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."

"Iron overload adalah kondisi besi berlebih yang disebabkan oleh transfusi darah berkepanjangan. Iron overload dapat menyebabkan terbentuknya radikal bebas dan stres oksidatif, sehingga dapat menyebabkan kerusakan jaringan pada organ paru. Buah mahkota dewa yang mengandung mangiferin, diketahui berpotensi menjadi agen pengkelat besi. Penelitian ini bertujuan untuk mengetahui efek ekstrak buah mahkota dewa sebagai agen pengkelat besi pada organ paru-paru tikus dengan kelebihan besi. Tikus Sprague-dawley jantan akan dibagi menjadi 6 kelompok, kelompok normal, kontrol negatif, deferipron 462,5 mg/kgBB, mangiferin 50 mg/kgBB, Phaleria macrocarpa 100 mg/kgBB, dan Phaleria macrocarpa 200 mg/kgBB. Iron sucrose diberikan kepada semua kelompok kecuali kelompok normal sebanyak 15 mg sebanyak 2 kali seminggu secara intraperitoneal hingga minggu ke-7, kemudian dilarutkan dalam larutan asam perklorat, larutan HNO3, dan aquades. Hasil yang didapatkan adalah semua kelompok yang diinduksi besi, kecuali Phaleria macrocarpa 200 mg/kgBB cenderung menurunkan kadar besi, meskipun tidak signifikan. Kadar besi pada kelompok PM 1 lebih rendah dari kelompok deferipron dan mangiferin, sedangkan kelompok PM2 lebih tinggi dari kelompok kontrol negatif. Kelompok PM1 menurunkan kadar besi lebih baik dibandingkan PM2, mangiferin, dan deferipron

---

Iron overload is a condition of excess iron caused by prolonged blood transfusions. Iron overload can cause the formation of free radicals and oxidative stress, which can cause tissue damage to the lungs. Mahkota dewa which contains mangiferin, is known to have the potential to be an iron chelating agent. This study aims to determine the effect of Mahkota Dewa fruit extract as an iron chelating agent in the lungs of rats with excess iron. Male Sprague-Dawley rats will be divided into 6 groups, normal group, negative control, deferipron 462.5 mg/kgBB, mangiferin 50 mg/kgBB, Phaleria macrocarpa 100 mg/kgBB, and Phaleria macrocarpa 200 mg/kgBB. Iron sucrose was given to all groups except the normal group as much as 15 mg 2 times a week intraperitoneally until the 7th week, then dissolved in perchloric acid solution, HNO3 solution, and distilled water. The results obtained were that all groups induced by iron, except Phaleria macrocarpa 200 mg/kg, tended to decrease iron levels, although not significantly. Iron levels in the PM1 group were lower than the deferipron and mangiferin groups, while the PM2 group was higher than the negative control group. The PM1 group reduced iron levels better than PM2, mangiferin, and deferipron"

"Terapi fotodinamik yang dimediasi asam aminolevulinat (ALA-PDT) merupakan salah satu terapi kanker yang efektif dan minim efek samping. Terapi ini menggunakan ALA untuk mendorong akumulasi selektif protoporfirin IX (PpIX) yang dapat memicu pembentukan spesi oksigen reaktif toksik di dalam sel kanker. Namun, efektivitas ALA-PDT dapat dihambat oleh kerja transporter ABCG2 dan ABCB1 yang menghalangi akumulasi PpIX. Hemin berpotensi menjadi zat kombinasi untuk meningkatkan efektivitas ALA-PDT karena memiliki sifat antitumor dan dapat memengaruhi ekspresi DKK1 sebagai inhibitor jalur Wnt/β-catenin, jalur yang berkaitan dengan regulasi ABCG2 dan ABCB1. Penelitian ini menganalisis pengaruh pemberian kombinasi hemin dan ALA setelah 48 jam pada sel kanker paru-paru A549 terhadap viabilitas sel, akumulasi PpIX intraseluler, ekspresi gen DKK1, ABCG2, ABCB1, serta ekspresi protein ABCG2 dan ABCB1 menggunakan metode uji MTT, HPLC, RT-qPCR, dan western blotting. Hasil menunjukkan bahwa pemberian kombinasi hemin dan ALA yang diikuti fotoiradiasi menurunkan viabilitas sel A549. Akumulasi PpIX intraseluler meningkat setelah perlakuan. Ekspresi gen DKK1 mengalami penurunan, menunjukkan bahwa penurunan viabilitas dan peningkatan akumulasi PpIX tidak melalui penghambatan jalur Wnt/β-catenin oleh DKK1. Ekspresi ABCG2, baik mRNA maupun protein, menurun setelah perlakuan, sedangkan ekspresi ABCB1 meningkat. Hasil tersebut dapat menunjukkan bahwa ABCG2 lebih berperan dibandingkan dengan ABCB1 dalam akumulasi PpIX pada sel A549.

