.
Hasil Perhitungan Faktor Koreksi
Perhitungan faktor koreksi digunakan untuk menghitung output berkas foton terhadap variasi
luas lapangan penyinaran. Perhitungan dilakukan berdasarkan nilai muatan pada Tabel 1. Data nilai
perhitungan faktor koreksi dapat dilihat pada Tabel 2.
Tabel 2. Data nilai perhitungan faktor koreksi kTP, kpol, ks, kelec, kQ,Q0
No Faktor Koreksi (25 × 25) cm2 (30 × 30) cm2 (35 × 35) cm2
1 kTP 1,002 1,001 1,001
2 kelec 1 1 1
3 kpol 1,001 0,988 1
4 ks 1,003 1,003 1,003
5 kQ,Q0 0,984 0,98 0,98
Berdasarkan Tabel 2 diperoleh nilai faktor koreksi kTP, kpol, ks, kelec, kQ,Q0 bernilai ±1. Hal tersebut
berarti nilai faktor koreksi yang didapatkan telah sesuai dengan dengan standar yang ditetapkan TRS
398 IAEA karena faktor koreksi yang diperoleh mendekati nilai 1. Selanjutnya, nilai faktor koreksi
yang telah diperoleh digunakan sebagai parameter dalam perhitungan output berkas radiasi foton pada
kedalaman zref dan zmaks untuk variasi luas lapangan penyinaran13.
Hasil Perhitungan Output Radiasi Foton
Perhitungan output berkas foton dilakukan pada kedalaman referensi (zref) dan kedalaman maksimum
(zmaks). Pengukuran output berkas radiasi berkas pada LINAC dilakukan untuk mengetahui kondisi
LINAC selama digunakan dengan tetap mengacu pada nilai 1 cGy sama dengan 1 MU, agar output
tersebut sesuai dengan kebutuhan pasien10. Data nilai perhitungan output berkas foton dapat dilihat
pada Tabel 3.
Tabel 3. Data nilai perhitungan output radiasi foton
MQ Dw,Q(zref) Dw,Q(zmax) Deviasi
No Luas Lapangan
(nC/MU) cGy/MU cGy/MU (%)
1 (25 × 25) cm2 0,146 0,692 0,978 2,2
2 (30 × 30) cm 2
0,149 0,703 0,983 1,7
3 (35 × 35) cm 2
0,151 0,713 0,99 1
Berdasarkan Tabel 3 diperoleh nilai output yang semakin besar seiring bertambahnya luas lapangan,
hal tersebut berarti nilai output yang dihasilkan berbanding lurus dengan luas lapangan penyinaran.
Pada nilai MQ diperoleh untuk menghitung nilai output pada kedalaman (zref). Pada perhitungan
Dw,Q (zmax) dilakukan dengan menggunakan nilai PDD pada kedalaman 200 mm berdasarkan luas lapangan
penyinaran yang telah diukur oleh fisikawan medis di Rumah Sakit tersebut. Pada luas lapangan (25 × 25)
cm2, (30 × 30) cm2 dan (35 × 35) cm2 diperoleh nilai PDD 70,74 %, 71,48 %, dan 71,98 % sehingga diperoleh
nilai Dw,Q (zmax) yaitu 0,978 cGy/MU, 0,983 cGy/MU, dan 0,99 cGy/MU dengan nilai penyimpangan yang
dihasilkan adalah masing-masing 2,6 %, 2,2 %, 1,7 %, dan 1 %. Berdasarkan TRS 398 IAEA nilai output
157
berkas foton memiliki nilai 1cGy/MU, dengan penyimpangan ± 3 % maka hal tersebut masih sesuai dengan
batas toleransi TRS 398 IAEA sehingga LINAC yang digunakan masih aman untuk pasien.
4. KESIMPULAN
Berdasarkan analisis output radiasi foton diperoleh bahwa pada luas lapangan (25 × 25) cm2, (30 × 30) cm2
dan (35 × 35) cm2 memiliki nilai dosis yaitu 0,978 cGy/MU, 0,983 cGy/MU, dan 0,99 cGy/MU dengan nilai
deviasi 2,2 %, 1,7 % dan 1 %. Hal tersebut menunjukkan bahwa nilai deviasi yang diperoleh masih berada pada
batas toleransi TRS 398 IAEA yaitu ± 3 % sehingga LINAC aman digunakan untuk pemeriksaan radioterapi.
5. UCAPAN TERIMA KASIH

Terima kasih kepada Direktur rumah sakit Universitas Hasanuddin dan Kepala Instalasi Radioterapi
RS Universitas Hasanuddin yang telah memberikan Fasilitas selama penelitian ini
DAFTAR PUSTAKA
1. Bambang, H. S., Ika, Y. A., Hilmaniyya., S, D. A. (2020). Quality Assurance (QA) dan Quality Control
(QC) pada Instrumen Radioterapi Pesawat LINAC. Jurnal Biosans Pascasarjana 22(2): 73-80.
2. Nurhayati., Neng, N. M. (2020). Penerapan Radioterapi pada Pengobatan Kanker Payudara. Jurnal
Ilmiah Mahasiswa Pendidikan Fisika 1(2): 88-94.
3. Bagus, S. W. H., Dian, M. (2018). Verifikasi Luas Lapangan Radiasi penyinaran Linac Tipe Clinac
CX Terintegrasi Electronic Portal Imaging Device (EPID) Menggunakan Teknik IMRT Di RSP
Universitas Andalas. Jurnal Fisika Unand 7(4): 2302-8491.
4. Emma, L. D., Paul, E. Banwell., Timothy. EE. G. (2005). Radiotherapy and Wound Healing.
International Wound Journal 2(2): 112-127.
5. Nanang, S., Dian, M., Muhammad, A. J. K. (2020). Analisis Kurva Profile Dose Menggunakan
Lapangan Radiasi Elektron pada Pesawat LINAC Tipe Clinac-Cx di Rs Unand. Jurnal Fisika Unand
(JFU) 9(1): 73-78.
6. Mona, V., Dian, M. (2018). Analisis Keluaran Berkas Elektron Pesawat Terapi LINAC Tipe Varian
CX 6264 di Rumah Sakit Universitas Andalas. Jurnal Fisika Unand 7(2): 91-96.
7. Rahma, A. P., dkk. (2020). Analisis Kualitas Berkas Radiasi LINAC Untuk Effektivitas Radioterapi.
Jurnal Biosains Pascasarjana 22(1): 11-19.
8. Silamai, T. M. F., Giner, M., Suryasatriya, T., Mohammad, H. (2018). Analisis Efek Dosimetri dan
Jarak dari Penggabungan Lapangan Foton 6 MV dan Lapangan Elektron 8 MeV pada Terapi Ca
Mammae. Jurnal Fisika FLUX 15(2): 66-75.
9. Dian, M., Alimin, M., Mona, V. (2018). Analisis Keluaran Berkas Radiasi Sinar-X Pesawat Terapi
Linac Berdasarkan TRS 398 IAEA pada Fantom Air di Instalasi Radioterapi RS Universitas Andalas.
Jurnal Ilmu Fisika 10(2): 83-88.
10. Mona, V. (2018). Analisis Keluaran Berkas Radiasi Pesawat Terapi Linac Tipe Varian Cx 6264 Di Rs
Unand. Skripsi, Departemen Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Padang, Padang.
11. Dian, M., Alimin, M., Vinny, A. (2018). Analisis Nilai Percentage Depth Dose (PDD) Terhadap
Variasi Kedalaman Target Dan Luas Lapangan Penyinaran Menggunakan Pesawat Linac-Cx.
Komunikasi Fisika Indonesia 15(02): 93-97.
12. Awan, P., Herty, A. S., Martha, R., Kerista, S., Nasruddin, N. (2018). Analysis of 6 MV Energy Quality File
Index using Percentage Depth Dose (PDD) and Tissue Phantom Ratio (TPR) Methods on Linac Siemens
and Electa. International Journal of Sciences: Basic and Applied Research (IJSBAR) 39(2): 10-14.
13. Alya, N., Dian, M., Mursiyatun. (2020). Analisis Perbandingan Dosis Keluaran Berkas Radiasi Pesawat
Co-60 Merek Theratron Phoenix Dari Perubahan Nilai Panjang Dan Lebar Persegi Panjang Pada Luas
Lapangan Yang Sama. Prosiding SNFA (Seminar Nasional Fisika dan Aplikasinya): 25-34.
14. TRS 398. (2000). Absorbed Dose Determination in External Beam Radiotheraphy. IAEA. Vienna:
Austria.
158
Penentuan Nilai Diagnostic Reference Level

(DRL) pada Pemeriksaan CT-Scan Pasien
Dewasa di RSUD Haji Makassar
Yesriely*1, Syamsir Dewang2, Bannu Abdul Samad3
1,2,3
E-mail: *1yesrielyy@gmail.com
Abstrak
Modalitas radiologi diagnostik dan intervensional berupa CT-Scan semakin sering digunakan dalam
mendiagnosis tubuh manusia, sehingga dalam penggunaannya perlu dilakukan perhatian khusus terhadap
penggunaan dosis radiasi untuk proteksi dan keselamatan radiasi bagi pasien yang berupa optimisasi
dengan menentukan nilai Diagnostic Reference Level (DRL) Typical Value. Telah dilakukan pengolahan
data hasil pemeriksaan Head CT-Scan, Thorax, dan Abdomen pada pemeriksaan pasien dewasa dengan
menggunakan analisis deskriptif. Dari hasil pengolahan data tersebut, diperoleh nilai CTDIVol dan DLP
Typical Value masing-masing ialah Head CT-Scan adalah 35,33 mGy dan 935,03 mGy.cm, Thorax CT-
Scan adalah 6,42 mGy dan 225,88 mGy.cm, serta Abdomen CT-Scan adalah 6,44 mGy dan 311,46 mGy.
cm, sehingga nilai yang didapatkan tersebut tidak melebihi nilai Diagnostic Reference Level Nasional.
Kata Kunci: Abdomen, CT-Scan, DRL, Head, Thorax.
1. PENDAHULUAN
Peralatan medis berupa Computed Tomography Scanning (CT-Scan) saat ini memperoleh pengaruh
perkembangan yang pesat melalui kemampuannya mendeteksi anatomi tubuh dalam waktu yang
singkat1. CT-Scan merupakan salah satu modalitas radiodignostik pengion yang sering digunakan,
sehingga prinsip proteksi dan keselamatan radiasi penting untuk diterapkan sebagai perhatian khusus
dalam pemanfaatannya terhadap petugas, pasien, dan masyarakat. Prinsip proteksi dan keselamatan
radiasi yang dimaksud ialah berupa justifikasi penggunaan, optimisasi proteksi, serta limitasi dosis2.
Dalam kajian yang berfokus pada paparan medik dengan tujuan diagnostik bagi pasien, prinsip optimisasi
merupakan salah satu upaya yang tepat dengan mempertahankan dosis radiasi serendah mungkin dan
tetap memberikan citra yang baik untuk mendiagnosis penyakit.
Diagnostic Reference Level (DRL) merupakan suatu upaya dalam penerapan prinsip optimisasi yang
pada tahun 1990 yang telah diusulkan oleh Internasional Commision on Radiological Protection (ICRP) dan
merupakan suatu prosedur pencitraan yang digunakan sebagai pemantauan tingkat pemberian dosis3. DRL ini
berfungsi untuk menghindari adanya paparan radiasi yang tidak diperlukan oleh pasien selama menjalankan
prosedur diagnostik atau pada pemeriksaan dengan menggunakan modalitas CT-Scan2,4. Upaya tersebut
dapat dilakukan dengan pemanfaatan data dosis populasi pasien dengan jumlah yang telah direkomendasikan
secara nasional yang kemudian data tersebut menghasilkan nilai typical value sebagai acuan terhadap data
DRL Nasional atau I-DRL dalam mengetahui tingkat penggunaan dosis radiasi. Pentingnya upaya penentuan
nilai DRL tersebut dapat memberikan kesadaran dalam mengoptimalkan proteksi radiasi yang diperoleh oleh
pasien serta penggunaan dosis radiasi seminimal mungkin dan tetap memberikan hasil citra yang baik dalam
mendukung pembacaan diagnosis, dengan begitu keselamatan radiasi pada pasien menggunakan modalitas
radiologi diagnostik dan intervensional yang berupa CT-Scan dapat memiliki mutu yang baik2. Pada penelitian
ini, dilakukan penentuan nilai DRL Typical Value pada pemeriksaan umum pasien dewasa di RSUD Haji
Makassar dengan perbandingan terhadap nilai rekomendasi pada I-DRL atau DRL Nasional BAPETEN.
2. BAHAN DAN METODE / METODOLOGI PENELITIAN

