Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker payudara adalah sekelompok penyakit di mana sel-sel di jaringan payudara berubah dan membelah secara tidak terkendali, yang biasanya menghasilkan benjolan atau massa. World Health Organization (WHO) telah merilis data dari Global Burden of Cancer (GLOBOCAN) yang menyebutkan bahwa jumlah kasus dan kematian akibat kanker payudara diperkirakan terus meningkat hingga lebih dari 13,1 juta pada tahun 2030. Salah satu metode yang menjadi gold standard dalam mendiagnosis kanker payudara adalah melalui pemeriksaan histopatologi, yang melibatkan pengambilan jaringan utuh melalui operasi, biopsi atau kerokan untuk menentukan jenis tumor payudara baik ganas ataupun jinak. Pemeriksaan ini berfungsi untuk melihat perubahan morfologi sel dari jaringan dengan metode paraffin. Metode machine learning dan deep learning berperan penting dalam klasifikasi kanker payudara. Belakangan ini, metode deep learning telah mengalami kemajuan yang besar dan kinerja yang baik dalam visi computer dan pemrosesan gambar yang diterapkan dalam metode klasifikasi pada citra gambar histopatologi. Dalam penelitian ini, penulis mengklasifikasi dua kelas pada kanker payudara menggunakan metode Xtreme of Inception (Xception) pada data citra histopatologi menjadi dua kelas, yaitu kelas jinak dan kelas ganas, yang terbagi menjadi dua kasus, dimana kasus 1 memiliki rasio pemisah data dimana data training : validation : testing sebesar 8:1:1 dan kasus kedua memiliki rasio 7:2:1. Dari hasil simulasi yang telah dilakukan, diperoleh hasil evaluasi dari kedua kasus penelitian bahwa pada evaluasi training model, kasus 1 memiliki hasil terbaik dimana pemisah data memiliki rasio 8:1:1 yang memiliki rata-rata accuracy 98,11%, validation 98,45% serta running time 663027.5772 ms. Seperti halnya pada evaluasi training model, pada evaluasi testing model kasus 1 dengan rasio pemisah data 8:1:1 memiliki hasil terbaik yaitu precision 96,56%, recall 99,55%, accuracy 99,55% serta running time 607,6727 ms.

---

Breast cancer is a group of diseases in which cells in the breast tissue change and divide uncontrollably, which usually results in a lump or mass. The World Health Organization (WHO) has released data from the Global Burden of Cancer (GLOBOCAN) which states that the number of cases and deaths from breast cancer is expected to continue to increase to more than 13.1 million in 2030. One of the methods that has become the gold standard in diagnosing Breast cancer is through histopathological examination, which involves taking intact tissue through surgery, biopsy or scraping to determine the type of breast tumor whether malignant or benign. This examination serves to see changes in cell morphology of tissues with the paraffin method. Machine learning and deep learning methods play an important role in breast cancer classification. Recently, deep learning methods have experienced great progress and good performance in computer vision and image processing applied in classification methods on histopathological images. In this study, the authors classified two classes of breast cancer using the Xtreme of Inception (Xception) method on histopathological image data into two classes, namely the benign class and the malignant class, which were divided into two cases, where case 1 had a data separator ratio where the training data : validation : testing is 8:1:1 and the second case has a ratio of 7:2:1. From the simulation results that have been carried out, the evaluation results of the two research cases show that in the training model evaluation, case 1 has the best results where the data separator has a ratio of 8:1:1 which has an average accuracy of 98.11%, validation of 98.45 % and running time 663027.5772 ms. As with the evaluation of the training model, the evaluation of testing model case 1 with a data separation ratio of 8:1:1 has the best results, namely 96.56% precision, 99.55% recall, 99.55% accuracy and 607.6727 ms running time."

