Hasil Pencarian  ::  Simpan CSV :: Kembali

"Diagnosis kanker payudara umum menggunakan data morfologi dan infomasi klinis. Akan tetapi diagnosis kanker yang akurat dibutuhkan untuk menangani dan terapi yang tepat. Deteksi ekspresi gen merupakan cara yang dapat digunakan untuk menganalisis kanker hingga tingkat molekuler. Microarray adalah teknologi yang memungkinkan analisis ribuan ekspresi gen dalam waktu yang bersamaan. Pembelajaran mesin dapat digunakan untuk menganalisis pola pada microarray dataset. Model pembelajan dengan deep learning, seperti deep stacking network DSN diperlukan untuk data yang kompleks seperti pada microarray. DSN pertama kali diusulkan untuk mengatasi kekurangan dari deep learning pada umumnya. Selain itu dikarenakan tingginya dimensi data microarray, sebelum melalui proses pembelajaran diperlukan reduksi dimensi pada data microarray. Reduksi data menggunakan gene shaving, dimana data akan dikelompokan menjadi beberapa cluster dan juga dengan PCA. Selanjutnya data yang sudah direduksi melalui proses pembelajaran pada model DSN yang terdiri dari 2-layer, 3-layer dan 4-layer dengan laju pembelajaran 0.01, 0.1 dan 1.0. Parameter yang diukur adalah nilai akurasi, mean square error MSE dan waktu eksekusi, dimana nilai terbaik didapatkan pada DSN 2-layer dengan laju pembelajaran 1.0 pada data hasil reduksi PCA.

---

The diagnosis of breast cancer uses morphological data and clinical information. However, an accurate cancer diagnosis is necessary for the proper treatment. Gene expression detection is a way that can be used to analyze cancer to the molecular level. Microarray is a technology that allows the analysis of thousands of gene expression at the same time. Machine learning can be used to analyze patterns in the microarray dataset. Machine learning with deep architecture deep learning, such as deep stacking learning DSN, is needed for complex data such as microarray. DSN was proposed to overcome the shortage of deep learning. In addition, due to the high dimension of microarray data, dimension reduction in microarray data is required before going through the learning process. Data reduction uses gene shaving, where data will be grouped into clusters and also PCA. Clusters found through the process of gene shaving is a cluster that carries important genetic information in cancer cells so that the gene can represent all data. Furthermore, the data has been reduced going through the learning process on the DSN model consisting of 2 layer, 3 layer and 4 layer with the learning rate of 0.01, 0.1 and 1.0. The parameters measured are the accuracy, mean square error MSE and execution time, which the best value is obtained on 2 layer DSN with learning rate 1.0 on data from the reduction of PCA."

"Kanker kolorektal adalah kanker yang berkembang pada usus besar dan/atau rektum. Berdasarkan survei GLOBOCAN 2012, insidens kanker kolorektal di seluruh dunia menempati urutan ketiga dan menduduki peringkat keempat sebagai penyebab kematian. Dalam proses diagnosis kanker kolorektal, telah diterapkan pendekatan medis dengan digital rectal examination menggunakan colonoscopy untuk menilai keadaan tumor dan mobilitas tumor. Namun, seiring berkembangnya teknologi, para ilmuwan mencoba pendekatan lain untuk pendeteksian kanker kolorektal salah satunya menggunakan penggunaan artificial intelligence khususnya machine learning. Terdapat beberapa penelitian yang lalu mengenai pengaplikasian machine learning dalam kasus klasifikasi kanker kolorektal dengan berbagai model dan tingkat akurasi. Pada penelitian ini, penulis menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur You Only Look Once (YOLO) untuk mengklasifikasi kanker kolorektal tipe ganas dan jinak. Data yang digunakan pada penelitian ini adalah Lung and Colon Cancer Histopathological Image Dataset oleh Borkowski AA, dkk. dengan mengambil dataset kanker kolorektal yaitu 5000 kanker ganas dan 5000 kanker jinak. Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur YOLO. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, loss dan running time. Accuracy dan Recall yang didapatkan pada masing-masing split data sebesar 100% dengan running time 3 jam 7 menit 43 detik pada split data 70:30 dan 3 jam 30 menit 6 detik pada split data 80:20.