Penelitian dilakukan di RSUD Haji Makassar pada modalitas CT-Scan GE Brivio 16 Slice.
Pengambilan data pasien dilakukan di bulan Maret 2022 pada jenis pemeriksaan umum yang dilakukan
159
di rumah sakit berupa head, thorax, dan abdomen. Data yang diperoleh untuk diolah adalah jenis
pemeriksaan, usia, serta indikator dosis berupa nilai Dose Length Product (DLP) dan Volume Computed
Tomography Dose Index (CTDIVol), serta parameter akuisisi berupa nilai tegangan dan arus pada setiap
pemeriksaan pasien5. Pasien yang menjadi objek penelitian adalah pasien dewasa mulai pada umur 15-
80 tahun, yang selanjutnya dilakukan pemisahan pada data yang telah diperoleh menurut pengelompokan
jenis pemeriksaan. Pengolahan data dilakukan dengan menggunakan perangkat lunak pengolahan data
statistik IBM SPSS Statistic Ver.25. Nilai distribusi pada masing-masing indikator dosis berupa DLP dan
CTDIVol ditentukan pada nilai kuartil 1, kuartil 2 atau yang merupakan typical value dan kuartil 3. Hal
tersebut merupakan ukuran letak nilai dengan membagi data kelompok sesuai total kelompok kuartil6.
Hasil luaran yang diperoleh ialah berupa nilai DLP dan CTDIVol pada masing-masing kelompok kuartil,
di mana pada nilai typical value dibandingkan dengan nilai DRL Nasional yang dimiliki oleh BAPETEN.
Adapun salah satu contoh nilai DRL BAPETEN ditunjukkan pada Tabel 1.
Tabel 1. Nilai DRL Nasional Tahun 2019 pada Pemeriksaan Pasien Dewasa
Kategori Pasien Dewasa (Adult Patien, >15)
Jenis Pemeriksaan CTDIVol (mGy) DLP (mGy.cm)
CT Abdomen 19 1000
CT Chest 14 600
CT Head 59 1300
Hasil yang didapatkan nantinya akan dilakukan evaluasi terhadap setiap parameter akuisisi berupa
nilai tegangan dan arus yang dilakukan selama pemeriksaan, jika nilai DRL typical value yang didapatkan
melebihi nilai rekomendasi BAPETEN, dilakukan peninjauan penurunan penggunaan nilai tegangan
dan arus jika hal tersebut memungkinkan dan tidak merusak hasil citra yang nantinya digunakan dalam
mendiagnosis penyakit, namun jika nilai DRL typical value yang didapatkan lebih rendah dibandingkan
rekomendasi BAPETEN maka dapat dianggap bahwa penggunaan modalitas terhadap pasien selama
ini telah dilakukan secara baik dengan memperhatikan pemberian dosis radiasi kepada pasien dan
menghasilkan mutu citra yang baik. Adapun skema penelitian ditampilkan pada Gambar 1.
Gambar 1. Diagram Alir Penentuan DRL Typical Value

160

Pengambilan dosis radiasi memperoleh data sebanyak 20 pasien di masing-masing jenis pemeriksaan,
meliputi Head, Thorax, dan Abdomen dengan total pasien laki-laki dan perempuan masing-masing
sebanyak 10 pasien. Hasil pengolahan data CT-Scan di RSUD Haji Makassar diperoleh dengan
menggunakan IBM SPSS Statistic Ver.25 seperti pada tabel 2 dan 3.
Tabel 2. Tabel CTDIVol DRL Lokal CT-Scan dan DRL Nasional BAPETEN
Pemeriksaan Persentil CTDI (mGy) DRL Bapeten (mGy)
Dewasa 25 50 75 2019 2020 2021
Head 35,33 35,33 35,33 59 55 51,54
Thorax 6,42 6,42 7,17 14 11 9,90
Abdomen 4,89 6,44 7,51 19 14 14,40
Tabel 3. Tabel DLP DRL Lokal CT-Scan dan DRL Nasional BAPETEN
Pemeriksaan Persentil CTDI (mGy) DRL Bapeten (mGy)
Dewasa 25 50 75 2019 2020 2021
Head 899,71 935,03 948,28 1300 1240 1128
Thorax 204,81 225,88 248,64 600 480 368
Abdomen 197,74 311,46 361,29 1000 1250 780
Tabel 2 dan 3 memperlihatkan rekap data dari hasil keluaran dari perangkat lunak IBM SPSS
Statistic Ver.25 berupa nilai persentil 25, persentil 50 yang merupakan typical value, dan persentil 75,
serta dilakukan pengumpulan data nilai DRL Nasional yang dimiliki oleh BAPETEN tahun 2019 hingga
2021 sehingga dari rekap tersebut dapat dilakukan analisis melalui perbedaan pada nilai DRL yang
didapatkan di RSUD Haji Makassar terhadap nilai DRL Nasional. Data yang dapat digunakan sebagai
nilai pembanding terhadap DRL Nasional ialah typical value yang dihasilkan pada persentil 50 atau
disebut sebagai nilai lokal. Perbedaan tersebut dapat diamati melalui grafik hubungan DRL Typical
Value DLP dan CTDIVol dengan jenis pemeriksaan pada hasil penelitian dan DRL Nasional seperti pada
Gambar 2 dan 3.
Gambar 3. Grafik Hubungan CTDIVol DRL Typical Value terhadap DRL Nasional
Gambar 3 memperlihatkan perbedaan terhadap Typical Value pada CTDIVol dari jenis pemeriksaan
kepala, thorax, dan abdomen terhadap nilai DRL Nasional 2019 hingga 2021 yang diperoleh melalui
BAPETEN dengan masing-masing nilainya ialah 35,33 mGy, 59 mGy, 55 mGy, dan 51,54 mGy pada
pemeriksaan kepala, dan diperoleh nilai sebesar 6,42 mGy, 14 mGy, 11 mGy, dan 9,90 mGy pada
pemeriksaan thorax, serta 6,44 mGy, 19 mGy, 14 mGy, dan 14,40 mGy pada pemeriksaan abdomen.
Nilai yang diperoleh tersebut menunjukkan bahwa pemeriksaan pada kepala memiliki nilai yang lebih
161
besar dibanding dengan pemeriksaan thorax dan abdomen. Hal tersebut disebabkan oleh kemungkinan
adanya pencitraan berulang yang dilakukan, adapun nilai pemeriksaan abdomen lebih besar dibandingkan
dengan pemeriksaan thorax disebabkan oleh faktor bobot jaringan di masing-masing organ, dan pada
organ abdomen memiliki total bobot jaringan yang lebih besar7,8.
Gambar 4. Grafik Hubungan DLP DRL Typical Value terhadap DRL Nasional
Adapun Gambar 4 memperlihatkan perbedaan Typical Value pada DLP dari jenis pemeriksaan
kepala, thorax, dan abdomen terhadap nilai DRL Nasional 2019 hingga 2021 dengan masing-masing
nilainya ialah 935,03 mGy.cm, 1300 mGy.cm, 1240 mGy.cm, dan 1128 mGy.cm pada pemeriksaan
kepala, dan diperoleh nilai sebesar 225,88 mGy.cm, 600 mGy.cm, 480 mGy.cm, dan 368 mGy.cm
pada pemeriksaan thorax, serta 311,46 mGy.cm, 1000 mGy.cm, 1250 mGy.cm, dan 780 mGy.cm pada
pemeriksaan abdomen.
Berdasarkan hasil penelitian yang didapatkan dan terhadap nilai data nasional secara keseluruhan
menunjukkan perbedaan dengan data penelitian dominan rendah terhadap nilai DRL Nasional sehingga
dikatakan bahwa data tersebut tidak melebihi batas rekomendasi nasional. Adapun, mengenai perbedaan
nilai CTDIVol dan DLP yang diperoleh pada masing-masing pemeriksaan disebabkan oleh adanya
perbedaan bobot jaringan yang miliki oleh masing-masing organ tersebut, di mana pada organ dengan
bobot jaringan terbesar ialah pada pemeriksaan organ abdomen. Data yang diperoleh menunjukkan
nilai indikator dosis CTDIVol dan DLP pemeriksaan kepala yang lebih besar. Hal ini diakibatkan oleh
beberapa faktor diantaranya ialah pengaruh dari tingkat penyerapan radiasi, dimana pada pemeriksaan
kepala terdapat tulang yang dapat menyerap lebih banyak radiasi, serta adanya pengaruh penggunaan
arus dan tegangan yang besar dan disebabkan oleh proses pengulangan pencitraan yang sering terjadi
pada pemeriksaan tersebut.
Adapun analisis yang dilakukan terhadap data tahunan DRL Nasional bahwa setiap tahunnya
mengalami penurunan penggunaan dosis radiasi pada nilai CTDIVol dan DLP di pemeriksaan kepala
dan thorax, sedangkan pada pemeriksaan abdomen sempat mengalami sedikit kenaikan nilai CTDIVol
pada tahun 2021 dan kenaikan yang cukup drastis pada nilai DLP tahun 2020 dengan perbedaan 250
mGy.cm. Hal ini mungkin disebabkan oleh beberapa hal diantaranya, keperluan pemeriksaan dengan
hasil pembacaan diagnosis yang diperlukan, penggunaan akuisisi arus dan tegangan yang berlebih dan
dilakukan secara otomatis tanpa penurunan nilai yang memungkinkan tetap memberikan hasil yang
baik. Hal ini biasa terjadi pada usia yang lebih rendah namun tetap menggunakan akusisi arus dan
tegangan yang besar. Dalam hal penelitian yang diperoleh dianggap telah menghasilkan keseluruhan
typical value yang baik sebab tidak melebihi data DRL Nasional, maka sebaran penggunaan tegangan
dan arus pada seluruh pemeriksaan diperlihatkan pada Tabel 4.
162
Tabel 4. Parameter Akuisisi Arus terhadap Usia Pasien dengan Tegangan 120 kV
Umur Pasien Arus Head Umur Pasien Arus Thorax Umur Pasien Arus Abdomen
Head (Thn) (mA) Thorax (Thn) (mA) Abdomen (Thn) (mA)
15 125 15 100 15 116
17 125 17 100 18 100
25 130 19 100 23 70
27 125 20 100 26 124
28 125 30 100 28 157
34 125 31 100 36 65
43 125 31 200 39 169
48 130 35 142 39 193
49 125 41 151 49 98
51 125 43 100 49 110
53 125 57 100 50 146
54 125 61 100 50 180
59 125 63 100 53 129
62 125 63 131 55 85
62 125 65 100 62 182
64 125 65 100 63 101
66 125 71 100 63 124
75 125 72 100 66 72
79 125 72 100 75 200
80 125 80 100 80 84
Tabel 3 memperlihatkan bahwa penggunaan arus pada pemeriksaan kepala dominan pada nilai 125 -
130 mA, pada pemeriksaan thorax berkisar antara 100-200 mA, dan pada pemeriksaan abdomen berada
di antara70 - 200 mA. Dari sebaran yang diperoleh diketahui bahwa tidak ada hubungan pemberian
arus terhadap usia pasien yang memengaruhi typical value sebab terdapat pada pemeriksaan kepala
penggunaan arus yang lebih besar berada di usia 25 tahun, pada pemeriksaan thorax dengan arus
terbesar 31 tahun, dan pada pemeriksaan abdomen dengan arus terbesar berada pada usia 75 tahun.
Tidak adanya pengaruh usia terhadap penggunaan arus yang memengaruhi typical value diakibatkan
oleh jumlah populasi pasien yang berada pada jumlah minimal, sehingga walau dengan ketidakstabilan
pemberian arus akan tetap menghasilkan nilai typical value yang baik dengan tetap berada di bawah
batas rekomendasi. Hal pendukung lainnya ialah dengan penggunaan tegangan yang konstan berada
pada nilai 120 kV. Sehingga, pada pencitraan pasien yang lebih banyak, tetap perlu diperhatikan dalam
pengaturan arus dan tegangan, untuk menghindari dosis radiasi yang akan melebihi rekomendasi.
Adapun penggunaan arus yang besar terdapat pada pemeriksaan kepala, hal tersebutlah yang
menjadikan nilai CTDIVol dan DLP pada pemeriksaan tersebut lebih besar dibanding pemeriksaan
lainnya, sebab ketika kuat arus meningkat maka nilai CTDIVol dan DLP akan ikut meningkat9. Variasi
pada kuat arus ini hanya berkaitan dengan kuantitas sinar-X dan tidak mempengaruhi kualitas, karena
panjang gelombang tidak berubah seiring perubahan kuat arus10. Dari hasil pembasahan sebelumnya
menujukkan bahwa perlu dilakukan pendataan dosis pasien dengan jumlah yang lebih banyak sehingga
memperoleh data yang lebih akurat terhadap nilai DRL Nasional yang nantinya dijadikan sebagai
acuan dalam pemberian ketepatan dosis radiasi ke depannya. Pemantauan dosis radiasi sebagai upaya
optimisasi ini juga diharapkan agar setiap Rumah Sakit memperhatikan pendataannya terhadap pasien
dan adanya pelaporan kepada BAPETEN, sehingga mendukung keakuratan nilai DRL Nasional.
163
4. KESIMPULAN
Berdasarkan analisis hasil pada pemeriksaan Head CT-Scan, Thorax, dan Abdomen pada bulan Maret
2022, pemeriksaan pasien dewasa diperoleh Typical Value CTDIVol dan DLP di RSUD Haji Makassar
masing-masing ialah Head CT-Scan adalah 35,33 mGy dan 935,03 mGy.cm, Thorax CT-Scan adalah
6,42 mGy dan 225,88 mGy.cm, serta Abdomen CT-Scan adalah 6,44 mGy dan 311,46 mGy.cm. Nilai
CTDIVol dan DLP yang diterbitkan sebagai nilai DRL Nasional ialah berturut-turut Head CT-Scan adalah
35,33 mGy dan 935,03 mGy.cm, Thorax CT-Scan adalah 6,42 mGy dan 225,88 mGy.cm, serta Abdomen
CT-Scan adalah 6,44 mGy dan 311,46 mGy.cm. DRL Typical Value berdasarkan penelitian di RSUD
Haji Makassar, didapatkan lebih rendah dibandingkan dengan data tahunan DRL Nasional yang dimiliki
oleh BAPETEN, dan dari hasil perbandingan tersebut diketahui pasien yang melakukan pemeriksaan
CT-Scan memperoleh dosis radiasi yang baik dalam proteksi dan keselamatan radiasi.
UCAPAN TERIMA KASIH