---

Aminolevulinic acid-mediated photodynamic therapy (ALA-PDT) is an effective cancer treatment with minimal side effects. ALA-PDT utilizes ALA to induce selective accumulation of protoporphyrin IX that can trigger the formation of toxic reactive oxygen species within cancer cells. However, ALA-PDT effectiveness can be hindered by ABCG2 and ABCB1 transporters impeding PpIX accumulation. Hemin is a potential substance to combine with ALA due to its antitumor properties and influence on the DKK1 gene expression as a Wnt/β-catenin inhibitor, regulating ABCG2 and ABCB1. This study analyzed the effects of a combination of hemin and ALA after 48 hours on A549 lung cancer cells regarding cell viability, intracellular PpIX accumulation, DKK1, ABCG2, ABCB1 gene expression, and ABCG2 and ABCB1 protein expression, using MTT assay, HPLC, RT-qPCR, and western blotting. The results indicate that the combination of hemin and ALA followed by photoirradiation decreased the viability of A549 cells. Intracellular PpIX accumulation increased after treatment. The DKK1 gene expression decreased, indicating that the decrease in viability and the increase in PpIX accumulation did not occur through the inhibition of the Wnt/β-catenin pathway by DKK1. The expression of ABCG2, both mRNA and protein, decreased after treatment, while ABCB1 expression increased. This result suggests that ABCG2 plays a greater role than ABCB1 in PpIX accumulation in A549 cancer cells."

"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."

"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."

"Pendahuluan: Pasien kanker paru di seluruh dunia meningkat, demikian pula dengan infeksi oportunistiknya, mikosis paru. Meskipun mikosis paru sudah lama dikenal, namunpenelitian yang tepat tentang prevalensi dan insidensinya masih terbatas di Indonesia.Informasi tentang kerentanan itrakonazol sebagai obat oral yang dapat digunakan untuk mengobati mikosis paru juga diperlukan. Tujuan penelitian ini adalah untuk mengetahui profil jamur dan kerentanannya terhadap itrakonazol pada penderita kanker paru. Metode: Desain penelitian deskriptif cross-sectional. Subyek dalam penelitian ini adalah pasien kanker paru yang dirawat di RS Persahabatan dari Januari sampai Mei 2020, dan sputumnya dilakukan pemeriksaan di Laboratorium Mikologi Departemen Parasitologi Universitas Indonesia. Pasien berusia sama atau lebih dari 18 tahun, belum menjalani kemoterapi, dan diperiksa dengan bronkoskopi. Uji kepekaan jamur dilakukan dengan difusi cakram pada agar Müeller Hinton. Itraconazole (8 μg) digunakan dan Amphotericin B (20 μg) dan Fluconazole (25 μg) sebagai kontrol positif. Hasil: Tujuh puluh tujuh pasien didapatkan. Kanker yang paling banyak dijumpai adalah adenokarsinoma pada 58 penderita, sisanya adalah karsinoma sel skuamos. Jenis jamur yang ditemukan adalah Aspergillus niger (22,1%), Aspergillus flavus (15%), Aspergillus fumigatus (14,3%), Candida albicans (40%), Candida glabrata (5%), Candida parapsilosis (2,1%), Candida krusei ( 0,7%), dan Candida tropicalis (0,7%). Sebagian besar spesies masih sensitif terhadap itrakonazol dan amfoterisin B. Kesimpulan: Jenis jamur yang paling banyak ditemukan adalah Candida albicans. Aspergillus spp dan Candida spp dan mayoritas sensitif terhadap Itraconazole.Kata kunci: Kanker paru-paru, Mikosis Paru, Kolonisasi jamur, Candida spp, Aspergillus spp, sputum

---

Introduction: Lung cancer patients around the globe are increasing along with its opportunistic infection, pulmonary mycosis. Despite pulmonary mycosis being wellknown, a proper research about the prevalence and incidence are limited in Indonesia. An update about the susceptibility of itraconazole as the most common drug used to treat pulmonary mycosis is also needed. The aim of this study was to determine the fungal profile and its susceptibility to itraconazole in lung cancer patients.

