Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit masih menjadi permasalahan yang serius di seluruh dunia, tidak terkecuali Indonesia. Salah satu jenis penyakit yang menjadi penyebab kematian manusia nomor satu di dunia adalah kanker, dengan kanker paru-paru yang menduduki peringkat pertama. Untuk mengetahui kondisi seseorang memiliki sel kanker atau tidak di dalam tubuhnya, diperlukan pemeriksaan seperti pemeriksaan fisik, CT-Scans dan MRI. Pemeriksaan ini digunakan oleh dokter dalam melakukan diagnosa pasien terhadap penyakit kanker. Walaupun telah dilakukan pemeriksaan secara detail, masih sering ditemukan kekeliruan atau kesalahan yang dilakukan oleh dokter dalam memberikan diagnosa. Oleh karena itu, semakin berkembangnya zaman banyak metode yang dapat digunakan dalam mengatasi permasalahan tersebut, salah satunya dengan metode Convolutional Neural Networks. Metode ini merupakan perkembangan dari metode Neural Networks dan akan digunakan dalam melakukan klasifikasi kanker paru-paru berdasarkan data citra MRI. Convolutional Neural Networks memiliki performa yang lebih baik daripada Neural Networks dalam mengklasifikasikan serta memprediksi data kanker paru-paru berdasarkan citra MRI. Hal ini dibuktikan dengan nilai akurasi yang diperoleh dari metode Convolutional Neural Networks lebih besar daripada nilai akurasi metode Neural Networks, yaitu 90% untuk Convolutional Neural Networks dan 66.7% untuk Neural Networks.

---

Disease still a serious problem throughout the world, include Indonesia. One types of diseases that is the number one cause of human death in the world is cancer, with lung cancer ranked first. To find out the condition of a person has cancer cells or not in the body, it requires examinations such as physical examination, CT-Scans and MRI. This examination is used by doctors in diagnosing patients for cancer. Although a detailed examination has been carried out, it is still often found errors was made by the doctor in provided a diagnosis. Therefore, the development of this era, many methods that can be used to overcome these problems, one of them is the Convolutional Neural Networks method. This method is a development of the Neural Networks method and will be used in classifying lung cancer based on MRI image data. Convolutional Neural Networks has better performance than Neural Networks in classifying and predicting lung cancer data based on MRI images. This is evidenced by the accuracy value obtained from the Convolutional Neural Networks method greater than the accuracy value of the Neural Networks method, which is 90% for Convolutional Neural Networks and 66.7% for Neural Networks."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"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."

"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."

"Untuk memenuhi tantangan dalam hal meningkatnya jenis penyakit di era modern ini, teknologi memainkan peran yang sangat penting dalam penelitian kesehatan. Kesehatan wanita telah menjadi perhatian utama karena meningkatnya angka kanker serviks yang  dapat menjadi penyakit mematikan. Dalam studi ini, kami akan menggunakan Deep Convolutional Neural Network untuk menemukan akurasi dalam mengklasifikasikan data kanker serviks pada empat jenis metode. Data kanker serviks diwakili oleh 32 faktor risiko dan empat variabel target: Hinselmann, Schiller, Cytology, dan Biopsy. Presentase akurasi metode Deep Convolutional Neural Network cukup baik jika dibandingkan dengan Neural Network dalam hal pengklasifikasian data faktor risiko kanker serviks, kita dapat melihat bahwa setiap data diklasifikasikan dengan benar dengan total akurasi mencapai hampir 90% untuk setiap target.

---

To meet the challenge of the increasing types of disease in this modern era, technology plays a very important role in health research. Womens health has become a major concern because of the increasing rates of cervical cancer because it can be a deadly disease. In this study, we will use deep Convolutional Neural Networks to find the accuracy in classifying cervical cancer data on four different types of methods. The cervical cancer data are represented by 32 risk factors and four target variables: Hinselmann, Schiller, Cytology, and Biopsy. The result with deep learning method is quite encouraging compare to the original neural network in classyfying cervical risk dataset, we can see that each data were correctly classified with the total accuracy reach almost 90% for each target."