---

Colorectal cancer is cancer that develops in the colon and/or rectum. Based on the 2012 GLOBOCAN survey, the incidence of colorectal cancer worldwide ranks third and ranks fourth as a cause of death. In the process of diagnosing colorectal cancer, a medical approach has been applied with digital rectal examination using colonoscopy to assess the state and mobility of the tumor. However, as technology develops, scientists try other approaches to detect colorectal cancer, one of which is using artificial intelligence, especially machine learning. There have been several past studies regarding the application of machine learning in the case of colorectal cancer classification with various models and levels of accuracy. In this study, the authors used a Convolutional Neural Network (CNN) approach with You Only Look Once (YOLO) architecture to classify malignant and benign types of colorectal cancer. The data used in this study was the Lung and Colon Cancer Histopathological Image Dataset by Borkowski AA, et al. by taking the colorectal cancer dataset, namely 5000 malignant cancers and 5000 benign cancers. The model will be built using the data, which is trained using the CNN method with the YOLO architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. The performance of the model is evaluated with the values of accuracy, recall, loss and running time. Accuracy and Recall obtained in each data split is 100% with a running time of 3 hours 7 minutes 43 seconds on a 70:30 data split and 3 hours 30 minutes 6 seconds on an 80:20 data split."

"Penelitian ini bertujuan untuk mencari gen terdiferensiasi dan informasi biologis dari data ekspresi gen penyakit Alzheimer. Data yang digunakan merupakan data microarray penyakit Alzheimer yang berukuran 54675 peobes × 161 sampel. Data tersebut diperoleh dari National Centre for Biotechnology Information (NCBI) yang dapat diakses melalui laman: http://www.ncbi/nlm.nih.gov/. Gen yang memiliki ekspresi terdiferensiasi diseleksi menggunakan algoritma Delta Relative Deviation dan Absolute Deviation (DARDAD). 7089 gen dengan ekspresi terdiferensiasi pada sampel sakit selanjutnya dianalisis menggunakan metode biclustering. Bicluster didapatkan dengan menggunakan model BicMix yang memodelkan matriks ekspresi gen sebagai perkalian dua parameter ditambah matriks eror. Hasil faktorisasi dari Singular Value Decomposition (SVD) digunakan untuk menginisialisasi proses estimasi parameter model BicMix menggunakan metode iteratif Variational Expectation Maximization (VEM). Hasil bicluster selanjutnya dianalisis menggunakan Gene Ontology dan Disease Ontology. Didapatkan 30 bicluster dan beberapa penyakit yang berkaitan dengan penyakit Alzheimer.

---

The purpose of this research is to find genes that differentially expressed and biologic information from Alzheimer's gene expression data. Microarray data of Alzheimer's disease with 54675 probes × 161 samples were used in this research. Data downloaded from National Centre for Biotechnology Information (NCBI), http://www.ncbi/nlm.nih.gov/. Delta Relative Deviation and Absolute Deviation (DARDAD) were used to find differentially expressed genes. 7089 differentially expressed genes then analyzed using biclustering method with BicMix model. BicMix modeled gene expression matrix data as multiplication two parameters and an error matrix. Parameters in the model estimated using Singular Value Decomposition (SVD) - Variational Expectation Expectation Maximization (VEM). Bicluster result then analyzed using Gene Ontology and Disease Ontology. Result of this research are 30 biclusters and disease that are active in Alzheimer."