Methods: This is a descriptive cross-sectional study using both secondary and primary data. Lung cancer patients who had been admitted to Persahabatan Hospital from January to May 2020 were tested for mycological examinations by Mycology Laboratory of the Department of Parasitology, University of Indonesia. Patients aged equal or more than 18 years old, had not undergone chemotherapy, and examined with bronchoscopy were included. The fungi susceptibility test were conducted using disk diffusion on Müeller Hinton agar. Itraconazole (8 μg) were used and Amphotericin B (20 μg) and Fluconazole (25 μg) were also measured as a positive control.

Results: Seventy-seven patients were involved. The most common cancer was adenocarcinoma in 58 subjects, the rest were squamos cell carcinoma. The fungal species found were Aspergillus niger (22.1%), Aspergillus flavus (15%), Aspergillus fumigatus (14.3%), Candida albicans (40%), Candida glabrata (5%), Candida parapsilosis (2.1%), Candida krusei (0.7%), and Candida tropicalis (0.7%). Most of the species were still sensitive to itraconazole and amphotericin B.

Conclusion: The most common fungal species was Candida albicans. Aspergillus spp and Candida spp were sensitive to Itraconazole.

Key words: Lung cancer, Lung Mycosis, Fungal Colonization, Candida spp, Aspergillus spp, sputum"

"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."

"Klasifikasi data kanker menggunakan microarray data menjadi salah satu cara untuk mendapatkan pengobatan yang lebih tepat. Kendala yang terdapat adalah karakteristik dari microarray yang memiliki fitur yang sangat banyak. Seringkali fitur tersebut tidak begitu informatif bagi pengklasifikasian sehingga perlu adanya suatu cara untuk memilih fitur-fitur yang mengandung informasi yang penting. Salah satu cara tersebut adalah dengan pemilihan fitur. Pada penelitian ini, metode pemilihan fitur yang digunakan berdasarkan clustering dengan fungsi kernel. Fitur-fitur yang sudah terpilih kemudian diklasifikasikan menggunakan metode Support Vector Machine.Evaluasi dari klasifikasi pada penelitian ini melibatkan K-Fold Cross Validation, metode tersebut akan membagi data secara acak, tetapi merata sehingga akurasi yang didapat juga merata. Hasil akurasi tersebut dilakukan dengan berbagai uji terhadap parameter yang berkaitan seperti K partisi, nilai dan fitur-fitur yang digunakan. Pada proses klasifikasi tanpa pemilihan fitur tingkat akurasinya mencapai 89.68 dengan k partisi sebanyak 6 sementara dengan 5 fitur akurasinya menjadi 95.87 pada partisi sebanyak 10.

---

Classification of cancer using microarray data is one way to get a more precise treatment. The obstacle on classification data is the characteristics of microarray data that is having many features. These features are often not so informative for classification, so it needs a way to select the features that contain important information. One way is by selection feature. In this research, the method of selection features that are used based on clustering with kernel function. Features that are already selected then classified using Support Vector Machine.

Evaluation of classification in this research involves a K Fold Cross Validation, that methods split data randomly but uniformly so that it can reach all of accuracy. The results of accuracy data was done with different test against related parameters such as K partition, the value of and the features that are used. On the classification process without selection features rate of accuracy reached on 89.68 with k partition number 6 while with the 5 features obtained 95.87 on partition number 10."

"Kanker paru-paru merupakan jenis kanker yang paling banyak diderita dan paling mematikan di dunia. Tipe kanker paru-paru paling banyak diderita merupakan kanker paru-paru non-sel-kecil (NSCLC). Senyawa flavonoid digunakan sebagai inhibitor protein reseptor faktor pertumbuhan epidermal (EGFR) dalam penelitian ini karena memiliki kemampuan bioaktivitas dan bioavailabilitas yang berpotensi sebagai obat antikanker. Penelitian ini menggunakan pendekatan in silico untuk menemukan senyawa flavonoid yang dapat menghambat protein reseptor EGFR secara efektif untuk dijadikan kandidat obat melalui desain obat berbasis fragmen. Beberapa metode komputasi yang digunakan adalah metode Protein-Ligand Interaction Fingerprint (PLIF), penentuan titik farmakofor, simulasi penambatan molekul, serta uji farmakologi dan toksisitas. Setelah dilakukan screening secara virtual melalui penambatan dengan protein EGFR (PDB. 1M17) menggunakan data flavonoid berasal dari basis data pubchem yang berjumlah 25.189 didapat dua fragmen terbaik yang memiliki tiga ikatan hidrogen untuk dilakukan fragment growing dan dari penambatan molekul senyawa hasil fragment growing yang berjumlah 25.600 diperoleh sepuluh senyawa terbaik, dengan parameter ΔGbinding lebih kecil dibanding standar erlotinib yaitu -8,8536 dan nilai RMSD lebih kecil dari 2,0 Å. Ligan tersebut diuji farmakologi dan prediksi toksisitas diperoleh dua senyawa sebagai kandidat inhibitor EGFR yaitu compound 980 dan compound 760 yang memiliki inhibisi CYP yang lebih sedikit dibanding standar dan tidak bersifat toksik untuk organ hati. Berdasarkan hasil tersebut maka compound 980 dan compound 760 dapat menjadi inhibitor EGFR yang potensial.