Penulis berterimakasih kepada Direktur Utama RSUD Haji Makassar serta seluruh karyawan
RSUD Haji Makassar pada Instalasi Radiologi yang sudah memberi kesempatan kepada peneliti untuk
melakukan penelitian dengan memberikan fasilitas data dalam penentuan nilai Diagnostic Reference
Level. Kepada Bapak dosen di Program Studi Fisika, FMIPA, Universitas Hasanuddin atas bimbingan
yang telah diberikan untuk publikasi ini, serta semua pihak yang ikut terlibat untuk membantu
menyelesaikan penelitian ini.
DAFTAR PUSTAKA
1. Latifah, R et al. (2019). Determination of Local Diagnostic Reference Level (LDRL) Pediatric
Patients On Ct Head Examination Based On Size-Specific Dose Estimates (SSDE) Values. Journal
of Vocational Health Studies: Vol.2, No.3:127-128.
2. Kunarsih, E., Sudradjat., dan Pratama, I. B. G. P. (2021). Pedoman Teknis Penerapan Tingkat
Panduan Diagostik Indonesia (Indonesian Diagnostic Reference Level). BAPETEN.
3. Clerkin, C., Brennan, S., dan Muallaney, L, M. (2018). Establishment of National Diagnostic
Reference Levels (DRLs) for Radiotherapy Localisation Computer Tomography of the Head and
Neck. Reports of Practical Oncology & Radiotherapy:Vol.23, No.5:408.
4. Razali, M. A. S. M et al. (2019). Optimization Of Radiation Dose In Ct Imaging: Establishing
The Institutional Diagnostic Reference Levels And Patient Dose Auditing. Radiation Protection
Dosimetry: Vol.188, No.22:1-8.
5. Roch, P., Celier,D., Dessaud, C., dan Etard, C. (2018). Using Diagnostic Reference Levels to
Evaluate The Improvement of Patient Dose Optimisation and The Influence of Recent Technologies
in Radiography and Computed Tomography. European Journal of Radiology: Vol.98, hal:68.
6. Pratikno, A., S.., Prastiwi, A., A., dan Ramahwati., S. (2020). Kuartil, Desil, dan Presentil serta Cara
Menghitungnya dalam Dsitribusi Frekuensi. OSF Preprints:Vol.23, No.3.
7. Siregar, E. S. B., Sutapa, G. N., dan Sudarsana, I. W. B. (2020). Analysis of Radiation Dose of
Patients on CT Scan Examination using Si-INTAN Application. Buletin Fisika: Vol.21, No.2:58.
8. Rusmanto dan Syafitri, I. (2019). Pedoman Teknis Penyusunan Tingkat Panduan Diagnostik Atau
Diagnostic Reference Level (DRL) Nasional. BAPETEN.
9. Jannah, D., H., L. (2017). Analisis Pengaruh Arus Terhadap Nilai CTDI, DLP, serta Dosis Efektif
pada Pemeriksaan CT Scan Kepala. Semantic Scholar.
10. Herlinda, S., Fitriyani, D., dan Marzuki. (2019). Analisis Pengaruh Kuat Arus dan Tegangan
Terhadap Kualitas Citra Computed Tomography (CT) Scan Siemens Perspective di RSUP Dr. M.
Djamil Padang. POSITRON:Vol. 9, No. 1:42.
164
Analisis Keseragaman Distribusi Dosis

Berdasarkan Dose Volume Histogram (DVH)
Pada Radioterapi Kanker Serviks
Ni Putu Sri Narayani1, Bualkar Abdullah1, Sri Suryani1, Satrial Male2
1
Program Studi Fisika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Hasanuddin
2
Rumah Sakit Pendidikan Universitas Hasanuddin
E-mail : 1niputusrinarayani@gmail.com
Abstrak
Telah dilakukan penelitian mengenai analisis keseragaman distribusi dosis berdasarkan Dose Volume
Histogram (DVH) pada radioterapi kanker serviks di Rumah Sakit Pendidikan Universitas Hasanuddin.
Penelitian ini bertujuan untuk mengetahui keseragaman distribusi dosis pada perencanaan radioterapi
pasien kanker serviks sesuai dengan ketetapan International Commission on Radiation Units and
Measurements (ICRU) 83. Teknik 3D-CRT dengan jumlah lapangan penyinaran berbeda dibandingkan
berdasarkan nilai Homogeneity Index (HI). Jumlah lapangan penyinaran yang digunakan yaitu 4 dan 8
lapangan penyinaran. Perhtungan nilai HI menggunakan Dosis yang mencakup 2%,50%, 98% volume
PTV (Gy). Dosis radiasi diperoleh dari Dose Volume Histogram (DVH) pada Treat Planning System
(TPS). Pada hasil penelitian, diperoleh 8 lapangan penyinaran mempunyai nilai rata rata HI yang lebih
rendah yaitu 0,0627. Hal ini masih memenuhi standar yang ditetapkan oleh International Commission
on Radiation Units and Measurements (ICRU) Report 83 yaitu nol.
Kata Kunci- 3D-CRT, Homogeneity Index,Kanker Serviks.
1. PENDAHULUAN
Kanker merupakan salah satu masalah kesehatan bagi masyarakat di seluruh dunia[1]. Berdasarkan
penelitian, sebanyak 50% pasien meninggal karena kanker[2]. Salah satu jenis kanker adalah kanker
serviks[3,4,5]. Kanker serviks adalah kanker paling umum yang menyerang wanita pada rentang usia 30-
65 tahun[3,4]. Berdasarkan analisis di seluruh dunia, kanker serviks menyerang 570.000 orang setiap
tahunnya dengan jumlah kematian 311.000 orang[4,5].
Radioterapi merupakan salah satu cara untuk mengobati kanker yang menggunakan radiasi pengion[6].
Metode radioterapi ada dua, yaitu brachytherapy dan teleterapi[6]. Metode yang umum digunakan adalah
teleterapi[6]. Metode teleterapi biasanya menggunakan pesawat terapi Linear Accelerator (LINAC)
dengan energi radiasi elektron (4, 6, 9, 12, 15, dan 18) MeV dan radiasi foton 6 dan 10 MV[6]. Tujuan
utama dari proses radioterapi adalah membunuh sel-sel kanker dengan menggunakan radiasi pengion
sambil meminimalisir radiasi ke Organ at Risk (OAR) yaitu organ sehat di sekitar kanker[7].
Kemajuan radioterapi modern muncul dengan berkembangnya teknik radioterapi konformal seperti
Three-Dimensional Conformal Radiation Therapy (3D-CRT)[8,9,10]. 3D-CRT adalah teknik radioterapi
yang menyesuaikan distribusi dosis radiasi dengan bentuk volume target secara tepat[9,11]. Teknik ini
menggunakan lapangan radiasi yang tidak beraturan sesuai bentuk kanker dan intensitas radiasi yang
seragam pada setiap arah lapangan[6].Hal ini dapat meningkatkan kontrol target kanker dan meminimalisir
radiasi yang mengenai OAR[9,11]. Dalam radioterapi dilakukan suatu perencanaan penyinaran yang disebut
dengan Treatment Planning System (TPS)[12]. TPS dilakukan dengan menentukan target penyinaran,
volume target, sudut penyinaran, distribusi dosis pada kanker, serta banyak lapangan penyinaran[12].
Informasi distribusi dosis serta volume target ditampilkan dalam bentuk Dose Volume Histogram (DVH)
[2]
. DVH dapat digunakan untuk mengevaluasi rencana penyinaran[2,10].
Telah dilakukan penelitian yang menganalisis distribusi dosis penyinaran pada pengobatan kanker
165
payudara dengan menentukan keseragaman dosis. Penelitian ini dilakukan dengan membandingkan
teknik penyinaran 3D Conformal Radiotherapy (3D-CRT), Volumetric Modulated Arc Therapy
(VMAT), Tomotherapy (TOMO) and Intensity Modulated Proton Therapy (IMPT). Hasil penelitian
menunjukkan TOMO memiliki keseragaman distribusi dosis terbaik[10]. Telah dilakukan juga penelitian
yang menganalisis distribusi dosis pada pengobatan kanker serviks. Penelitian ini dilakukan dengan
membandingkan teknik penyinaran 3D-CRT dan Intensity Modulated Radiotherapy (IMRT). Hasil
penelitian menunjukkan kedua teknik ini memiliki keseragaman distribusi dosis yang baik[13].
Penelitian selanjutnya adalah membandingkan teknik penyinaran 3D-CRT berdasarkan jumlah
lapangan penyinaran. Perencanaan radioterapi menggunakan TPS Eclipse. Analisis keseragaman dosis
dilakukan dengan menentukan nilai Homogeneity Index (HI) yang diperoleh dari DVH setiap pasien
kanker serviks. Standar untuk nilai HI yang ideal yaitu 0. Hal ini sesuai dengan ketetapan International
Commission on Radiation Units and Measurements (ICRU) Report 83 tahun 2010.
2. BAHAN DAN METODE

Penelitian dilaksanakan di Instalasi Radioterapi Rumah Sakit Pendidikan Universitas Hasanuddin
dari bulan Agustus-Sepetember tahun 2022. Adapun alat dan bahan yang digunakan adalah seperangkat
komputer TPS yang menggunakan software Eclipse dan data hasil perencanaan penyinaran radioterapi
(Treatment Planning System) dari 10 pasien kanker serviks yang telah melakukan radioterapi. Penelitian
ini dilakukan dengan mengambil data Dose Volume Histogram (DVH) yang memuat besar dosis volume
PTV dan OAR. Dari DVH ini akan didapat data dosis yang mencakup 2%,50% dan 98% volume PTV
pada setiap pasien. Data ini digunakan untuk menentukan nilai HI menggunakan persamaan 1. Analisis
keseragaman dosis berdasarkan jumlah lapangan penyinaran didasarkan pada nilai HI.
D -D
HI = 2%D 98% (1)
50%
Di mana HI merupakan Homogeneity Index, (D2%,D98%,D50%) merupakan dosis yang mencakup

2%, 50% dan 98% volume PTV (Gy)

3.1 Hasil Perencanaan Radioterapi
Perencanaan radioterapi (Treatment Planning System) dilakukan sebelum radioterapi. Data dari TPS
menghasilkan Dose Volume Histogram (DVH) dan Kurva Isodose. DVH memuat nilai dosis dan volume
target penyinaran radioterapi. Gambar 3.1 merupakan salah satu DVH dari pasien kanker serviks. Dari
DVH diperoleh nilai dosis mencakup 2%, 50% dan 98% volume PTV (Gy) dari masing-masing pasien.
Gambar 3.1 Diagram Dose Volume Histogram pasien kanker serviks.