"Latar Belakang: Belum ada kesepakatan global penanda deteksi dini kejadian metastasis tulang pada pasien kanker payudara. Penelitian ini bertujuan menganalisis hubungan ekspresi tinggi penanda biologi CXCR4, IL11-RA, TFF1 dan MLF1P, klinikopatologi dan profil ekspresi genetik mRNA sebagai penanda peningkatan kejadian metastasis tulang pada pasien kanker payudara stadium lanjut.Metode: Metode penelitian adalah potong lintang komparatif. Analisis dilakukan pada, total 92 pasien kanker payudara, terdiri atas 46 pasien metastasis tulang dan 46 pasien dengan metastasis nontulang. Analisis microarray, dilakukan pada 81 sampel FFPE dari 81 pasien yang didapat. Data dikumpulkan melalui rekam medis, pemeriksaan imunohistokimia, dan microarray dengan nanoString nCounter^TM.Hasil: Diperoleh IL11-RA dengan cut-off ≥ 103,5 menunjukkan peningkatan kejadian metastasis tulang, dengan OR 3,803 (95 % interval kepercayaan [IK], 1,375-10,581), p = 0,010, dan MLF1P dengan cut-off ≥ 83,0 menunjukkan peningkatan kejadian metastasis tulang, dengan OR 2,784 (95% IK, 1,009-7,681), p = 0,048. Status ER+ menunjukkan peningkatan kejadian metastasis tulang, dengan OR 7,640 (95 % IK, 2,599-22,459), p < 0,000. AUC gabungan IL-11RA, MLF1P dan ER+, mempunyai ketepatan hampir 80%, (meningkat dibandingkan AUC masing-masing secara terpisah), untuk membedakan dan menjelaskan kejadian metastasis tulang, pada kanker payudara stadium lanjut.  Pada kanker payudara metastasis tulang dengan organ lain (MT+), diperoleh panel 22-gen, dengan 13 gen: upregulated dan 9 gen downregulated ; pada metastasis hanya tulang (MT) diperoleh panel 17-gen dengan 13 ekspresi gen upregulated dan 4 ekspresi gen downregulated . Kedua panel memberikan hasil berbeda bermakna pengelompokan unsupervised, terhadap metastasis nontulang. Analisis berdasarkan diagnosis dua kelompok metastasis tulang, ekspresi ESR1 merupakan gen dengan perubahan ekspresi tertinggi, dan berdasarkan proporsinya, didapatkan 3 gen pada MT+, dan 8 gen pada MT, termasuk di antaranya ESR1, GATA3 dan MLPH/ ANXA9, yang meningkatkan kemungkinan kejadian metastasis tulang. Simpulan: IL11-RA, MLF1P dan ER+, merupakan variabel yang berhubungan dengan peningkatan kejadian metastasis tulang pasien kanker payudara stadium lanjut. Diperoleh panel 22 ekspresi gen pada MT+, dan panel 17 ekspresi gen untuk MT yang berekspresi berbeda bermakna dibanding metastasis nontulang. Analisis berdasarkan diagnosis dua kelompok metastasis tulang, diperoleh 3 gen pada MT+, dan 8 gen pada MT, yang diusulkan menjadi kandidat training set selanjutnya.

---

Background: The aim of this research was to analyze the correlation between high expression of biomarkers CXCR4, IL11-RA, TFF1 and MLF1P, clinicopathology and genetic expression profiles (mRNA) in advanced breast cancer patients with bone metastatic.Methods: The methods used were comparative cross-sectional. Analysis was done against a total of 92 breast cancer patients, including 46 bone metastatic patients and 46 non-bone metastatic patients. In microarray test, a total of 81 FFPE samples from 81 patients were used.Results: IL11-RA with cut-off ≥ 103.5 showed OR 3.803 (95 % confidence interval [CI], 1.375-10.581), p = 0.010, MLF1P with cut-off ≥ 83.0 OR 2.784 (95% CI, 1.009-7.681), p = 0.048, and ER+ OR 7.640 (95 % CI, 2.599-22.459), p < 0.000, were associated with bone metastastic incidences in advanced breast cancer, and were statistically significantly different. A combination of IL-11RA, MLF1P and ER+, showed an accuracy of approaching 80 % to discriminate between bone metastatic and non bone metastatic in advanced breast cancer patients. The results of genetic expression profiles showed that the 22 genes expressions were significantly different between bone metastatic with other organs patients (MT+), and non bone metastatic patients, which consisted of 13 genes expression upregulated and 9 genes expression downregulated, while subject with only bone metastasis (MT), showed that 17 genes expressions were significantly different, consisting of 13 genes expression upregulated and 4 genes expressions downregulated. Based on diagnosis both types of bone metastasis, the ESR1 gene was the highest expressed, and base on proportion distribution there were 3 genes in MT+, and 8 genes in MT, including ESR1, GATA3, and MLPH/ ANXA9, associated with increasing bone metastasis incidences, which can be the next candidate for the training set.Conclusion: IL11-RA, MLF1P, and ER+ were the variables that were associated with increasing bone metastasis incidence. There was a panel of 22 genes expression in bone metastasis and a panel of 17 genes expression for only bone metastasis that had significantly different expressions, compared to non-bone metastastasis. Based on diagnosis both types of bone metastasis, there is 3 genes in MT+, and 8 genes in MT, that can be the next candidate of training set."