---

Lung cancer is the most suffered and deadly type of cancer in the world. The most common type of lung cancer is non-small cell lung cancer (NSCLC). Flavonoid compounds are used as epidermal growth factor receptor (EGFR) protein inhibitors in this study because they have the potential for bioactivity and bioavailability as anticancer drugs. This study uses an in silico approach to find flavonoid compounds that can effectively inhibit EGFR receptor proteins to be drug candidates through fragment-based drug design. Some computational methods used are the Protein-Ligand Interaction Fingerprint (PLIF) method, pharmacophore point determination, molecular tethering simulation, and pharmacology and toxicity tests. After a virtual screening with EGFR protein (PDB. 1M17) used flavonoid data from the pubchem database with totat number 25,189 is obtained the two best fragments that have three hydrogen bonds to do fragment growing and from molecular docking simulation of compound molecules from fragment growing totaling 25,600 is obtained the ten best compounds, with the parameter ΔGbinding smaller than the erlotinib standard which is -8.8536 and an RMSD value smaller than 2.0 Å. The ligand was tested pharmacologically and the the toxicity was predicted is obtained two compounds as EGFR inhibitor candidates namely compound 980 and compound 760, which had less CYP inhibition than standard and were not toxic to liver. Based on these results, compound 980 and compound 760 can be potential EGFR inhibitors.

"

"

Kanker merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Kanker adalah penyakit ketika sel-sel abnormal tumbuh tidak terkendali yang dapat menyerang organ tubuh yang berdampingan atau menyebar ke organ lain. Untuk mendiagnosis kanker paru-paru dapat dilakukan dengan pengambilan gambar rontgen, CT scan, dan biopsi jaringan paru. Tujuan dari penelitian ini adalah untuk memprediksi apakah pasien menderita kanker paru-paru atau tidak, dengan menggunakan data gambar CT scan mereka. Oleh sebab itu, dalam penelitian ini digunakan ekstraksi fitur dari gambar CT scan sebagai data untuk mengklasifikasi kanker paru-paru. Data yang digunakan merupakan data gambar CT scan yang didapat dari SPIE-AAPM Lung CT Challenge 2015. Gambar CT scan paru-paru dengan ukuran 512x512 sebelumnya dilakukan pre-processing 2D crop dan filtering. Dengan mengekstraksi fitur dari data gambar seperti ukuran nodul, Gray Level Co-occurrence Matriks (GLCM), dan Local Binary Pattern (LBP) dapat mengubah data gambar menjadi numerik. K-Fold Cross Validation digunakan untuk memisahkan data menjadi data training dan data testing. Fuzzy C-Means (FCM) dan Fuzzy Kernel C-Means (FKCM) diterapkan untuk pengklasifikasian. Didapatkan performa FKCM lebih baik dibandingkan FCM, dengan rata-rata akurasi 75.60%, precision 83.05%, dan specificity 87.80%. Oleh karena itu, penambahan kernel pada metode Fuzzy C-Means dapat meningkatkan performa dari metode tersebut

---

Cancer is one of the diseases with the highest mortality rate in the world. Cancer is a disease when abnormal cells grow out of control that can attack the body's organs side by side or spread to other organs. To diagnose lung cancer can be done by taking x-ray images, CT scans, and lung tissue biopsy. The purpose of this study is to classify whether patients have lung cancer or not using their CT scan image data. Therefore, in this study feature extraction from CT images was used as data to classify lung cancer. The data used in the form of CT scan image obtained from SPIE-AAPM Lung CT Challenge 2015. Previously, a CT scan of the lung with a size of 512x512 was pre-processed 2D crop and filtering. By extracting features from image data such as nodule size, Gray Level Co-occurrence Matrix (GLCM), and Local Binary Pattern (LBP) can convert image data to numeric. K-Fold Cross Validation is used to separate data into training data and testing data. Fuzzy C-Means (FCM) and Fuzzy C-Means (FKCM) are applied for classification. FKCM performed better than FCM, with 75.60% average accuracy, 83.05% average precision, and 87.80% average specificity. Therefore, adding a kernel to the Fuzzy C-Means method can improve the performance of the method.

"