"Tanaman padi merupakan salah satu tanaman pangan terpenting di dunia terutama di negara-negara bagian Southeast Asia. Jumlah penduduk di dunia pun semakin meningkat setiap tahunnya sehingga kebutuhan akan makanan pokok seperti beras juga akan semakin meningkat. Namun karena adanya serangan hama dan penyakit pada tanaman padi menyebabkan kualitas dan kuantitas pada tanaman padi menurun sehingga terjadi kerugian besar dalam produksi beras. Untuk mengatasi masalah tersebut, pendeteksian penyakit pada tanaman padi menjadi sangat penting karena dapat mencegah terjadinya penurunan produksi beras. Oleh karena ini, pemrosesan data citra dan machine learning bisa menjadi salah satu cara untuk membantu mempercepat diagnosis penyakit pada tanaman padi. Pada penelitian ini, penulis menggunakan pendekatan deep learning yaitu metode Convolutional Neural Network (CNN) dengan arsitektur Xception untuk mengklasifikasi penyakit pada tanaman padi menggunakan citra daun. Data citra daun tanaman padi yang digunakan dalam penelitian ini adalah Rice Leaf Disease Image Samples yang diambil dari online database mendeley yang berisi 5932 data citra yang terdiri dari empat jenis penyakit daun padi yaitu penyakit hawar daun (Bacterial leaf blight), penyakit blas (Blast), penyakit bercak daun cokelat (brown spot), dan penyakit Tungro. Penulis melakukan tahap preprocessing sepeti crop dan resize agar ukuran citra sesuai dengan input pada model. Selanjutnya, Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur Xception. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, precision, dan running time. Rata-rata Accuracy, recall, dan precision yang dilakukan dalam 5 kali percobaan didapatkan pada split data 70:30 adalah masing-masing 99.708%, 99.707 %, dan 99.728% dan pada split data 80:20 masingmasing 99,662%, 99,688%, dan 99,687%. Running time yang didapatkan pada split data 70:30 adalah 43 menit dan pada split data 80:20 adalah 49 menit.

---

Rice is one of the most important food crops in the world, especially in Southeast Asian countries. The world's population is increasing every year so that the need for staple foods such as rice will also increase. However, due to pest and disease attacks on rice plants, the quality and quantity of rice plants decreases, resulting in huge losses in rice production. To overcome this problem, disease detection in rice plants is very important because it can prevent a decrease in rice production. For this reason, looking at image data and machine learning can be one way to help encourage disease diagnosis in rice plants. In this study, the author uses a deep learning approach, namely the Convolutional Neural Network (CNN) method with Xception architecture to classify diseases in rice plants using leaf imagery. The rice leaf image data used in this study is the Rice Leaf Disease Image Sample taken from the online mendeley database which contains 5932 image data consisting of four types of rice leaf disease, namely bacterial leaf blight and blast disease. , brown leaf spot disease (brown spot), and Tungro disease. The author performs preprocessing stages such as cropping and resizing so that the image size matches the input in the model. Furthermore, the model that will be built through the data uses the CNN method with the Xception architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. Value Performance Model with values of accuracy, recall, precision, and running time. The average accuracy, recall, and precision carried out in 5 trials at the 70:30 data split were 99.708%, 99.707%, and 99.728%, respectively, and in the 80:20 data split they were 99.662%, 99.688%, respectively, and 99.687%. The running time obtained in the 70:30 data split is 43 minutes and the 80:20 data split is 49 minutes."

"ABSTRACTKanker payudara adalah pertumbuhan sel-sel abnormal di jaringan pada payudara yang berkembang secara tidak terkendali. Perkembangan sel-sel abnormal secara tidak terkendali ini menyebabkan kanker menjadi salah satu penyakit paling mamatikan yang umumnya dialami oleh wanita di seluruh dunia. Salah satu cara untuk mengurangi berkembangnya sel kanker ini adalah dengan melakukan pendeteksian dini menggunakan machine learning. Beberapa metode machine learning berhasil melakukan klasifikasi kanker. Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Kernel Spherical K-Means (KSPKM) adalah salah satu metode clustering dengan mengganti hasil kali dalam yang ada pada Spherical K-Means (SPKM) dengan fungsi Kernel. Data kanker payudara yang digunakan pada penelitian ini adalah data kanker payudara Coimbra. Data kanker payudara Coimbra ini merupakan hasil dari pengambilan tes laboratorium yang dapat mendeteksi kanker payudara pada tubuh. Hasil klasifikasi data kanker payudara Coimbra dengan menggunakan metode SPKM memiliki hasil akurasi sebesar 81,82% dengan running time selama 0,16 detik, sensivicity sebesar 100%, dan specificity sebesar 65,62% sedangkan hasil akurasi dengan menggunakan KSPKM dengan Radial Basis Function (RBF) adalah 72,41% dengan running time 0,98 detik, sensivicity sebesar 61,54%, dan specificity sebesar 81,25% . Berdasarkan hasil akurasi pada 10% sampai 90% data yang digunakan, metode KSPKM menghasilkan akurasi yang lebih stabil dibandingkan hasil akurasi pada metode SPKM.