"Penelitian ini menerapkan dan menganalisa teknik pengolahan citra untuk deteksi kanker paru-paru. Teknik pengolahan citra banyak digunakan di beberapa masalah medis untuk perbaikan citra dalam deteksi fase dan pengobatan dini. Penelitian ini mengusulkan metode deteksi kanker paru-paru berbasis segmentasi citra. Segmentasi citra adalah salah satu pengolahan tingkat menengah dalam pengolahan citra. Pendekatan wilayah dan watershed digunakan untuk proses segmentasi citra CT scan. Fase deteksi yaitu peningkatan kualitas citra menggunakan filter Gabor, segmentasi citra, dan ekstraksi fitur dengan binerisasi. Dari hasil percobaan, ditemukan efektivitas dari pendekatan tersebut. Fitur utama untuk mendeteksi kanker adalah dengan menggunakan perbandingan yang dilakukan dengan persentase piksel dan penanda citra.

---

In this undergraduate thesis, we implement and analyze the image processing method for detection of lung cancer. Image processing techniques are widely used in several medical problems for repairs picture in the phase detection and early treatment. This research proposed a detection method of lung cancer using image segmentation. Image segmentation is one of intermediate level processing in image processing. Marker control and watershed approach are used to segment of CT scan image. Detection phases are followed by image enhancement using Gabor filter, image segmentation, and features extraction with binarization. From the experimental results, we found the effectiveness of our approach. The main detected features for accurate images comparison are mask labeling with high accuracy and robust."

"ABSTRAKLatar Belakang: Debu kayu sebagai telah lama dicurigai sebagai salah satu penyebab karsinoma pada paru. Makalah ini bertujuan memberikan bukti adanya hubungan antara pajanan debu kayu di tempat kerja dengan kanker paru pada seorang perajin furnitur.Metode: Dilakukan pencarian artikel berbasis online pada PubMed dan Google Scholar pada Juli 2018 dengan kata kunci wood dust dan lung cancer kemudian ditelaah secara kritis menurut kriteria penelitian egaraic yang relevan dari Oxford Center for Evidence Based Medicine.Hasil: Telaah kritis dilakukan atas 2 studi. Yang pertama kajian meta analisis tahun 2015, menyebutkan terdapat peningkatan risiko yang signifikan antara pajanan debu kayu dengan kanker paru (RR 1,21; 95% CI 1.05 - 1,39, n=33). Sebaliknya, ditemukan risiko rendah (RR 0,63; 95% CI 0,39-0,99 n = 5) pada studi yang berasal dari egara-negara Nordik yang karakter kayunya adalah kayu lunak. Meta-analisis ini memberikan bukti kuat hubungan antara pajanan debu kayu dan kanker paru, yang sangat dipengaruhi oleh wilayah geografis penelitian. Alasan untuk perkiraan efek wilayah ini masih harus diklarifikasi, tetapi mungkin menunjukkan efek diferensial untuk debu kayu keras dan kayu lunak. Studi terakhir berdesain cross sectional melakukan 2 buah penelitian dan menemukan peningkatan risiko kanker paru-paru untuk pajanan kumulatif substansial terhadap debu kayu (OR 1,4; 95% CI 1,0-2,0) dan (OR 1,7; 95% CI 1,1- 2,7).Kesimpulan: Kedua studi yang terpilih menyatakan bahwa pajanan debu kayu meningkatkan risiko terjadinya kanker paru. Perlu adanya upaya pengendalian risiko pada pajanan debu kayu di tempat kerja.

---

ABSTRACTIntroduction: Wood dust has long been suspected as a cause of lung cancer. This paper provides evidence of a relationship between wood dust exposure at work and lung cancer in a furniture craftsman.Method: Related articles were searched online on PubMed and Google Scholar in July 2018 with the keywords wood dust and lung cancer. Both were examined according to relevant etiologic research criteria from the Oxford Center for Evidence Based Medicine.Results: Critical study was carried out on 2 studies. The first meta-analysis study in 2015 mentioned a significant increase in risk between exposure to wood dust with lung cancer (RR 1,21; 95% CI 1,05 - 1,39, n=33). Conversely, a low risk was found (RR 0,63; 95% CI 0,39 -0,99 n = 5) in studies originating from the Nordic countries where the wood character is soft wood. This meta-analysis provides strong evidence of a relationship between wood dust exposure and lung cancer, which is strongly influenced by the geographic area of ​​the study. The reason for estimating the specific effects of this area remains to be clarified, but it might show a differential effect for hardwood and softwood dust. The last cross sectional design study conducted 2 studies and found an increased risk of lung cancer for substantial cumulative exposure to wood dust with cancer control (OR 1,4 95% CI 1,0-2,0) and (OR 1,7 with 95% CI 1,1-2,7).Conclusion: Both selected studies state that exposure to wood dust increases the risk of lung cancer, for this reason, efforts are needed to control wood dust exposure in the workplace."