Garis berwarna hijau pada DVH merupakan boddy atau keseluruhan bagian dari serviks. Garis hijau
menunjukkan jumlah dosis yang diberikan lebih kecil dari yang lain. Hal ini menunjukkan bahwa beberapa
166
bagian dari serviks selain bagian kanker juga terkena paparan radiasi walaupun dengan dosis yang lebih
rendah dari target kanker. Garis berwarna biru pada DVH merupakan Planning Target Volume (PTV) yaitu
volume target pada perencanaan. Dosis pada daerah PTV lebih besar dari boddy dengan mempertimbangkan
dosis yang diberikan mampu membunuh kanker dan jaringan di sekitar kanker yang bisa berpotensi menjadi
kanker kembali. Garis berwarna orange merupakan Clinical Target Volume (CTV) merupakan jaringan
yang berisi GTV atau penyakit ganas mikroskopis sub-klinis yang harus dihilangkan. Garis berwarna merah
merupakan Gross Tumor Volume (GTV) merupakan besar dan lokasi tumor ganas yang terlihat. Dosis pada
CTV dan GTV lebih besar dari PTV karena merupakan kanker yang harus dihilangkan
3.2 Nilai Homogeneity Index berdasarkan Volume PTV
Sampel menggunakan sepuluh data pasien kanker serviks yang telah melakukan radioterapi. Setiap
pasien kanker serviks mempunyai data DVH. Data nilai dosis PTV pada DVH selanjutnya digunakan
untuk menghitung nilai Homogeneity Index menggunakan persamaan (1.1). Tabel 3.1 menyajikan nilai
rata-rata HI berdasarkan besarnya volume PTV atau volume target penyinaran radioterapi. Volume PTV
yang digunakan sebagai sampel mempunyai ukuran dari (800-1800) cm3.
Tabel 3.1 Pengaruh Volume PTV Terhadap Nilai HI
Volume PTV (cm3) Rata-rata Homogeneity Index (HI)
800-1000 0,088
1001-1200 0,065
1201-1400 0,065
1401-1600 0,064
1601-1800 0,061
Volume PTV setiap pasien kanker serviks berbeda ukurannya. Hal ini dikarenakan ukuran kanker
yang berbeda. Perbedaan volume PTV tentunya akan memengaruhi dosis yang akan diberikan ke
setiap pasien. Dosis radiasi yang diberikan kepasien kanker serviks bergantung kepada ukuran, bentuk,
dan posisi kanker. Karena besar dosis yang diberikan berbeda, tentunya akan berpengaruh terhadap
keseragaman dosis atau Homogeneity Index (HI)[2]. Rata-rata nilai HI yang paling rendah adalah 0,061
dengan volume PTV (1601-1800) cm3 dan yang paling tinggi adalah 0,088 dengan volume PTV (800-
1000) cm3. Perbedaan nilai HI ini dikarenakan besarnya dosis yang didistribusikan berbeda[8].
3.3 Nilai Homogeneity Index berdasarkan Jumlah Lapangan Penyinaran
Nilai Homogeneity Index dari setiap pasien selanjutnya dibandingkan berdasarkan jumlah lapangan
penyinaran radioterapi. Hal ini dilakukan untuk mengetahui apakah ada pengaruh jumlah lapangan
penyinaran radioterapi terhadap nilai HI. Lapangan penyinaran pada radioterapi merupakan bidang yang
akan disinari oleh radiasi pengion. Lapangan penyinaran dapat berbeda jumlahnya untuk setiap kasus
kanker yang akan melakukan radioterapi. Hal ini bergantung pada posisi dan bentuk kanker itu sendiri.
Setiap lapangan atau bidang penyinaran dilakukan penyinaran dari sudut yang berbeda.
Gambar 3.2 Nilai Homogeneity Index berdasarkan Jumlah Lapangan Penyinaran

167
Sampel yang digunakan berjumlah sepuluh pasien kanker serviks. Lima pasien diberikan radioterapi
dengan 4 lapangan penyinaran dan lima pasien diberikan radioterapi dengan 8 lapangan penyinaran.
Sudut penyinaran yang digunakan untuk semua pasien dengan 4 lapangan penyinaran yaitu: 0°, 90°,180°
dan 270°. Sudut penyinaran yang digunakan untuk semua pasien dengan 8 lapangan penyinaran yaitu
0°, 45°, 90°,135°, 180°, 225°, 270° dan 315°.
Gambar 3.2 menyajikan nilai HI berdasarkan jumlah lapangan penyinarannya. Garis berwarna cokelat
muda menunjukkan nilai HI dari lima pasien kanker serviks yang diberikan 4 lapangan penyinaran. Garis
berwana cokelat tua menunjukkan nilai HI dari lima pasien kanker serviks yang diberikan 8 lapangan
penyinaran. Nilai HI untuk 4 lapangan penyinaran adalah (0,0893; 0,0883; 0,0877; 0,0725; 0,068).
Nilai HI untuk 8 lapangan penyinaran adalah (0, 0,0716; 0,0715; 0,0601; 0,06; 0,0505). Mengacu
pada ketetapan International Commission on Radiation Units and Measurements (ICRU) Report 83
yang menetapkan nilai ideal untuk Homogeneity Index untuk teknik penyinaran 3D-CRT adalah 0[14].
Nilai Homogeneity Index 0 menandakan dosis yang disinari ke target kanker itu homogen atau merata.
Begitu juga sebaliknya, apabila nilai HI yang didapat melebihi 0, artinya dosis yang mengenai target
kanker tidak seragam. Hasil penelitian ini menunjukkan bahwa penyinaran radioterapi di Rumah Sakit
Pendidikan Universitas Hasanuddin masih memenuhi standar yang ditetapkan ICRU Report 83. Nilai
tersebut tidak menyimpang jauh dari keseragaman dosis yang ideal yaitu 0.
Nilai HI berdasarkan setiap lapangan penyinaran selanjutnya dirata-ratakan untuk melihat
perbandingan nilai secara keseluruhan. Rata-rata nilai HI secara berurut adalah 0,0811 (4 lapangan
penyinaran) dan 0,0627 (8 lapangan penyinaran). Jumlah lapangan penyinaran yang memiliki nilai HI
paling rendah adalah 8 lapangan penyinaran. Hal ini menunjukkan bahwa dengan bertambahnya jumlah
lapangan penyinaran memiliki keseragaman dosis yang baik atau tepat mengenai target kanker dan tidak
terhambur[5].
4. KESIMPULAN
Volume PTV setiap pasien kanker serviks berbeda ukurannya. Hal ini dikarenakan ukuran kanker
yang berbeda. Perbedaan volume PTV mempengaruhi keseragaman distribusi dosis (HI). Hal ini dapat
dilihat dari rata-rata nilai HI yang paling rendah adalah 0,061 dengan volume PTV (1601-1800) cm3
dan yang paling tinggi adalah 0,088 dengan volume PTV (800-1000) cm3. Lapangan penyinaran juga
memengaruhi nilai Homogeneity Index (HI) pada radioterapi kanker serviks. Nilai rata-rata HI untuk
(4 dan 8) lapangan penyinaran secara berurut adalah 0,0811 dan 0,0627. Hal ini menunjukkan bahwa
dengan bertambahnya jumlah lapangan penyinaran maka akan diperoleh keseragaman distribusi dosis
yang baik.
UCAPAN TERIMAKASIH
Terima kasih kepada Direktur Utama Rumah Sakit Pendidikan Universitas Hasanuddin, Instalasi
dan Staff Radioterapi Rumah Sakit Pendidikan Universitas Hasanuddin yang telah menyediakan sarana
dan prasarana sehingga penelitian ini dapat terlaksanakan dengan baik, serta semua pihak yang telah
membantu kelancaran penelitian ini.
DAFTAR PUSTAKA
1. Bray F., Laversanne M., Weiderpass E., Soerjomataram I., 2021. The ever-increasing importance of
cancer as a leading cause of premature death worldwide. Cancer. 127(16):3029- 3030.
2. Tai D. T., Oanh L. T., Phuong P. H., Sulieman A., Abolaban F. A., Omer H., Chow J. C. L., 2022.
Dosimetric and radiobiological comparison in head and neck radiotherapy using JO-IMRT and
3D-CRT. Saudi Journal of Biological Sciences. 103336.
3. Liu Z., Liu X., Guan H., Zhen H., Sun Y., Chen Q., Chen Y., Wang S., Qiu J., 2020. Development
and validation of a deep learning algorithm for auto-delineation of clinical target volume and organs
at risk in cervical cancer radiotherapy. Radiotherapy and Oncology. 153: 172-179.
4. Desta A. A., Endale Z. M., Aklil M. B., 2022. Cervical cancer screening utilization and associated
168
factors among women of 30–65 years in Girar Jarsoo district North shoa, Ethiopia, 2021. Clinical
Epidemiology and Global Health. 15 : 101048.
5. Zhao X., Liu X., Chen D., He Y., 2022. Extended-field radiotherapy bowel sparing for cervical
cancer after surgical staging: Intensity-modulated radiation therapy versus helical tomotherapy.
Journal of Radiation Research and Applied Sciences. 15 : 163-169.
6. Febrietri O., Milvita D., Diyona F., 2020. Analisis Dosis Radiasi Paru-Paru Pasien Kanker Payudara
dengan Teknik Three-Dimensional Conformal Radiation Therapy (3D-CRT) Berdasarkan Grafik
Dose Volume Histogram (DVH). Jurnal Fisika Unand. 9(1) : 110–117.
7. Siddiquea A., Chow J. C. L., 2020. Artificial intelligence in radiotherapy. Reports of Practical
Oncology and Radiotherapy. 25 : 656–666.
8. Mahmoudi L.,Mostafanezhad K., Zeinali A., 2022. Performance evaluation of a Monte Carlo-based
treatment planning system in out-of-field dose estimation during dynamic IMRT with different dose
rates. Informatics in Medicine Unlocked. 29 : 100912.
9. Dawod T., Omar R., 2015. Assessment of brain dose distribution for ARC and conformal radiation
therapy (CRT): A comparison study. Journal of Radiation Research and Applied Sciences. 8 : 55-60.
10. Lee H. L., Lim L. H., Master Z., Wong S. M. M., 2020. The role of breath hold intensity modulated
proton therapy for a case of left-sided breast cancer with IMN involvement. How protons compare
with other conformal techniques?. Technical Innovations & Patient Support in Radiation Oncology.
15 : 1-5.
11. Khan M. I., Rehman J. U., Afzal M., Chow J. C. L., 2022. Comparison of plan dosimetry on multi-
targeted lung radiotherapy: A phantom-based computational study using IMRT and VMAT. Nuclear
Engineering and Technology. 10 : 1016.
12. Krim D. E., Rrhioua A., Zerfaoui M., Bakari D., Oulhouq Y., Hanouf N., 2021. Dosimetric
comparison of three-field and four-field 3D conformal radiation therapy ballistics for rectal cancer
treatment. Materials Today: Proceedings. 2 : 623.
13. Effina A., Milvita D., Ilyas M. 2022. Distribusi Dosis Radiasi Foton Pada Treatment Planning System
Menggunakan Teknik 3D-CRT dan IMRT untuk Terapi Kanker Serviks. Jurnal Fisika Unand. 11(1):
126 – 130.
14. The International Commission on Radiation Units and Measurements (ICRU) Report 83.
169
Pemrosesan Citra Chest CT-Scan Bebasis