---

ABSTRACTBreast cancer is the growth uncontrollably of abnormal cells in the tissue in the breast. The development of abnormal cells uncontrollably causes cancer to become one of the most deadly diseases commonly among women the worldwide. One way to reduce the development of cancer cells is by early detection using machine learning. Some machine learning methods successfully classify cancer. Clustering is one of the methods of machine learning that aims to grouping of a dataset into subsets based on distance measurement.. Kernel Spherical K-Means (KSPKM) is one of the clustering methods by replacing the inner products in the Spherical K-Means (SPKM) by Kernel functions. The breast cancer data used in this study were Coimbra breast cancer data. The Coimbra breast cancer data is the result of taking laboratory tests that can detect breast cancer in the body. The classification results for Coimbra breast cancer data using the SPKM method has highest accuracy 81,82% with running time for 0,16 seconds, sensivicity 100%, and specificity 65,62% while the highest accuracy results using KSPKM with Kernel radial basis function (RBF) are 72,41% with running time 0,98 seconds, sensivicity 61,54%, and specificity 81,25%. Based on the results of the accuracy of 10% to 90% of the training data used, the KSPKM method produces more stable accuracy than the accuracy results of SPKM method."

"ABSTRAK: Iridologi adalah studi tentang pola dan warna pada iris mata untuk menentukan informasi tentang kesehatan pasien secara keseluruhan. Salah satu pola yang dapat dilihat adalah Lymphatic Rosary yang terlihat seperti bintik – bintik kecil berwarna putih seperti awan yang mengililingi iris mata membentuk menyerupai untaian mutiara atau rosario. Lymphatic Rosary mengindikasikan adanya penyumbatan pada saluran limfa, yang dapat menyebabkan daya tahan tubuh terhadap stress dan penyakit melemah, menjadi rentan terhadap penyakit. Telah banyak penilitian yang dilakukan menggunakan Deep Learning ataupun Machine Learning terkait Iridologi untuk melakukan pengenalan pada pola dan warna pada iris mata secara otomatis untuk mendeteksi berbagai penyakit, seperti diabetes dan kolestrol yang tinggi. Tetapi belum ada penelitian yang mengaplikasikan Deep Learning ataupun Machine Learning untuk melakukan pengenalan otomatis pada Lymphatic Rosary. Penelitian ini akan mengevaluasi performa model Deep Learning dalam melakukan pengenalan otomatis pada Lymphatic Rosary untuk melakukan klasifikasi pada gambar mata normal dan gambar mata dengan Lymphatic Rosary menggunakan algoritma SVM, KNN dan CNN. Dari algoritma yang diuji, algoritma CNN tidak berhasil dalam mengklasifikasikan gambar mata normal dengan gambar mata dengan Lymphatic Rosary. Hasil dari algoritma SVM mendapatkan tingkat akurasi yang paling tinggi, sampai 98,62%.

---

Abstract : Iridology is the study of the pattern and color of the iris of the eyes to determine information about the patient's overall health. One of the patterns that can be seen is the Lymphatic Rosary which looks like small white spots like clouds that surround the irises to form like a string of pearls or a rosary. Lymphatic Rosary is an obstruction in the lymph channels, which can cause the body's resistance to stress and disease to weaken, making it susceptible to disease. Many studies have been carried out using Deep Learning or Machine Learning related to Iridology to automatically recognize patterns and colors in the iris to detect various disease, such as diabetes and high cholesterol. But there is no research that applies Deep Learning or Machine Learning to perform automatic recognition of the Lymphatic Rosary. This study will analyze the performance of the Deep Learning model in performing automatic recognition on the Lymphatic Rosary to classify images of normal eyes and images of eyes with the Lymphatic Rosary using the SVM, KNN and CNN algorithms. Of the algorithms tested, the CNN algorithm was not successful in classifying normal eye images with eye images with the Lymphatic Rosary. The results of the SVM algorithm get the highest level of accuracy, up to 98.62%"