"

Analisis triclustering merupakan teknik analisis pada data 3D (observasi – atribut – konteks). Analisis triclustering dapat mengelompokkan observasi pada beberapa atribut dan konteks secara bersamaan. Analisis triclustering telah sering diterapkan untuk menganalisis data ekspresi gen microarray. Penelitian ini menggunakan metode δ-Trimax untuk melakukan analisis triclustering pada data ekspresi gen microarray. Metode δ-Trimax bertujuan untuk menemukan tricluster yang memiliki mean square residual kecil dari δ dan volume maksimal. Tricluster diperoleh dengan cara melakukan penghapusan node dari data 3D dengan menggunakan algoritma multiple node deletion dan single node deletion. Kandidat tricluster yang telah didapatkan, dilakukan pengecekan  kembali dengan menambahkan beberapa node yang telah dihapus sebelumnya menggunakan algoritma node addition. Pada penelitian ini dilakukan perbaikan program pada metode δ-Trimax dan juga menambahkan penghitungan evaluasi tricluster yang dihasilkan.  Implementasi metode δ-Trimax dilakukan pada data ekspresi gen dari proses diferensiasi human induced pluripoten stem cell (HiPSC) dari pasien penyakit jantung. Ekspresi gen diukur pada 12 titik waktu dan 3 replikasi. Dari beberapa simulasi yang dilakukan, metode δ-Trimax memberikan hasil terbaik ketika δ=0,0068 dan λ=1,2. Berdasarkan tricluster yang dihasilkan dari simulasi terbaik tersebut, dipilih 5 tricluster yang diduga sebagai ciri-ciri penyakit jantung. Lima tricluster ini dapat menjadi pertimbangan bagi ahli medis untuk melakukan tindakan lebih lanjut terhadap pasien.

---

Triclustering analysis is an analysis technique on 3D data (observation - attribute - context). Triclustering analysis can group observations on several attributes and contexts simultaneously. Triclustering analysis has been frequently applied to analyze microarray gene expression data. This study used the δ-Trimax method to perform triclustering analysis on microarray gene expression data. The δ-Trimax method aims to find a tricluster that has a mean square residual smaller than δ and a maximum volume. Tricluster is obtained by deleting nodes from 3D data using multiple node deletion and single node deletion algorithms. The tricluster candidates that have been obtained are checked again by adding some previously deleted nodes using the node addition algorithm. In this research, the program improvement of the δ-Trimax method was carried out and also the calculation of the resulting tricluster evaluation. The implementation of the δ-Trimax method was carried out on gene expression data from the differentiation process of human induced pluripotent stem cells (HiPSC) from patients with heart disease. Gene expression was measured at 12 time points and 3 replications. From several simulations performed, the δ-Trimax method gives the best results when δ = 0.0068 and λ = 1.2. Based on the tricluster generated from the best simulation, 5 tricluster were selected which were suspected as a characteristic of heart disease. These five tricluster can be a consideration for medical experts to take further action on patients.

"

"This book focuses on the analysis of dose-response microarray data in pharmaceutical settings, the goal being to cover this important topic for early drug development experiments and to provide user-friendly R packages that can be used to analyze this data. It is intended for biostatisticians and bioinformaticians in the pharmaceutical industry, biologists, and biostatistics/bioinformatics graduate students.Part I of the book is an introduction, in which we discuss the dose-response setting and the problem of estimating normal means under order restrictions. In particular, we discuss the pooled-adjacent-violator (PAV) algorithm and isotonic regression, as well as inference under order restrictions and non-linear parametric models, which are used in the second part of the book. Part II is the core of the book, in which we focus on the analysis of dose-response microarray data. All methodological issues in the book are illustrated using real-world examples of dose-response microarray datasets from early drug development experiments."

"Data mining merupakan teknik pengolahan data yang dapat digunakan untuk menemukan pola-pola kelompok dan informasi yang berguna dari kumpulan data tersebut. Salah satu teknik data mining adalah metode triclustering. Triclustering bekerja pada data tiga dimensi. Umumnya algoritma tricluster tidak efektif dalam menganalisis titik waktu pegamatan yang berjumlah sedikit. Oleh karena itu, dikembangkanlah algoritma triclustering berbasis pola yang dirancang untuk menganalisis data microarray dengan jumlah titik waktu pengamatan sedikit yaitu Order Preserving Tricluster (OPTricluster). OPTricluster membentuk tricluster dengan mengidentifikasi gen-gen yang memiliki perubahan tingkat ekspresi yang sama pada subset kondisi eksperimen disepanjang titik waktu. Setelah tricluster didapatkan, analisis Gene Ontology dibutuhkan untuk mendapatkan pemahaman anotasi gen pada hasil tricluster. Metode OPTricluster diimplementasikan pada data microarray sel kanker pankreas ASPC-1 dengan beberapa skenario menggunakan threshold yang berbeda. Skenario terbaik ditunjukkan oleh threshold optimum yang diperoleh dengan membandingkan rata-rata skor Coverage Tricluster dan Tricluster Quality Index. Kemudian tricluster dari skenario terbaik dianalisis dengan Gene Ontology (GO). Hasil penelitian ini menunjukkan bahwa metode OPTricluster berhasil membentuk tricluster dengan kinerja yang baik pada 3 pola tricluster yaitu tricluster pola constant, conserved, dan divergent. Selanjutnya analisis GO dilakukan pada tricluster terbaik pola conserved yaitu tricluster pada kelompok gen yang memiliki pola perubahan tingkat ekspresi gen yang sama saat diberikan obat JQ1 dan diperoleh informasi bahwa respon dari gen-gen sel kanker pankreas ASPC-1 dominan terlibat dalam proses metabolisme, dimana gen-gen tersebut berperan dalam perubahan tingkat ekspresi gen, selain itu letak gen-gen tersebut pun berada dalam inti sel.