AI untuk Deteksi Covid-19
Eko Juarlin1, Rezky Rachmadany Rachman*1, Syamsir Dewang1, Sri Dewi Astuty1
1
Program Studi Fisika, Fakultas MIPA, Universitas Hasanuddin,
E-mail: *1kikirezkyrrr@gmail.com
Abstrak
Coronavirus Disease (Covid-19) disebabkan oleh virus Severe Acute Respiratory Syndrome
Coronavirus-2 (SARS-CoV-2) yang menginfeksi saluran pernapasan. Covid-19 memiliki tingkat
penularan yang tinggi dan menjadi pandemik dalam kurun waktu yang singkat. Proses penanganan
yang lamban akan mengakibatkan komplikasi hingga kematian. Data mining mampu mengidentifikasi
Covid-19 dengan mudah dan membantu para dokter dalam mendiagnosa penderita Covid-19 . Pada
penelitian ini, digunakan data latih dan data uji berupa citra digital Chest CT-Scan untuk kondisi
positif Covid-19 dan non-covid-19 dengan esktarksi fitur Gray-Level Co-occurrence Matrix (GLCM).
Pengklasifikasi dilakukan dengan 3 (tiga) algoritma, yaitu Artificial Neural Network (ANN), Random
Forest (RF), dan Decision Trees (DTs). Nilai akurasi pada dataset dengan 90 citra chest CT-Scan
menggunakan pengklasifikasi ANN memperoleh 91,11%, RF dan DTs memperoleh 94,44%.
Kata Kunci: Deteksi Covid-19, GLCM, Artificial Neural Network, Random Forest, dan Decision Trees.
1. PENDAHULUAN
Pada akhir Februari 2003 di Cina, penduduk Guangdong terinfeksi virus Severe Acute Respiratory
Syndrome (SARS). Kemudian, muncul virus baru di penghujung 2019 dengan subkelompok yang sama;
beta Coronavirus–menewaskan ratusan nyawa dan menyebar ke seluruh dunia dengan pesat1,2. Pada 12
Februari 2020, World Health Organization (WHO) resmi menyatakan penyakit ini dengan sebutan Corona
Virus Disease 2019 (Covid-19)3,4. Data statistik dari Center for Systems Science and Engineering (CSSE)
di Johns Hopkins University (JHU) menunjukkan total kasus terkonfirmasi di seluruh dunia sebanyak
388.048.849 dan 5.712.849 kasus meninggal per 4 Februari 2022. Kasus baru terus terjadi sebab Covid-19
dapat ditularkan dari manusia ke manusia melalui tetesan berukuran mikron dari hidung dan/atau mulut.
Virus ini memengaruhi saluran pernafasan dan menimbulkan lapisan luka pada thorax. Tingkat keparahan
yang tinggi dapat menyebabkan pneumonia, sindrom pernafasan akut, dan kematian5,6.
Mengetahui seorang terinfeksi Covid-19 secara efektif merupakan masalah yang tengah dihadapi
saat ini. Tes antibodi dan antigen, seperti Polymerase Chain Reaction (PCR) sebagai alat pendeteksi,
membutuhkan waktu yang lama sehingga tidak memadai dengan jumlah penderitanya7. Sedangkan
untuk mengidentifikasi bentuk atau infeksi yang ditimbulkan oleh Covid-19 perlu dilakukan scan atau
pencitraan dengan menggunakan Computed Tomography (CT-Scan)8,9. Berdasarkan kajian literatur10,
citra thorax CT-Scan pasien Covid-19 menunjukkan air bronchogram, konsolidasi, dan ground-glass
opacities (GGO) sebagai indikasi kerusakan thorax. Namun, ahli radiologi dalam mengamati citra
thorax pada penderita Covid-19 masih bersifat subjektif, sehingga hasil analisisnya masih bias karena
dipengaruhi oleh pengalaman pengamat itu sendiri11. Untuk itu, diperlukan model identifikasi otomatis
saat menggunakan pencitraan CT-Scan penderita Covid-19 yang akan mengurangi keterlibatan manual.
Proses deteksi citra CT-Scan dapat diidentifikasi berdasarkan warna, tekstur, dan ciri lainnya.
Beberapa paper telah menunjukkan penelitian dengan berbagai metode. Seperti yang dilakukan oleh Tri
Deviasari Wulan dan rekannya12, memperoleh akurasi sebesar 85% pada 60 citra chest CT-scan dengan
fitur GLCM dan klasifikasi Probabilistic Neural Network (PNN) untuk membedakan nodule dan bukan
nodul paru-paru. Peningkatan nilai akurasi dilakukan oleh Nilanjan Dey13, dkk menggunakan Random-
Forest (RF) dengan performa 87%, menggunakan fitur Hu Moments, CWT, DWT, EWT, dan haralick
(GLCM) untuk mencari informasi data Covid-19. Selanjutnya, Fitriyasari14 menghasilkan akurasi sistem
170
sebesar 87,8% pada 205 citra X-ray dengan machine learning sederhana–jaringan syaraf tiruan yang
dikombinasikan dengan teknik pengolahan citra digital.
Penelitian sebelumnya menunjukkan bahwa proses chest CT-Scan memerlukan proses tambahan,
yaitu pemrosesan citra digital agar informasi terkait deteksi Covid-19 terhadap paru-paru yang terpapar
lebih mudah dideteksi dan pastinya pemilihan ektraksi fitur dan ciri yang tepat akan meningkatkan
performa dari deteksi Covid-19. Berdasarkan paparan yang telah dijelaskan di atas, maka peneliti
melakukan pengklasifikasian data citra chest CT-Scan untuk mengidentifikasi penyakit Covid-19
dengan menggunakan ekstraksi fitur GLCM dengan metode klasifikasi Artificial Neural Network
(ANN), Random Forest (RF), dan Decision Trees (DTs). Penelitian ini dilakukan dengan harapan
mampu mengidentifikasi Covid-19 berdasarkan data chest CT-Scan, sehingga hasil dari klasifikasi dapat
bermanfaat dan membantu tenaga medis untuk mengklasifikasi antara pasien yang terinfeksi Covid-19
dan non-Covid-19.
2. BAHAN DAN METODE

DATASET
Dataset diperoleh dari Instalasi Radiologi Rumah Sakit Universitas Hasanuddin sebanyak 30 citra
Covid-19 dan 60 citra Non-Covid-19, yang digunakan sebagai input data untuk diproses pada tahap
pre-processing, segmentasi, dan ekstraksi fitur serta pengklasifikasian melalui metode Artificial Neural
Network (ANN), Random Forest (RF), dan Decision Trees (DTs). Sampel citra chest CT-scan dapat
dilihat pada Gambar 115.
(a) (b)
Gambar 1 (a) Citra chest CT-Scan non covid dan (b) covid
PRE-PROCESSING
Pertama, dilakukan resize, mengubah ukuran awal dari citra. menjadi 224 × 224. Langkah
selanjutnya, edge-aware local contrast untuk meningkatkan kontras lokal dari grayscale atau gambar
RGB. Tahap awal, citra grayscale diberikan fungsi edgeThreshold yang mendefinisikan amplitudo
intensitas minimum dari tepi untuk dibiarkan utuh dalam kisaran 0-1, jika nilai mendekati 0 citra akan
mendekati gambar aslinya, sedangkan jika mendekati nilai 1 citra akan meningkatkan intensitas contrast
dari gambar tersebut. Tahap akhir, mengatur parameter nilai edgeThreshold untuk menyesuaikan tingkat
kontras yang diinginkan. Penelitian ini menggunakan edgeThreshold 0.9 untuk meningkatkan kualitas
kontras dari citra, sedangkan jika edgeThreshold diberikan nilai 1 proses pre-processing mengalami
error mengakibatkan citra tidak dapat ditingkatkan kualitasnya. Dalam proses ini diperlukan untuk
melihat lebih jelas bagian daerah mana yang telah terpapar oleh Covid-1915.
SEGMENTASI CITRA
Menggunakan active contour–model kurva tertutup yang bergerak melebar ataupun menyempit
dengan cara meminimumkan energi citra eksternal dan juga dipengaruhi garis ataupun tepi (edge). Tahap
awal, pada proses active contour citra dibutuhkan iterasi nilai n yang digunakan untuk menginisialisasikan
bagian paru-paru foreground pada proses segmentasi dan merupakan titik terkendali yang berurutan satu
sama lainnya, dengan nilai n yang digunakan sebesar 500 karena untuk memilih paru-paru foreground
yang utuh, sedangkan jika nilai n di bawah 500 paru-paru tidak semuanya terpilih sebagai foreground.
Tahap akhir, memisahkan bagian foreground dan background pada paru-paru dengan menggunakan
171
metode active contour. Dengan active contour bagian dari paru-paru dipilih sebagai foreground yang
telah diminimumkan energi citranya dengan model kurva tertutup, sedangkan bagian yang tidak terpilih
merupakan bagian background dari paru-paru. Dengan segmentasi ini, citra keabuaan akan diubah
menjadi citra biner sehingga akan diketahui daerah yang merupakan objek foreground dan background15.
EKSTRAKSI FITUR
Hasil citra segmentasi diekstraksi dengan fitur GLCM pada orientasi arah 0° dengan tahap15:
a. Mengambil matriks citra biner dengan foreground paru chest CT- Scan.
b. Menghitung kemunculan jumlah matriks yang sama.
c. Menjumlahkan matriks GLCM dengan tranposenya untuk menjadikannya simetris.
d. Normalisasi matriks dengan mengubah nilai matriks menjadi nilai statistik.
e. Menghitung fitur-fitur GLCM, yakni ASM or energy, contrast, homogeneity, correlation dan,
dissimilarity, berikut persamaannya:
1) Energi (Energy)/Angular Second Moment/Uniformity
Energi digunakan untuk menentukan intensitas keabuan dengan ukuran konsentrasi pasangan
tertentu.
ASM = / i,j = 0 Pi2,j (1)
levels - 1
Energy = ASM (2)

2) Kontras (Contrast)
Kontras merupakan perhitungan yang berhubungan dengan jumlah keberagaman intensitas yang
ada pada citra keabuan.
Contrast = / i,j = 0 Pi,j _i - j i (3)
levels - 1 2
3) Homogenitas (Homogenity)/Inverse difference moment

Homogenitas digunakan untuk menentukan jumlah level keabuan yang semakin tinggi.
Pi,j
Homogenity = / i,j = 0 (4)
levels - 1
1 + _i - j i
2
4) Korelasi (Correlation)
Korelasi merupakan perhitungan untuk memberikan petunjuk struktur linier dalam citra dengan
menunjukkan ketergantungan linier derajat keabuan.
_i - ni i` j - n j j
Correlation = / i,j = 0 Pi,j (5)
levels - 1
v1 vi
5) Ketidakmiripan (Dissimilarity)
Mengukur ketidakmiripan suatu tekstur, yang akan bernilai besar bila acak dan sebaliknya akan
bernilai kecil bila seragam.
Dissimilarity = / i,j = 0 Pi,j i - j (6)
levels - 1
KLASIFIKASI
Terdapat dua kelas yang digunakan dalam proses klasifikasi, yaitu non-covid dan covid. Proses
ini menggunakan bantuan aplikasi Rapidminer untuk mempermudah pengklasifikasian ciri fitur yang
digunakan. Tahap Pertama, input data Rapidminer adalah data excel yang berisi nilai ekstraksi fitur
yang telah dikategorikan kelas 0 untuk non-covid dan 1 untuk covid. Tahap kedua, nilai ekstraksi
tesebut dinormalisasi untuk mengubah skala nilai atribut agar sesuai dalam rentang tertentu. Pada proses
ini digunakan normalisasi proportion range, di mana setiap nilai atribut dinormalisasi sebagai proporsi
dari jumlah total atribut masing-masing, yaitu nilai atribut dibagi dengan jumlah total nilai atribut.
Tahap ketiga, data yang telah dinormalisasi selanjutnya dipisahkan menjadi data testing dan data
training menggunakan operator cross-validation untuk memperkirakan kinerja statistik dari data yang
digunakan. Tahap keempat, data testing dan training digabungkan untuk diklasifikasi menggunakan
classifer Artificial Neural Network (ANN), Random Forest (RF), dan Decision Trees (DTs). Tahap
terakhir, dari classifer tersebut didapatkan hasil untuk menentukan performa dari deteksi Covid-19.
172
METODE EVALUASI
Cross-validation
Prinsip dari K-fold adalah membagi tiap kelompok data yang digunakan untuk data pelatihan dan
pengujian sejumlah K, dimana nilai K-fold yang digunakan dalam penelitian ini yaitu 3.
Confusion Matrix
Confusion matrix sangat diperlukan sebagai struktur umum dari prosedur diagnosis actual dan
predicted. Tabel Confusion matrix dijelaskan pada Tabel 1.
Tabel 1. Confusion matrix
Actual True Actual False
Predicted True True Positive (TP) False Negative (FN)
Predicted False False Positive (FP) True Negative (TN)
Keterangan:
TP = true positive (banyaknya citra covid yang berhasil terdeteksi sebagai covid).
TN = true negative (banyaknya citra non covid yang berhasil terdeteksi sebagai non covid).
FP = false positive (banyaknya citra covid yang terdeteksi sebagai non covid).
FN = false negative (banyaknya citra non covid yang terdeteksi sebagai covid).
Unjuk kerja pada sistem dihitung berdasarkan parameter berikut:
1. True Positif (TP), False Positif (FP), False Negatif (FN) dan True Negatif (TN)
2. Akurasi
Akurasi merupakan ketepatan suatu hasil pengukuran yang mendekati nilai sebenarnya.
TP - TN (7)
Akurasi = TP + TN + FP + FN # 100%
3. Sensitivitas
Sensitivitas menunjukkan kemungkinan pengujian/testing bernilai benar dengan mengidentifikasi
subjek yang memang terdeteksi sebagai terinfeksi covid.
TP (8)
Sensitivitas = TP + FN # 100%
4. Spesifisitas
Spesifisitas menunjukkan kemungkinan pengujian/testing bernilai benar dengan mengidentifikasi
orang yang memang terdeteksi sebagai pasien non-covid.
TN (9)
Spesifitas = TN + FP # 100%