"Dengan bertambahnya populasi di Bumi ini, meningkat juga kebutuhan pangan dalam kehidupan. Karena itu, dunia agrikultur diharuskan dapat berjalan dengan efektif dan aman dari ancaman. Meski begitu, pengawasan perkebunan tidak dapat dilakukan oleh manusia terus-menerus, sehingga lahan tersebut dapat diserang oleh gulma, yaitu hama tanaman yang tumbuh dan mengambil nutrisi tanah yang membantu pertumbuhan tanaman agrikultur. Dengan adanya pertimbangan ini, dirancang sistem deteksi objek yang menggunakan ekstraksi objek yang dapat mengambil fitur dari dedaunan tanaman dan membandingkannya dengan fitur dedaunan gulma. Fitur yang diambil berupa bentuk dari daun, dilihat melalui ekstraksi fitur titik ujung suatu objek melalui Oriented FAST and Rotated BRIEF (ORB), dan ekstraksi fitur tekstur objek melalui Local Binary Pattern (LBP). Kedua ekstraksi fitur ini digabungkan melalui metode normalisasi dan z-score, dan akan dijalankan dalam bahasa Python. Evaluasi dilakukan dengan membandingkannya dengan bila sistem dijalankan dengan ORB sendiri dan LBP sendiri, melalui akurasinya. Selain itu, dilakukan evaluasi terhadap SVM untuk klasifikasi citra, dengan menentukan akurasi mana yang lebih tinggi di antara SVC dengan tiga kernel linear, RBF, dan polynomial, atau LinearSVC. Hasil penelitian menunjukan bahwa model deteksi objek menggunakan ORB saja memiliki akurasi lebih tinggi dengan nilai akurasi 0.912 dibanding dengan model deteksi objek dengan LBP yang memiliki akurasi 0.808. Untuk evaluasi model klasifikasi SVM yang sudah menggunakan ekstraksi fitur LBP, SVC dengan kernel linear dan RBF memiliki akurasi yang tinggi, di mana SVC dengan kernel linear memiliki nilai 0.77, dan dengan RBF 0.79. Namun, peningkatan dari akurasi SVC dengan RBF tidak dapat menandingi waktu eksekusi SVC dengan kernel linear yang memiliki nilai 2.62 ms, bila dibanding dengan kernel RBF yang mencapai 3.76 ms.

---

, With the increase in Earth’s population, the daily need for food also rises. Due to this, the world of agriculture must run effectively and safe from any threats. However, constant observations of plantations by humans are not possible, leading to the fields to be overgrown by weeds, a pest in the form of plants that grow and take the nutrients of planted crops. With this in consideration, a detection system utilizing feature extraction algorithms designed that is capable of extracting the features, which are shapes and textures, of leaves and weeds. Shapes are taken into account by edge-based feature extraction model, Oriented FAST and Rotated BRIEF(ORB), while textures are analyzed by binary-based Locab Binary Pattern (LBP). These two features are joined using normalization and z-score method, and is run using Python. Evaluation is done by comparing the system with two others using only ORB and LBP, through its accuracy in the system. Other than that, Evaluation will be done on SVM-based image classification, by deciding which of the SVM with three different kernels, linear, RBF and polynomial, and LinearSVC, has the highest accuracy. After evaluation, it is found that ORB is a better feature extraction algorithm within the system, with an accuracy of 0.912, followed by LBP with accuracy of 0.808. For evaluation on SVM with LBP as feature extraction algorithm, SVC with linear and RBF kernels are two of the highest classification models in term of accuracy, with SVC with linear kernel having 0.77 in value, while SVC with RBF kernel having 0.79. However, the 0.02 increase in SVC with RBF kernel’s accuracy is negligible, due to having a longer execution time of 3.76 ms, while SVC with linear kernel has 2.62 ms, making SVC with linear kernel a better choise due to efficiency."