"Aerosol karbon hitam menimbulkan risiko potensial bagi kesehatan manusia. Karbon hitam telah dilaporkan menjadi penyebab penting bagi beberapa penyakit kardiovaskular dan pernapasan manusia. International Agency for Research on Cancer (IARC) menyatakan bahwa klasifikasi karbon hitam adalah 2b, yaitu berpotensi menyebabkan kanker. Ini menandakan bahwa efek karsinogenik karbon hitam untuk manusia masih kontroversial. Laporan kasus berikut ini memaparkan kasus kanker paru-paru akibat pajanan karbon hitam dan meninjau literatur laporan kasus okupasi untuk mendapatkan jawaban tentang efek pajanan karbon hitam dan meningkatnya risiko kanker paru-paru di antara pekerja yang terpajan karbon hitam. Pencarian literatur dilakukan untuk menjawab pertanyaan klinis melalui database elektronik: PubMed dan Google Scholar. Kata kunci yang digunakan adalah 'karbon hitam' DAN 'kanker paru-paru' DAN 'pekerja'. Kriteria inklusi dari strategi pencarian ini adalah pekerja yang terpapar karbon hitam, studi meta analisis, kasus control,prosfektif kohort. Kriteria pengecualian dari artikel ini adalah artikel yang tidak dapat diakses, RCTs yang telah digunakan dalam systemic review. Artikel yang dipilih kemudian dianalisa kritis menggunakan kriteria yang relevan oleh Oxford Center for Evidence-based Medicine. Penelitian ini mengulas literatur oleh Rota Matteo, et all 2014; Bukti epidemiologis tentang karbon hidro poliaromatik (PAH) tinggi terpapar, studi kohort perspektif oleh Delli LD, et all 2015 dan studi kasus kontrol oleh Marie EPt, dkk 1996. Ketiga penelitian menunjukkan bahwa potensi karsinogenik hitam karbon sama dengan pernyataan monograf IARC bahwa studi epidemiologi karbon hitam memberikan bukti karsinogenisitas yang kurang memadai (Kelompok 2B).

---

Carbon black aerosol has potential risks on human health. Carbon black has been reported to be an important cause for several human cardiovascular and respiratory diseases. International Agency for Research on Cancer (IARC) stated that carbon black classification is 2b, that is carcinogenic. This report explains a case of lung cancer due to carbon black exposure and reviews the literature of occupational cases to get the answers about the effects of carbon black exposure and the increasing risk of lung cancer among carbon black exposed workers. The literature search was performed to answer the clinical question via electronic databases: PubMed and Google Scholar. The keywords used were ‘carbon black’ AND ‘lung cancer’ AND ‘workers’. The inclusion criteria of this searching strategy were the workers which exposed to carbon black, meta analysis, randomizes controlled trial, systematic reviews, cohort. The exclusion criteria of this article were inaccessible articles, RCTs that have been used in recent systematic review. The selected articles were then critically appraised using relevant criteria by the Oxford Center for Evidence-based Medicine. This study reviews the literature by Rota Matteo, et all 2014; The epidemiological evidence on the polyaromatic hydro carbon (PAH) high exposed, perspective cohort study by Delli LD, et all 2015 and the control case study by Marie EPt, et al 1996. The three researches showed that carbon black carcinogenic potential is the same with the IARC monograph statement that the epidemiological studies of carbon black provide inadequate evidence of carcinogenicity (Group of 2B)."

"Aim: to assess the quality of life (QOL) of lung cancer patients.Subject and methods: Twenty-four subjects were interviewed, and questionnaires were filled to evaluate the subjective quality of life of the patients. Objective evaluation was conducted using the Karnofsky Performance Status (KPS). Subjective evaluation included physical, social, and spiritual dimensions. Evaluation was conducted at the time of diagnosis (initial phase, 24 subjects), and reevaluation was conducted during the adaptive phase (21 subjects).Time and place: the Department of Internal Medicine, Faculty of Medicine of the University of Indonesia, Dr. Cipto Mangunkusumo National Central General Hospital and Dharmais Cancer Hospital, Jakarta, from January 2001 to January 2002.Results: At the time of diagnosis 1 subject had poor QOL, 18 (75%) had moderate QOL, and 5 had high QOL. At the reevaluation, 8 had mild QOL and 13 had high QOL.Conclusions: There was a significant increment of quality of life from the time of diagnosis to the second evaluation.Abbreviations: (QOL) quality oflife,(KPS)Karnofsky Perfomance Status"