HASIL EKSTRAKSI FITUR
Tabel di bawah merupakan hasil ekstraksi ciri fitur GLCM, nilai diperoleh berdasarkan perhitungan
menggunakan persamaan (1)-(6) pada bagian “Ekstraksi Fitur”. Nilai ciri ini digunakan sebagai masukan
(input) klasifikasi yang diberi kode 1 untuk covid dan non-covid sebagai kelas 0.
Tabel 2. GLCM Features
Citra Kontras Homogenitas Energi/ASM Korelasi Ketidakmiripan Kelas
1 6,52845747e+01 4,18816589e-01 6,04274327e-02 9,94101842e-01 3,80608359e+00 0
2 6,40219455e+01 4,18814963e-01 5,97541640e-02 9,94035956e-01 3,74893399e+00 0
3 6,13606652e+01 4,14571122e-01 5,84586378e-02 9,94244866e-01 3,80339518e+00 0
4 2,99364954e+02 1,16831756e-01 1,94655938e-02 9,48990658e-01 1,43751563e+01 1
5 2,63284027e+02 1,19009329e-01 1,96581008e-02 9,53609970e-01 1,36025338e+01 1
6 2,41351379e+02 1,23131281e-01 1,99601671e-02 9,52971306e-01 1,39140746e+01 1
⁝ ⁝ ⁝ ⁝ ⁝ ⁝ ⁝
173
Citra Kontras Homogenitas Energi/ASM Korelasi Ketidakmiripan Kelas

85 6,58400806e+01 4,17843689e-01 5,42153085e-02 9,93507846e-01 4,35822821e+00 0
86 6,63793422e+01 4,09748336e-01 5,41042559e-02 9,93352529e-01 4,25724335e+00 0
87 6,36394970e+01 4,12465303e-01 4,79797383e-02 9,93772483e-01 4,32178258e+00 0
88 2,85187466e+02 1,21735465e-01 1,97264972e-02 9,49374562e-01 1,39657813e+01 1
89 3,12035659e+02 1,19327647e-01 2,00059155e-02 9,45969663e-01 1,39297476e+01 1
90 2,83695274e+02 1,22746277e-01 1,96053999e-02 9,52102478e-01 1,35930025e+01 1
Dari ciri tersebut, dapat dilihat pada kolom contrast atau yang disebut juga inertia, menyatakan
jumlah keberagaman intensitas keabuan citra. Nilai contrast akan semakin tinggi jika derajat keabuan
setiap pasangan pikselnya semakin jauh. Pada table di atas menghasilkan nilai inertia pada citra non-
covid jauh lebih rendah dibandingkan dengan citra covid. Terdapat perbedaan tingkat keabuan yang
tinggi pada citra covid, sedangkan non-covid memiliki tingkat keabuan yang hampir sama dengan piksel
tetangganya. Hal ini sesuai dengan gambar 2(b), dimana terdapat bercak putih pada citra Covid chest
CT-Scan dibandingkan dengan gambar 2(a).
Nilai Homogeneity menunjukkan jumlah level keabuan yang sejenis pada citra, jika piksel semakin
seragam maka nilai homogeneity makin tinggi. Pada tabel di atas, jelas bahwa nilai pada class 0
memperoleh nilai yang lebih tinggi dibanding dengan class 1. Hasil perhitungan dari algoritma yang
dilakukan sesuai dengan teori yang ada, di mana citra non-covid nampak bersih dengan paru-paru yang
penuh udara tanpa adanya bercak putih.
Pada tabel hasil GLCM, terlihat correlation memiliki nilai yang hampir sama pada masing-masing
kasus, yakni non-covid sebesar >0.99 dan semua covid pun bernilai 0.94-0.95. Hal ini sesuai bahwa
correlation sebagai fitur yang melakukan perhitungan untuk menunjukkan ukuran ketergantungan
derajat keabuan untuk memberikan petunjuk adanya struktur linear dalam citra.
Sama halnya dengan ciri energi yang bisa disebut uniformity atau ASM, menyatakan konsentrasi
pasangan dengan intensitas keabuan pada matriks. Pada class 0 menghasilkan ekstraksi energi dengan
nilai yang lebih tinggi dari pada class 1, yang berarti hal ini sesuai dengan syarat dari nilai energi, yaitu
uniformity akan memperoleh nilai yang tinggi ketika citra memiliki homogenitas yang baik atau nilai
piksel yang hampir serupa. Karena tidak adanya lesi atau kabut yang terlihat pada citra chest CT-Scan
untuk kasus non-covid, maka paru-paru tersebut bersih yang diwakilkan oleh warna keabuan yang sama.
Dari penjelasan di atas, dapat disimpulkan bahwa nilai dari hasil perhitungan algoritma ekstraksi
fitur berbasis GLCM pada citra chest CT-Scan covid maupun non-covid telah sesuai dengan teori yang
berlaku.
KLASIFIKASI DAN EVALUASI PERFORMA
Dari percobaan yang diuji, nilai TP, TN, FP, dan FN merupakan hasil dari nilai penggabungan
antara data pelatihan dan pengujian. Tinggi nilai TP dan rendahnya nilai FN akan meningkatkan nilai
sensitifitas, sedangkan tinggi nilai TN dan rendahnya nilai FP akan meningkatkan nilai spesifisitas. Pada
klasifikasi yang digunakan, performa pada tingkat akurasi, sensitifitas, dan spesifisitas memperoleh nilai
yang tinggi. Hasil unjuk kerja dipaparkan pada tabel di bawah.
Tabel 3. Performa Klasifikasi
Metode TP TN FP FN Akurasi Sensitivitas Spesifisitas
ANN 25 57 3 5 91,11% 95% 83,33%
RF 26 59 1 4 94,44% 98,33% 86,67%
DTs 26 59 1 4 94,44% 98,33% 86,67%
Dari tabel di atas, terlihat bahwa dari kedua metode yang digunakan, Random Forest dan Decision
Trees memiliki nilai akurasi dan sensitivitas yang tinggi dibandingkan dengan Artificial Neural Network.
Tingkat akurasi tertinggi dengan nilai 94,44% yang memiliki nilai yang sama pada parameter K-fold
174
yang digunakan. Sedangkan tingkat sensitivitas tertinggi juga didapatkan pada metode RF dan DTs
dengan nilai 98,33%. Diikuti dengan nilai spesifisitas 86,67%. Dengan klasifikasi RF dan DTs diketahui
bahwa fitur GLCM dengan nilai k-fold 3 mampu mendeteksi non-covid dan covid dengan performa yang
baik. Pada pengujian ini, metode yang menggunakan classifier RF dan DTs lebih sesuai dibandingkan
dengan ANN karena beberapa fitur dari GLCM lebih dapat mengakomodasi pada metode tersebut.
PERBANDINGAN PERFORMA METODE EKTRAKSI
Tabel 4. Perbandingan Performa Metode Ekstraksi
No. Literatur Ekstraksi Fitur Klasifikasi Akurasi Dataset
1 Tri Deviasari GLCM PNN 85% 60 citra CT-Scan
Wulan, dkk
2 Nilanjan Dey, GLCM, Hu Moments, Random-Forest 87% 78 citra CT-Scan
dkk CWT, DWT, EWT (RF)
3 Fitriyasari GLCM ANN 87,8% 205 citra X-Ray
4 Metode yang GLCM RF dan Decision 94,44% 90 citra CT-Scan
Diuji Trees
Pada Tabel 4, hasil pada pengujian yang telah dilakukan akan dibandingkan dengan penelitian dari
berbagai peneliti. Pada penelitian Tri Deviasari Wulan dan dkk, menggunakan segmentasi region of
interest (ROI) kemudian diekstraksi dengan fitur GLCM dan klasifikasi menggunakan Probabilistic
Neural Network (PNN) menghasilkan tingkat akurasi sebesar 85%. Pada Penelitian Nilanjan Dey dan
dkk, menggunakan SGO-K thresholding, K-means clustering, dan morphological segmentation untuk
proses sebelum data diekstraksi. Pada penelitian ini, menggunakan beberapa fitur yaitu Hu Moments,
CWT, DWT, EWT dan haralick fitur (GLCM) untuk mencari informasi data covid-19. Klasifikasi yang
digunakan yaitu Rando-Forest (RF), Support Vector Machine-radial basis Function (SVM-RBF),
K-Nearest Neighbors (KNN), dan Decision Tree (DT). Performa yang dihasilkan dalam penelitian ini
sebesar 87%.
Dengan menggunakan metode yang diuji pada penelitian ini, maka diketahui nilai akurasi lebih
tinggi dibandingan penelitian-penelitian sebelumnnya, dengan nilai 94,44% untuk RF dan DTs serta
91,11% untuk ANN. Hal ini dikarenakan jumlah data yang digunakan lebih banyak, tahapan metode
yang digunakan berbeda, seperti adanya preprocessing dataset terlebih dahulu, resize, RGB to grayscale,
peningkatan kontras lokal, dan segmentasi. Tak hanya itu, sebelum melakukan klasifikasi data ciri
dinormalisasi untuk mengubah skala nilai atribut agar sesuai dalam rentang tertentu. Pada penelitian Tri
Deviasari Wulan, performa yang dihasilkan lebih rendah dibandingkan penguji lainnya, hal ini mungkin
terjadi karena pada penelitian tersebut, tidak menggunakan pre-processing dan data yang digunakan
lebih sedikit, tetapi memungkinkan hasil ekstraksi fitur yang digunakan dapat mengakomodasi klasifer.
Dari penelitian-penelitian yang telah dilakukan, tentu saja dimungkinkan beberapa ciri fitur yang cocok
dapat digunakan untuk mengakomodasi klasifer untuk menghasilkan performa yang baik. Sehingga,
tahapan-tahapan untuk menghasilkan nilai ciri fitur harus dengan pemilihan yang tepat agar performa
yang dihasilkan dapat lebih baik.
4. KESIMPULAN
Klasifikasi Covid-19 dan non-Covid-19 menggunakan metode Artificial Neural Network (ANN),
Random Forest (RF), dan Decision Trees (DTs) menunjukkan hasil kinerja yang sangat baik dengan
akurasi 94,44% dan 91,11% dalam menganalisis citra Covid-19 dan non-Covid-19. Pada pengujian
ini, metode yang menggunakan classifier RF dan DTs lebih tepat dibandingkan dengan ANN karena
beberapa fitur dari GLCM lebih akomodatif terhadap kedua classifier tersebut.
UCAPAN TERIMA KASIH