"Walaupun machine learning semakin umum digunakan pada berbagai bidang, mempercayakan sebuah kotak hitam untuk mengambil keputusan yang krusial, seperti keputusan terkait bidang kesehatan dan hukum, merupakan hal yang beresiko. Karena hal ini, merupakan ide yang baik jika terdapat suatu model machine learning yang mekanisme pengambilan keputusannya dapat diinterpretasikan oleh penggunanya untuk menjelaskan keputusan yang diambil. Dengan motivasi ini, tugas akhir ini akan berfokus pada studi lanjut mengenai model interpretable machine learning berbasis MaxSAT, yaitu MLIC dan IMLI. MLIC merupakan sebuah model interpretable machine learning berbasis MaxSAT yang mekanisme di dalamnya dapat terlihat secara transparan melalui rule berbentuk CNF dan DNF yang dihasilkan. Akan tetapi, performa waktu training model ini sangat buruk. Untuk mengatasi hal ini, IMLI dikembangkan dengan cara memodifikasi MLIC menggunakan sifat incremental. Hal ini berhasil meningkatkan waktu training MLIC dengan pengorbanan akurasi yang cukup kecil. Melalui studi lanjut ini, tugas akhir ini kemudian akan memaparkan perbandingan akurasi IMLI dengan cara mengganti metode diskretisasi fitur kontinu di dalamnya, dari diskretisasi berbasis quantile 10 bin menjadi diskretisasi berbasis entropi. Dari eksperimen yang dilakukan, diperoleh hasil bahwa IMLI memiliki performa waktu training hingga 1000 kali lebih baik daripada MLIC dengan pengorbanan akurasi tes secara rata-rata sebesar 1.47%. Kemudian, penggunaan diskretisasi berbasis entropi menghasilkan akurasi tes 2.67% lebih baik secara rata-rata dibandingkan diskretisasi berbasis quantile 10 bin pada IMLI. Uji statistik menunjukkan bahwa pengorbanan akurasi yang terjadi pada IMLI secara umum tidak signifikan. Terkait ukuran rule yang dihasilkan, diperoleh perubahan yang bervariasi tergantung dataset yang digunakan, baik antara MLIC dan IMLI maupun antara diskretisasi berbasis quantile dan entropi. Terakhir, tugas akhir ini juga akan memaparkan koreksi pengaruh banyak partisi terhadap waktu training yang sebelumnya dipaparkan pada paper IMLI.

---

Despite the wide adoption of machine learning in various domains, trusting a black-box machine learning model to make critical decisions, e.g. in medical and law, might be too risky. Thus, having a transparent machine learning model whose decision-making mechanism is easy to understand by humans is increasingly becoming a requirement. Motivated by this, this bachelor’s thesis conducts a thorough study about the MaxSAT- based interpretable machine learning model, namely MLIC and IMLI. MLIC is a MaxSAT-based interpretable machine learning model whose mechanism is transparent by its generated CNF and DNF rules. However, it suffers from poor training time performance. To overcome this, an incremental version of MLIC, namely IMLI, was developed. IMLI has a far better training time performance with a slight sacrifice on its accuracy. This bachelor’s thesis then compares IMLI accuracy by changing its discretization method from the 10-bin quantile-based discretization to the entropy-based discretization. The conducted empirical studies show that IMLI has better training time performance, up to 1000 times better than MLIC with 1.47% sacrifice of test accuracy on average. It also shows that the entropy-based discretization results in 2.67% higher test accuracy on average compared to the 10-bin quantile-based discretization in IMLI. Test statistic shows that the sacrifice of accuracy in IMLI is insignificant. For the rule size, it shows that the choice of model and its discretization has various effects across the datasets. Lastly, this bachelor’s thesis explains a correction on the effect of partitions to training accuracy that is reported in the IMLI paper."

"Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya.

---

Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers."

"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."