"Durasi yang lama dan prediksi dosis distribusi yang kurang optimal sering menjadi permasalahan utama dalam treatment planning kanker paru-paru secara manual. Model machine learning berbasis Gradient-Boosted Trees dapat dimanfaatkan untuk mempercepat proses dan menstandarisasi distribusi dosis treatment planning. Penelitian ini memanfaatkan 60 set data treatment planning kanker paru-paru yang diamati dan dikumpulkan oleh MRCCC Siloam Hospitals Semanggi yang dijadikan sebagai set data klinis. Set data yang telah diperoleh dibagi ke dalam 2 kelompok yaitu, 42 set data sebagai data training model machine learning dan 18 set data sebagai data testing model machine learning. Dalam penelitian ini, proses treatment planning memprediksi distribusi dosis yang telah dinormalisasi untuk organ PTV dan OAR. Organ PTV memiliki fitur dosis D2, D50, dan D98. Sementara itu, OAR terdiri atas paru-paru kanan, paru-paru kiri, jantung, dan sumsum tulang belakang. Setiap OAR memiliki fitur dosis yang terdiri atas dosis rata-rata (Dmean) dan dosis maksimum (Dmax). Data prediksi treatment planning menggunakan machine learning kemudian dibandingkan dengan data treatment planning klinis. Perbandingan hasil treatment planning tersebut ditampilkan menggunakan diagram boxplot nilai dosis distribusi PTV dan OAR yang telah dinormalisasi. Kemampuan Gradient-Boosted Trees dalam memprediksi dosis distribusi untuk PTV dan OAR dilihat dari nilai kesalahan mutlak rata-rata terhadap data klinis. Prediksi dosis distribusi PTV memiliki nilai kesalahan mutlak rata-rata sebesar 0,015 (D2), 0,017 (D50), dan 0,022 (D98). Setiap OAR memiliki nilai kesalahan mutlak rata-rata untuk masing-masing fitur dosis rata-rata dan maksimumnya, yaitu sebesar 0,153 (Dmean) dan 0,254 (Dmax) untuk paru-paru kanan, 0,167 (Dmean) dan 0,294 (Dmax) untuk paru-paru kiri, 0,1 (Dmean) dan 0,252 (Dmax) untuk jantung, serta 0,044 (Dmean) dan 0,136 (Dmax) untuk sumsum tulang belakang. Oleh karena itu, prediksi model Gradient-Boosted Trees bekerja lebih baik untuk PTV karena memiliki nilai kesalahan mutlak rata-rata yang lebih kecil dibandingkan dengan OAR.

---

Timeconsuming duration and suboptimal distribution dose prediction become the frequently-happened problems during the manual treatment planning for lung cancer. Gradient-Boosting model can be used for easing treatment planning’s process and standardising its distribution dose. This research uses 60 clinical datasets of lung cancer’s treatment planning that has been collected and processed by Semanggi Siloam Hospitals’ MRCCC. Those datasets are divided into two groups, the training data with 42 datasets and the testing data with 18 datasets. In this research, treatment planning predicts the distribution doses that have been normalised for each PTV’s and OARs’ features. The PTV dose features consist of D2, D50 and D98. Meanwhile, OARs consist of right lung, left lung, heart and spinal cord. Each OAR has mean dose (Dmean) and maximum dose (Dmax) as its dose features. The comparison is shown using boxplot diagrams with normalised dose as its value. The results of the treatment planning prediction using Gradient-Boosting model are then compared to the clinical data. The ability of the Gradient-Boosting model in predicting the distribution dose is calculated based on every Mean Absolute Error (MAE) of the PTV’s and OARs’ dose features. The PTV has 0,015 (D2), 0,017 (D50) and 0,022 (D98) as its MAEs. The OARs’ MAEs consist of 0,153 (Dmean) and 0,254 (Dmax) for right lung, 0,167 (Dmean) and 0,294 (Dmax) for left lung, 0,1 (Dmean) and 0,252 (Dmax) for heart, also 0,044 (Dmean) and 0,136 (Dmax) for spinal cord. In conclusion, Gradient-Boosting model works better for predicting PTV’s distribution dose than the OARs since MAEs for PTV dose features are much smaller compared to the OAR."