Dirangkum sebagai ungkapan terima kasih kepada Jurusan Fisika Universitas Hasanuddin dan
175
Rumah Sakit Universitas Hasanuddin, serta kepada semua pihak yang telah membantu dalam penelitian
dan review naskah.
DAFTAR PUSTAKA
1. L. Chang, Y. Yan, and L. Wang, “Coronavirus Disease 2019: Coronaviruses and Blood Safety,”
Transfusion Medicine Reviews, vol. 34, no. 2, pp. 75-80, DOI: 10.1016/j.tmrv.2020.02.003 (2020)
2. T. Singhal, “A Review of Coronavirus Disease-2019 (COVID-19),” The Indian Journal of Pediatrics,
vol. 87, pp. 281–286, 2020. DOI: 10.1007/s12098-020-03263-6.
3. C.-C. Lai, T.-P. Shih, W.-C. Ko, H.-J. Tang, and P.-R. Hsueh, “Severe acute respiratory syndrome
coronavirus 2 (SARS-CoV-2) and corona virus disease-2019 (COVID-19): the epidemic and the
challenges,” International Journal of Antimicrobial Agents, vol. 55, no. 3, 2020. DOI: 10.1016/j.
ijantimicag.2020.105924.
4. F. A. Rabi, M. S. Al Zoubi, G. A. Kasasbeh, D. M. Salameh, and A. D. Al-Nasser, “SARS-CoV-2
and Coronavirus Disease 2019: What We Know So Far,” Pathogens, vol.9, 2020. DOI: 10.3390/
pathogens9030231.
5. Y. Han, and H. Yang, “The transmission and diagnosis of 2019 novel coronavirus infection disease
(COVID‐19): A Chinese perspective,” Journal of Medical Virology, vol. 92, no. 6, pp. 639-644,
2020. DOI: 10.1002/jmv.25749.
6. D. Wang, B. Hu, C. Hu, et al., “Clinical Characteristics of 138 Hospitalized Patients With 2019 Novel
Coronavirus–Infected Pneumonia in Wuhan, China,” Journal of the American Medical Association,
vol. 323, no. 11, pp. 1061–1069, 2020. DOI: 10.1001/jama.2020.1585
7. S. Srivatsan, P. D. Han, K. van Raay, C. R. Wolf, et al., “Preliminary support for a dry
swab, extraction free protocol for SARS-CoV-2 testing via RT-qPCR,” bioRxiv, 2020. DOI:
10.1101/2020.04.22.056283.
8. S. Ahuja, B. K. Panigrahi, N. Dey, V. Rajinikanth, and T. K. Gandhi, “Deep transfer learning-based
automated detection of COVID-19 from lung CT scan slices,” Applied Intelligence, 2020. DOI:
10.1007/s10489-020-01826-w.
9. M. Chung, A. Bernheim, X. Mei, N. Zhang, M. Huang, X. Zeng, J. Cui, W. Xu, Y. Yang, Z. A. Fayad,
A. Jacobi, K. Li, S. Li, and H. Shan, “CT Imaging Features of 2019 Novel Coronavirus (2019-
nCoV),” Radiology, vol. 295, no. 1, pp. 202-207, 2020. DOI: 10.1148/radiol.2020200230.
10. Malaru, Rondo, Wagiu., Gambaran Hasil CT-Scan Toraks pada Pasien Coronavirus Disease 2019
(COVID-19). e-CliniC. 2021;9(1):212-217
11. V. Rajinikanth, N, Dey, A. N. J. Raj, A. E. Hassanien, K. C. Santosh, and N. S. M. Raja, “Harmony-
Search and Otsu based System for Coronavirus Disease (COVID-19) Detection using Lung CT Scan
Images,” arXiv, 2020. arXiv: 2004.03431.
12. A. Amyar, R. Modzelewski & S. Ruan, Multi-task Deep Learning Based CT Imaging Analysis For
COVID-19: Classification and Segmentation. Computers in Biology and Medicine. (2020).
13. N. Dey, V. Rajinikanth, S. J. Fong, M. S. Kaiser, and M. Mahmud, “Social Group Optimization–
Assisted Kapur’s Entropy and Morphological Segmentation for Automated Detection of COVID-19
Infection from Computed Tomography Images,” Cognitive Computation, vol. 12, no. 5, pp. 1011–
1023, 2020.
14. M. Fitriyasari, Deteksi Covid-19 Pada Citra X-Ray Dada Menggunakan Machine Learning. Jurnal
INSTEK. Vol. 7, No. 1, 2022.
15. R.R.Rachman, S. Dewang, S.D.Astuty, dan E. Juarlin. “Covid-19 Detection on Chest CT-Scan Image
Using GLCM-Based Feature Extraction with K-NN and Naïve Bayes Classification”. International
Journal of Scientific and Research Publications, Vol. 12, No. 8, 2022.
176
Pengaruh Pengukuran Ketebalan Irisan

Terhadap Kualitas Citra pada Pesawat CT
SCAN Menggunakan Phantom AAPM
Nurul Magfirawati*1,Syamsir Dewang2, Ulfa Rasyida3,
Fatmasari Radjab4, Sri Dewi Astuti5
1,2,5
Departemen Fisika Kons. Fisika Medik FMIPA Unhas.
3
Bagian Radiologi Rumah Sakit Haji Makassar
4
Bagian Radiologi Rumah Sakit Universitas Hasanuddin, Makassar
Email: *1nurulmagfirawati15@gmail.com
Abstrak
Kontrol kualitas peralatan radiologi merupakan salah satu upaya untuk menjaga agar alat tersbut dapat
beroperasi dengan baik. Salah satu peralatan radiologi yang banyak digunakan adalah pesawat CT Scan.
Tulisan ini membahas tentang kontrol kualitas pesawat CT Scan multi-slice menggunakan phantom
AAPM chart model 610. Dalam penelitian ini, kualitas gambar CT scan dengan multi detektor CT
digunakan untuk mengetahui parameter kualitas citra hasil CT Scan menggunakan phantom AAPM yang
diisi air (aquabides). Penerimaan kualitas gambar yang diperoleh untuk penentuan ketebalan irisan.
Tujuan penelitian ini untuk menentukan ketebalan irisan citra pada phantom menggunakan software
radiant. Pengujian dilakukan dengan eksposi sebanyak lima kali dengan perubahan tegangan dan arus
tabung yang berbeda pada slice yang tetap. Faktor eksposi yang digunakan pada beberapa variasi tegangan
dan arus tabung yang berbeda yaitu 100 kVp-120 mA, 100 kVp-125 mA, 120 kVp-125 mA, 140 kVp-
125 mA dan 120 kVp-140 mA dengan ketebalan 10 mm. Metode yang digunakan menghasilkan nilai
ketebalan irisan yang akurat kurang dari 0,5 mm. Dari hasil pengujian diketahui perubahan tegangan dan
arus tabung tidak berpengaruh terhadap nilai ketebalan irisan. hasil pengukuran diketahui bahwa nilai
ketebalan irisan untuk masing – masing ketebalan, lebih besar dibanding dengan nominal beam width.
Nilai yang diperoleh menunjukkan hasil yang masih dibawah toleransi pada pengukuran irisan citra CT
Scan sesuai standar yang ditentukan.
Kata kunci : Tebal irisan, tegangan tabung, arus tabung, Citra CT Scan
1. PENDAHULUAN
CT-scan merupakan suatu sistem pencitraan medis yang cukup kompleks sehingga terdapat risiko
terjadinya mis-aligment, kesalahan kalibrasi, dan kegagalan fungsi sistem pembangkit dan deteksi
sinar-X. pesawat CT-scan memerlukan program quality control (QC) untuk menjamin kualitas citra
CT-scan dengan tetap menjaga dosis agar berada di bawah batas yang diizinkan1. QC dilakukan dengan
menggunakan fantom sebagai bahan pengganti pasien. Hal ini bertujuan agar pengukuran saat penelitian
bisa dilakukan berulang-ulang, sehingga nilai yang didapatkan akan semakin akurat2.
Salah satu parameter penting yang harus diukur dalam pengendalian kualitas adalah akurasi
ketebalan irisan3. Ketebalan irisan memengaruhi resolusi gambar klinis, yang kemudian berdampak
pada keakuratan penentuan ukuran organ. Ketebalan irisan juga berdampak langsung pada noise gambar.
Mengurangi ketebalan irisan yang direkonstruksi akan meningkat gambar noise. Untuk mengimbangi
peningkatan kebisingan4, operator dapat memilih untuk meningkat mAs (arus waktu) kepada pasien.
Keakuratan penentuan ketebalan irisan telah diteliti pada penelitian sebelumnya dengan menggunakan
berbagai phantom5.
Metode pengujian ketebalan irisan tergantung pada jenis phantom yang digunakan. Dalam phantom
CT ACR, pengukuran ketebalan irisan adalah dilakukan pada citra aksial dengan menghitung jumlah
kabel diskrit pada bagian atas dan bawah6. Dalam phantom CatPhan, lebar penuh pada setengah
maksimum (FWHM) profil untuk setiap ramp kawat diukur kemudian konversi trigonometri dihitung
177
berdasarkan ramp yang diketahui . Pada performance phantom AAPM CT, ketebalan irisan diukur dari
7
citra objek tangga. Ketebalan tangga menggambarkan ketebalan irisan dan dapat diukur menggunakan
penggaris elektronik pada perangkat lunak yang digunakan.
2. BAHAN DAN METODE

Kualitas citra dapat memberikan diagnosis yang akurat, hal ini agar meminimalisir kesalahan
diagnosa akibat dari kualitas citra yang buruk. Kualitas citra dapat dijaga dengan melakukan QC dari
perangkat Computed Radiography (CR). QC dilakukan saat tes penerimaan maupun uji fungsi rutin.
Beberapa uji kontrol dalam CT Scan yaitu uji resolusi kontras, uji resolusi spasial dan ketebalan irisan.
Dalam hal ini fisikawan medik memegang peranan penting dalam proses QC di instalasi radiologi8.
Ketebalan irisan (slice thickness) menentukan pusat dari daerah yang terlihat sebagai jarak antara
dua titik pada profil kepekaan sepanjang poros dari perputaran selama reaksi jatuh sampai 50%.
Penyimpangan tertentu pada ketebalan irisan tidak boleh melebihi batas karena berpengaruh pada detail
gambar, sebagai contoh, dengan slice thickness 8 mm, deviasi maksimal +10% dapat diterima, deviasi
yang dapat di toleransi untuk slice thickness yang lebih kecil dari 2 mm sampai dengan -8 mm dan <
2 mm adalah +25% dan 50% secara berturut-turut. Penggunaan kolimasi pada beberapa peralatan CT
untuk mengurangi profil sensitifikasi irisan, berperan penting pada peningkatan yang signifikan dosis
pasien untuk serangkaian irisan yang berdampingan9. Gambar 1 berikut ini menunjukkan hasil CT Scan
untuk pengukuran ketebalan irisan (Slice thickness).
Gambar 1. Ketebalan irisan

Ketebalan irisan merupakan tebal tipisnya suatu irisan citra medis. Bisa diibaratkan sebuah roti
tawar yang diiris tebal akan menghasilkan sedikit irisan. jika diiris tipis akan menghasilkan banyak
irisan. jika roti itu diiris tebal-tebal, maka di dalam roti itu ada kismis yang ukurannya lebih kecil dari
irisan, bisa saja kismis tidak akan terlihat karena didalam irisan. jika diiris tipis-tipis maka kismis akan
terlihat. Fenomena ini menjelaskan bagaimana pengaruh ukuran ketebalan irisan terhadap kualitas citra.
Semakin tipis ketebalan irisan semakin baik kualitasnya. Tetapi disatu sisi ukuran ketebalan irisan
yang semakin tipis akan menghasilkan noise yang tinggi. Selain itu, dengan mempertipis irisan maka
jumlah irisan akan bertambah banyak sehingga semakin besar radiasi yang diterima oleh pasien. Dengan
demikian untuk aplikasi klinis, perlu dilakukan optimasi sesuai dengan keperluan yang digunakan10.
Pada pemeriksaan organ yang berukuran kecil atau untuk melihat kelainan yang berukuran
kecil, digunakan ketebalan irisan tipis, demikian sebaliknya untuk organ yang berukuran besar dapat
menggunakan ketebalan irisan yang tebal. Pada pemeriksaan yang membutuhkan rekonstruksi gambar
dalam potongan sagittal maupun coronal diperlukan ketebalan irisan yang tipis, kerana jika menggunakan
ketebalan irisan yang tebal, gambar akan tampak besar, sedangkan ketebalan irisan yang tipis gambar
akan nampak lebih halus. Besar ketebalan irisan pesawat CT scan diatur dengan kolimator pre pasien.
Kolimator itu diatur sedemikian rupa sehingga mengasilkan ketebalan irisan yang diharapkan8.
178
Penelitian dilakukan di instalasi Radiologi Rumah Sakit Haji Makassar. CT Scan yang digunakan
adalah CT Scan merk General Electric (GE) Brivo 385 Tipe 46-274891G1. Dengan range tegangan 100-
140 kV, range arus tabung 120-140 mA dan slice 10 mm. Berikut ini menunjukkan Gambar peswat CT
Scan yang digunakan sesuai Gambar 2.
Gambar 2. Pesawat CT Scan

Dalam melakukan pengukuran dan pengambilan Citra CT digunakan Phantom AAPM seperti
ditunjukkan pada Gambar 3. Pengambilan data Citra untuk pengukuran tebal irisan dapat dipilih dari
hasil citra CT Scan pada performance test phantom, yang terbuat dari lempeng aluminium dengan ukuran
0,025” × 1.00” mm2, yang diposisikan miring membentuk sudut 45 derajat yang merupakan bagian dari
keseluruhan bahan dalam phantom AAPM seperti Gambar berikut:
Gambar 3. Phantom AAPM (CT Perfromance Phantom Model 610)

Prosedur penelitian uji konsistensi ketebalan irisan pada pesawat CT-scan ini dilakukan dengan
melakukan 5 kali exposi (pengambilan gambar) pada slice 10 mm. faktor eksposi yang digunakan yaitu
100 kVp-120 mA, 100 kVp-125 mA, 120 kVp-125 mA, 140 kVp-125 mA dan 120 kVp-140 mA. Setelah
citra scanogram terbentuk, kemudian dilakukan scanning untuk mendapatkan citra aksial. Pada citra
aksial ini akan tampak Panjang lempeng aluminium yang nantinya dapat digunakan untuk menentukan
nilai ketebalan irisan. semakin tebal slice yang diteliti, maka citra garis aluminium yang terbentuk akan
semakin tebal.
179

Hasil pengukuran parameter ketebalan irisan akan memberikan informasi di mana penggunaan tebal
irisan dalam setiap pelaksanaan CT Scan masih akurat atau sudah tidak akurat lagi dalam hal ini masih
sesuai dengan ukuran standar tebal irisan yang ditetapkan oleg BAPETEN. Hal Ini dilakukan untuk
mengetahui kualitas citra pada pesawat CT scan tersebut. Hasil citra ini, akan tampak panjang lempengan
aluminium yang nantinya dapat digunakan untuk menentukan ketebalan irisan. Semakin besar slice
yang diberikan, maka citra garis aluminium yang terbentuk akan semakin tebal seperti pada gambar
1.3. Garis yang terbentuk dari slice, dilakukan magnifikasi (pembesaran) garis untuk mempermudah
penetuan ROI atau mengukur panjang pada phantom tersebut.
Gambar 4. Hasil citra pada slice thickness

Pengujian slice thickness (tebal irisan) untuk melihat besar kolimator dan membandingkan dengan
hasil pengukuran yang didapatkan. Pengukuran dilakukan dengan variasi tegangan dan arus yang
berbeda. Berikut adalah hasil nilai dari ketebalan irisan.
Tabel 1. Hasil pengukuran ketebalan irisan
Tegangan Arus Tabung Setting Hasil Pengukuran Hasil Uji Nilai
Kesimpulan
(kV) (mA) (mm) (mm) (mm) Lolos Uji
100 120 10 1,18 -8,80
100 125 10 1,12 -8,90
120 125 10 1,08 -8,90 ≤ 0.5 mm Sesuai
140 125 10 1,13 -8,90
120 140 10 1,10 -8,90
Dari tabel 1 tampak bahwa nilai slice thickness untuk semua faktor ekposi yang digunakan lebih
besar dibandingkan dengan niminal beam width. Sebagaimana telah dibahas bahwa slice thickness
diatur berdasarkan kilimator pre pasien, namun untuk mengatur kolimator agar slice thickness benar-
benar sesuai merupakan suatu hal yang susah. Biasanya diatur sedemikian rupa sehingga slice thickness
sedikit lebih besar dibandingkan nominal beam width. Hal ini sangat wajar, sebab adanya faktor fisis
yang memungkinkan hal itu terjadi, misalnya efek penumbra. Selain efek penumbra adalah efek
hamburan. Meskipun fantom didesain dengan medium udara, namun penggunaan lempeng aluminium
juga menghasilkan hamburan yang akan berpengaruh pada keakuratan penentuan slice thickness.
4. KESIMPULAN
Pengukuran ketebalan irisan (slice thickness) merupakan salah satu bagian dari kontrol kualitas
(quality control) dari pesawat CT Scan, mengingat tebal irisan dalam setiap pelaksanaan pengambilan
data CT Scan akan menentukan hasil kualitas Citra dari pesawat CT Scan. Hasil pengukuran ketebalan
irisan menggunakan CT performance test phantom pada variasi tegangan dan arus tabung, diperoleh
180
nilai lolos uji di bawah 0,5 mm, dalam artian pengukuran nilai ketebalan irisan dari pasawat CT Scan
tersebut masih dalam kondisi baik, sesuai standar yang ditetapkan oleh BAPETEN.
UCAPAN TERIMA KASIH

Ucapan terima kasih kepada direktur dan Staf Rumah Sakit Umum Daerah (RSUD) Haji Makassar
atas izin dan bantuan dalam pelaksanaan penelitian dan pengambilan data, sehingga publikasi ini dapat
selesai sebagaimana mestinya.
REFERENSI
1 Sofiyatun, anam, Zahro, Rukmana & Dougherty. An automated measurement of image slice thickness
of computed tomography. Journal Medical Physics 2021;47:2 121-128.
2 Anam C, Adi, Sutanto, Arifin, Budi, Fujibuchi & Dougherty. Noise reduction in CT image using a
selective mean filter. Journal Medical Physics 2020;10:5 623-634.
3 Joon A, Jaeman, Hyeongmin, Jiwon & Minsoo C. Acceptance test and clinical commissioning of CT
simulator. Journal Medical Physics 2019;30:4 160-167.
4 Nani L, Choirul A, Eko H & Geoff D. Automated procedure for slice thickness verification of computed
tomography images: variations of slice thickness position from iso-center, and recanstruction filter.
Journal of Applied Medical Physics 2021;22:7 313-321.
5 D. Aprilyanti, D Milvita, H.Prasetio, H. Yulianti. Pengaruh Diameter Phantom dan Tebal Slice
Terhadap Nilai CTDI Pada Pemeriksaan Menggunakan CT-Scan. Jurnal Fisika Unand 2018;2:2
81-87.
6 Mulyadin, Syamsir D, Bualkar A, & Dahlang T. Study of Image Quality From CT Scanner Multi-
Detector by using Americans College of Radiology (ACR) Phantom. Journal of Physics ICOS 2018;
7 Ummu ZM, Anam C, Wahyu, Pandji, Jhon & Dito. Investigation of noise level and spatial resolution
of CT images filtered with a selective mean filter and its comparison to an adaptive statistical iterative
reconstruction”. Iranian Journal of Medical Physics 2020;18:5 374-383.
8 Hutami, Gusti N, & Ida B. Analisis Pengaruh Slice Thickness Terhadap[ Kualitas Citra Pesawat CT
Scan Di RSUD Bali Mandara. Jurnal Fisika 2021;19:02 1-7.
9 Oliver, Salgado, Nico, Isabelle, Paul & Alain. Image quality in coronary CT angiography: challenges
and technical. The British journal of Radiology 2017;90:1072 1-13
10 Ari M, Wahyu S & Choirul A. Evaluasi Ketebalan Irisan (Slice Thickness) pada Pesawat CT-Scan
Single Slice. Jurnal Sains dan Matematika 2017;21:2 1-6.
181
GedungUPTUnha sPres
s
KampusUnha sTamal
anrea
Jl
n.Pe
rint
isKeme r
deka
anKm. 1
0
Email
:unhaspre
ss@gmai
l.
com
Makass
ar

Prosiding SNF - Fmipa

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Prosiding SNF - Fmipa

Diunggah oleh

Hak Cipta:

Format Tersedia

Pros

Dilarang memperbanyak isi buku ini, baik sebagian maupun seluruhnya

Pengaruh Model Pembelajaran Inkuiri Terbimbing Berbantuan Google Sites Terhadap

Penerapan Model Pembelajaran Inkuiri Terbimbing Terhadap Peningkatan Keterampilan Proses

Sistem Pemantauan Volume Cairan Infus Berbasis Aplikasi Blynk 40

Studi Peningkatan Laju Kehilangan Massa pada Evolusi Bintang Masif 69

Klasifikasi Bunga Iris menggunakan Algoritma Naïve Bayes dengan Rapidminer 77

Model Gravitasi f(R) Hu-Sawicki-Starobinsky Dalam Kosmologi 98

Klasifikasi Bintang Variabel Berdasarkan Pengaruh Perubahan Kecerahan Menggunakan Algoritma

Pemrosesan Citra Chest CT-Scan Bebasis AI untuk Deteksi Covid-19 170

Sistem Monitoring Pencemaran Udara Karbon

2. BAHAN DAN METODE

Gambar 1. Bot telegram

Gambar 2. Diagram blok sistem.

3. HASIL DAN BAHASAN

n ^/xyh - ^/xh^/yh (3)

Gambar 4. Grafik data gas CO dalam sepuluh menit.

Pengaruh Model Pembelajaran Inkuiri Terbimbing

media web seperti google sites .4

2. BAHAN DAN METODE

e. Kategorisasi Nilai Keterampilan Berpikir Kritis

Tabel 1 Kategorisasi nilai keterampilan berpikir kritis

3. HASIL DAN BAHASAN

Gambar 1. Diagram kategorisasi nilai dan frekuensi keterampilan

Gambar 2 Diagram persentase data pre-test keterampilan berpikir kritis

Gambar 3 Diagram kategorisasi nilai dan frekuensi keterampilan

UCAPAN TERIMA KASIH

Rancang Bangun Alat Cyclic Voltammetry

2. BAHAN DAN METODE

Gambar 1. Aplikasi desktop.

Perancangan dan Pembuatan Alat Cylic Voltammetry

Gambar 2. Rangkaian potensiostat

Gambar 3. Diagram blok sistem

Gambar 4. Blok diagram pengukuran superkapasitor biomassa.

3. HASIL DAN BAHASAN

Gambar 5. Sistem pengukuran alat CV

Gambar 6. Pengukuran sel superkapasitor biomassa daun serai NaOH 0,5 M

Penerapan Model Pembelajaran Inkuiri Terbimbing

2. BAHAN DAN METODE

Tabel 1. Pengkategorian Menggunakan Skala Lima

3. HASIL DAN BAHASAN

Tabel 7. Distribusi Interval Skor, Persentase dan Kategori Tes Keterampilan

Gambar 3. Diagram Kategori dan Frekuensi Tes Keterampilan

Tabel 8. Distribusi Kriteria Perolehan Indeks N-Gain Ternomalisasi Peserta Didik

UCAPAN TERIMA KASIH

b. Mean dari skor total (Mt)

Perbandingan Hasil Belajar Fisika Peserta

n = Jumlah pertanyaan dikali jumlah responden

dengan w = sn dan tn = t(1 – 1/2α), (n – 1) ; α = 5%

3. HASIL DAN BAHASAN

2) Uji Reliabilitas Instrumen

No Xi Zi F(Zi) S(Zi) | F(Zi) – S(Zi) |

UCAPAN TERIMA KASIH

Sistem Pemantauan Volume Cairan

2. BAHAN DAN METODE

Gambar 1. Diagram alir tahapan penelitian

Gambar 2. Blok diagram sistem

Gambar 3. Perancangan perangkat keras

Gambar 4. Diagram Alir Sistem

Gambar 5. Tampilan pemantauan kondisi cairan infus pada aplikasi blynk

3. HASIL DAN BAHASAN

Gambar 7. Grafik hasil pengukuran volume cairan infus di

Volume Cairan Infus pada Gelas Ukur