Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Secara khusus, kanker otak adalah kanker yang terjadi pada sistem saraf pusat. Salah satu hal yang dapat dilakukan untuk penelitian kanker otak menggunakan machine learning adalah melakukan pendeteksian jenis kanker otak dengan memanfaatkan microarray data. Permasalahan tersebut merupakan masalah klasifikasi multikelas. Dengan menggunakan pendekatan one versus one, akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Karena data kanker otak memiliki fitur yang sangat banyak, perlu dilakukan seleksi fitur. Pada penelitian ini, akan diimplementasikan metode Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM-RFE sebagai metode seleksi fitur, dan Twin Support Vector Machine TWSVM sebagai metode klasifikasi. Pada metode MMSVM-RFE dilakukan pelatihan SVM-RFE pada setiap masalah dua kelas, sehingga setiap masalah dua kelas memiliki pengurutan fitur masing-masing. Sebagai metode klasifikasi, TWSVM memiliki tujuan untuk mencari hyperplane masing ndash; masing kelas sedemikian sehingga data kelas satu sedekat mungkin terhadap suatu hyperplane namun sejauh mungkin dengan hyperplane lainnya. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel linear pada TWSVM adalah 95,33 dengan menggunakan 200 fitur. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel RBF pada TWSVM adalah 87 dengan 70 fitur. Sedangkan apabila proses validasi juga dilakukan pada seleksi fitur, rata-rata akurasi tertinggi yang diperoleh adalah 90,67 dengan menggunakan 90 fitur.

---

ABSTRACTCancer is one of main causes of death worldwide. Brain cancer is a type of cancer which occurs at central nervous system. Taking advantage from microarray data, machine learning methods can be applied to help brain cancer prediction according to its types. This problem can be referred as a multiclass classification problem. Using one versus one approach, the multiclass problem with k classes can be transformed into k k 1 2 binary class problems. The huge amount of features makes it necessary to use feature selection. In this research, Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM RFE method is implemented as the feature selection method, and Twin Support Vector Machine TWSVM method is implemented as the classification method. The main concept of MMSVM RFE is to train SVM RFE at each binary problem so that each binary problem will have their own arrangements of feature. As a classification method, TWSVM is trained to find two hyperplanes, each representative of its own class. The data of one class must be as near as possible from its representative hyperplane while also must be as far as possible from the other hyperplane. In the simulation which uses linear kernel on MMSVM RFE and linear kernel on TWSVM, the highest average accuracy is 95,33 , using 200 features. In the simulation which uses linear kernel on MMSVM RFE and RBF kernel on TWSVM, the highest average accuracy is 87 , using 70 features. In the case where the feature selection process is included in doing validation, the highest average accuracy is 90,67 , using 90 features."

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"ABSTRACTNilai indeks gamma yang dihasilkan antara satu perencanaan dengan perencanaan lainnya berbeda. Perbedaan ini mungkin dipengaruhi oleh banyak hal seperti detektor yang digunakan, kasus kanker yang berbeda, dll. Akan tetapi, terdapat passing criteria yang direkomendasikan oleh AAPM TG 119, sehingga seharusnya nilai indeks gamma tidak akan bernilai jauh dari passing criteria yang telah direkomendasikan. Oleh karena itu, pada penelitian ini akan dilakukan evaluasi konsistensi verifikasi yang dilakukan di RS MRCCC Siloam Hospital Semanggi dengan cara melihat perbedaan nilai rata-rata indeks gamma setiap tahunnya selama 8 tahun sejak tahun 2011-2018. Uji statistika juga dilakukan untuk menganalisis perbedaan dan pengaruh antara detektor yang berbeda, kasus kanker yang berbeda, serta teknik penyinaran yang berbeda terhadap nilai indeks gamma yang dihasilkan. Peralatan yang digunakan dalam penelitian ini adalah Pesawat LINAC Varian Clinac iX dengan TPS Eclipse versi 8.6-13, detektor 2D array bilik ionisasi MatriXXEvolution , EPID serta software Portal Dosimetry, Omni Pro I rsquo;mRT dan SPSS. Secara umum, metode penelitian dibagi menjadi beberapa tahap yaitu : pencatatan data pasien, verifikasi perencanaan, evaluasi indeks gamma, uji statistika dan analisis. Uji statistika yang digunakan merupakan uji Kruskal-Wallis, Mann-Whitney dan Wilcoxon. Uji Kruskal Wallis digunakan untuk melihat perbedaan rata-rata nilai indeks gamma setiap tahunnya. Uji Mann Whitney digunakan untuk melihat perbedaan rata-rata nilai indeks gamma antara kanker otak dan kanker prostat serta melihat perbedaan rata-rata nilai indeks gamma yang dihasilkan antara teknik IMRT dan VMAT. Uji Wilcoxon digunakan untuk melihat perbedaan rata-rata nilai indeks gamma detektor MatriXX dan EPID. Hasil penelitian menunjukkan perbedaan yang signifikan secara statistika pada nilai rata-rata indeks gamma antara dua detektor, dua teknik IMRT dan VMAT, serta antara dua kasus kanker yang berbeda, sedangkan nilai rata-rata indeks gamma per tahun tidak signifikan secara statistika. Secara keseluruhan, nilai rata-rata indeks gamma setiap tahunnya konsisten. Oleh karena itu, disimpulkan bahwa verifikasi yang dilakukan di RS MRCCC Siloam selama 8 tahun konsisten secara statistika.

---

ABSTRACTThe gamma index value generated between one plan and another is normally different. This can be affected by many factors such as the usage of different detectors, different type of cancer cases, etc. However, there is certain passing criteria recommended by AAPM TG 119, thus the gamma index value ideally should not be much far from the recommended passing criteria. Therefore, this study will evaluate the verification consistency conducted at MRCCC Siloam Hospital Semanggi by looking at the difference between the mean value of gamma index every year for 8 years since 2011 2018. Statistical tests were also performed to analyze differences and effects between different detectors, different cancer cases, and different irradiation techniques on the resulting gamma index values. The equipment used in this research was LINAC Varian Clinac iX with TPS Eclipse version 8.6 13, 2D detector MatrixEvolution ionization array, EPID and Dosimetry Portal software, Omni Pro I 39 mRT and SPSS. In general, the study method is divided into several stages patient data recording, planning verification, gamma index evaluation, statistical test run, and analysis. The statistical test used is Kruskal Wallis, Mann Whitney and Wilcoxon test. The Kruskal Wallis test was used to see the average difference in the gamma index value annually. In addition, Mann Whitney test was used to see the difference in gamma index mean values between brain cancer and prostate cancer and to see the difference in gamma index mean values generated between IMRT and VMAT techniques. Furthermore, Wilcoxon test was used to see the difference in gamma index mean values of MatriXX and EPID detectors. The results showed statistically significant differences on the gamma index mean values between two detectors, two IMRT and VMAT techniques, and between two different cancer cases, while the difference between gamma index mean value per year was not statistically significant. Overall, the average value of the gamma index each year is consistent. Therefore, the verification performed at MRCCC Siloam Hospital for over 8 years is consistent statistically."