"Kanker prostat merupakan masalah kesehatan yang umum terjadi pada pria di seluruh dunia. Diagnosis dini dan akurat sangat penting untuk pengobatan yang efektif. Spektroskopi Raman (RμS) menawarkan teknik yang menjanjikan untuk menganalisis sampel jaringan dan berpotensi membedakan antara jaringan prostat jinak dan ganas. Studi ini menyelidiki kemanjuran algoritma Machine Learning dalam mengklasifikasikan kanker prostat menggunakan data RS dari spesimen biopsi. Data Spektrum Raman yang digunakan berasal dari penelitian di Kanada yang dikumpulkan dari tiga kelompok Cohort yakni Centre Hospitalier de l’Universit´e de Montr´eal (CHUM) sebagai Cohort training, serta University Health Network (UHN) dan Centre Hospitalier de l’Universite de Montreal (CHUQc-UL) sebagai Cohort testing. Spektrum ini, yang mewakili komposisi kimia jaringan (Raw Spectra), digunakan untuk training dan model evaluation Machine Learning.Untuk membantu menganalisis komposisi kimia data RμS yang akurat, diperlukan algoritma Machine Learning dalam mengklasifikasikan BPH dan PC. Dua algoritma yang digunakan adalah Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost). Data RμS dilakukan training dan testing menggunakan data yang berbeda yang menghasilkan nilai metrik klasifikasi dari dua algoritma yang dibandingkan dalam mengklasifikasikan sampel BPH atau PC. Ternyata, algoritma XGBoost memiliki kemampuan klasifikasi yang kurang unggul daripada SVM, hal ini dibuktikan dengan SVM memiliki rata-rata Akurasi sebesar 83,3%, Sensitivitas sebesar 96.,7%, Spesifisitas sebesar 46,4%, F1-Score sebesar 98,1%, dan ROC-AUC sebesar 87,7%. Sementara, XGBoost menunjukkan Akurasi sebesar 78%, Sensitivitas sebesar 80%, Spesifisitas sebesar 75%, F1-Score sebesar 78%, dan ROC-AUC sebesar 85%.Selain itu kedua algoritma juga bisa menentukan titik Feature Importance pada grafik Spektra Raman, yang ditunjukkan dengan beberapa fitur vibrasi molekul untuk BPH dan PC berdasarkan algoritma SVM dan XGBoost, yakni 720 cm−1, 828 cm−1, dan 931 cm−1 sebagai karakteristik jaringan BPH, dan 1.431 cm−1 dan 1.470 cm−1 sebagai jaringan PC.

---

Prostate cancer is a common health problem in men worldwide. Early and accurate diagnosis is essential for effective treatment. Raman spectroscopy (RμS) offers a promising technique to analyze tissue samples and potentially differentiate between benign and malignant prostate tissue. This study investigated the efficacy of a Machine Learning algorithm in classifying prostate cancer using RS data from biopsy specimens. The Raman Spectrum data used were from a Canadian study collected from three cohort groups, namely the Centre Hospitalier de l’Universit´e de Montr´eal (CHUM) as the training Cohort, and the University Health Network (UHN) and Centre Hospitalier de l’Universit´e de Montreal (CHUQc-UL) as the testing Cohort. This spectrum, which represents the chemical composition of the tissue (Raw Spectra), is used for training and model evaluation Machine Learning.

To help analyze the chemical composition of accurate RμS data, a Machine Learning algorithm is needed to classify BPH and PC. The two algorithms used are Support Vector Machine (SVM) and Extreme Gradient Boosting (XGBoost). The RμS data is trained and tested using different data that produces classification metric values from the two algorithms that are compared in classifying BPH or PC samples. It turns out that the XGBoost algorithm has a classification capability that is less superior than SVM, this is evidenced by SVM having an average Accuracy of 83.3%, Sensitivity of 96.7%, Specificity of 46.4%, F1-Score of 98.1%, and ROC-AUC of 87.7%. Meanwhile, XGBoost showed Accuracy of 78%, Sensitivity of 80%, Specificity of 75%, F1-Score of 78%, and ROC-AUC of 85%. In addition, both algorithms can also determine the Feature Importance point on the Raman Spectra graph, which is indicated by several molecular vibration features for BPH and PC based on the SVM and XGBoost algorithms, namely 720 cm−1, 828 cm−1, and 931 cm−1 as characteristics of BPH tissue, and 1.431 cm−1 and 1.470 cm−1 as PC tissue."

"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."