---

Data mining is data processing techniques that can be used to find group patterns and useful information from the data set. One of the data mining techniques is the triclustering method. Triclustering works on three-dimensional data. Generally, tricluster algorithms are not effective in analyzing a small number of observation time points. Therefore, a pattern-based triclustering algorithm designed to analyze microarray data with a small number of observation time points was developed under the name Order Preserving Tricluster (OPTricluster). OPTricluster forms triclusters by identifying genes that have similar expression level changes in a subset of experimental conditions across time points. Once the tricluster is obtained, analysis with Gene Ontology is required to gain an understanding of gene annotation in the tricluster result. OPTricluster method was implemented on ASPC-1 pancreatic cancer cell microarray data with several scenarios using different thresholds. The best scenario is indicated by the optimum threshold obtained by comparing the average Tricluster Coverage and Tricluster Quality Index scores. Then the tricluster of the best scenario is analyzed with Gene Ontology (GO). The results showed that the OPTricluster method successfully formed tricluster with good performance in 3 tricluster patterns, namely constant, conserved, and divergent tricluster patterns. Furthermore, GO analysis was carried out on the best tricluster conserved pattern, namely tricluster in the gene group that has the same pattern of changes in gene expression levels when given the drug JQ1 and obtained information that the response of ASPC-1 pancreatic cancer cell genes is dominantly involved in metabolic processes, where these genes play a role in changes in gene expression levels, besides that the location of these genes is also in the cell nucleus."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Penelitian ini membahas kanker payudara yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia, khususnya bagi wanita. Berdasarkan patologisnya, ada beberapa jenis kanker payudara yang dikelompokkan menjadi dua kategori utama, yaitu invasif dan non-invasif. Penelitian ini menggunakan dataset MRI payudara penderita kanker payudara dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Dataset berupa citra MRI akan diimplementasikan pada algoritma yang telah dikonstruksikan. Pada tahap awal, metode Convolutional Neural Network akan digunakan untuk bagian konvolusi. Berikutnya, pada bagian klasifikasi, metode yang akan diterapkan sebagai metode klasifikasi adalah Support Vector Machine. Dengan mengevaluasi hasil kinerja metode pembaharuan yang digunakan (Convolutional Neural Network–Support Vector Machine) dari dataset yang dimiliki, kita akan mengetahui apakah metode Convolutional Neural Network–Support Vector Machine lebih akurat dibandingkan dengan metode Convolutional Neural Network dalam membantu klasifikasi dataset MRI penderita kanker payudara yang dimiliki. 

---

In the world of health, medical personnel are required to deal with various types of diseases with various symptoms. Therefore, a technology is needed to help them solve it well. This research supports them by using machine learning as a problem solver. This research discusses breast cancer, which is one of the diseases with the highest mortality rate in the world, especially for women. Based on the pathology, there are several types of breast cancer which are grouped into two main categories, namely invasive and non-invasive. This study used the breast MRI dataset of breast cancer patients from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The dataset in the form of an MRI image will be implemented in the algorithm that has been constructed. In the early stages, the Convolutional Neural Network method will be used for the convolution section. Next, in the classification section, the method that will be applied as a classification method is the Support Vector Machine. By evaluating the performance results of the renewal method used (Convolutional Neural Network–Support Vector Machine) from our dataset, we will find out whether the Convolutional Neural Network–Support Vector Machine method is more accurate than the Convolutional Neural Network method in helping to classify the MRI dataset for breast cancer patients which are owned."

"Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru.

---

This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients."