Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Berdasarkan data National Institute of Health Amerika Serikat tahun 2015, kanker usus halus merupakan salah satu kanker langka dengan dengan insidensi yang diperikirakan meningkat lebih dari 100% selama 4 dekade terakhir di berbagai negara. Teknik diagnosis penyakit ini membutuhkan berbagai pendekatan karena sering terlambat didiagnosis. Standar emas diagnosis kanker usus halus saat ini adalah penilaian histopatologi oleh ahli. Kekurangan metode ini adalah sulit dideskripsikan secara objektif dan belum terdigitalisasi. Sejumlah penelitian menunjukkan bahwa metode spektrofotometri reflektans cahaya tampak dapat digunakan dalam diagnosis sejumlah jenis kanker, seperti kanker kulit dan lesi oral. Metode tersebut lebih terkuantifikasi, dapat didigitalisasi, sangat terjangkau dan mudah digunakan. Namun, penggunaan spektrofotometri cahaya tampak belum digunakan untuk lesi kanker usus halus. Tujuan: Studi ini merupakan studi pendahuluan untuk mengetahui kemampuan spektrofotometer reflektans cahaya tampak sederhana dalam mengklasifikasi derajat lesi kanker usus halus pada mencit berdasarkan pengukuran intensitas cahaya.Metode: Penelitian ini merupakan penelitian analitik potong lintang menggunakan sampel bahan biologis tersimpan blok parafin usus halus mencit Mus musculus. Sampel dikelompokkan berdasarkan derajat lesi menjadi normal, prekanker, dan kanker berdasarkan penilaian ahli patologi anatomi. Seluruh sampel diukur intensitas cahaya reflektansinya pada 132 panjang gelombang cahaya tampak. Hasil pengukuran dianalisis menggunakan perangkat lunak SPSS 24.0 untuk uji komparatif dan Orange Data Mining untuk pengelompokan derajat lesi berdasarkan data yang diperoleh dengan machine learning. Hasil dan Pembahasan: Hasil uji komparatif menunjukkan sebanyak 105 dari 132 panjang gelombang cahaya tampak memiliki perbedaan intensitas reflektans bermakna (p<0,05) antar kelompok sampel. Pengelompokan derajat lesi berdasarkan data intensitas cahaya oleh machine learning dilakukan terbaik dengan model k-nearest neighbors yang memiliki akurasi sebesar 83,3%, AUC sebesar 90,8%, nilai F1 sebesar 0,836, presisi sebesar 0,856, dan recall 0,833. Analisis Tree menunjukkan panjang gelombang 450,3 nm terbaik dalam membedakan sampel. Simpulan: Metode spektrofotometer reflektans cahaya tampak sederhana mampu membedakan jaringan normal, prekanker, dan kanker usus halus pada mencit berdasarkan perbedaan intensitas cahaya.......Background: According to the United States National Institue of Health in 2015, small intestine cancer is one of the rare cancer with estimated to increase the incidence by more than 100% in the last 4 decades in many countries. The diagnosis of this disease needs various approaches because it is usually late to diagnose. The current gold standard for diagnosing small intestine cancer is histopathology evaluation by the expert. The disadvantages of this method are hard to describe objectively and have not been digitalized. Some studies showed that visible light reflectance spectrophotometry method can be used in cancer diagnoses, such as skin cancer and the oral lesion. This method is quantified, able to be digitalized, affordable, and easy to use. However, the use of visible light spectrophotometry has not been used for small intestine cancer lesions. Objective: This is a pilot study that aims to evaluate the potency of simple visible light reflectance spectrophotometry to classify mice’s small intestine cancer lesion degree based on intensity measurement.Method: This analytical cross-sectional study was done using paraffin block preserve Mus musculus mice small intestine tissue. The samples were grouped according to the lesion degree that had been evaluated by a pathology expert. The reflectance intensity of all samples were measured in 132 different visible light wavelengths. The results were analyzed by using SPSS 24.0 for comparative test and Orange Data Mining’s machine learning for lesion degree classification based on obtained data. Results and Discussion: Comparative test results show that 105 of 132 visible light wavelengths have a significant difference (p<0,05) between groups. The best machine learning to classify lesion degree based on light intensity was performed by k-nearest neighbor, with accuracy 83,3%, AUC 90,8%, F1 score 0,836, precision 0,856, and recall 0,833. Tree analysis showed that 450,3 nm is the best wavelength to differentiate the sample.Conclusion: Simple visible light reflectance spectrophotometer is able to differentiate normal, precancer, and cancer on mice small intestine tissue based on the light intensity difference."

"Kanker menjadi salah satu penyakit mematikan di Indonesia. Senyawa xanthone yang didapat dari ekstrak dari kulit buah manggis (garcinia mangostana l.) digunakan sebagai senyawa anti kanker karena memiliki kandungan flavonoid yang tinggi. Pemilihan etil asetat sebagai pelarut digunakan untuk mendapatkan kandungan yield flavonoid yang optimal pada ekstrak kulit buah manggis. Agar kandungan flavonoid pada xanthone tidak terdegradasi habis oleh lambung sebelum sampai ke usus dimana pada penelitian ini adalah penyakit kanker usus, dibutuhkan suatu metode untuk menghantarkan senyawa xanthone. Preparasi mikrosfer kitosan menggunakan tripolifosfat (TPP) sebagai senyawa penaut silang digunakan karena dapat meningkatkan kekuatan mekanik partikel kitosan dan aman dikonsumsi. Uji profil pelepasan mikrosfer dilakukan terhadap larutan fluida sintetik yang disesuaikan dengan kondisi sistem pencernaan yaitu pH 1,2; 6,8; 7,4 (Simulated Gastric Fluid, Simulated Colonic Fluid, Simulated Intestinal Fluid). Pada penelitian ini didapat hasil pelepasan flavonoid mikrosfer kitosan fraksi etil asetat xanthone lebih banyak terlepas pada pH yang tinggi dibanding pH yang rendah dengan efisiensi enkapsulasi 97%. Dengan demikian pelepasan terkendali mikrosfer fraksi etil asetat xanthone memiliki potensi dalam pengobatan kanker usus (colon cancer).......Cancer being one of the deadly disease in Indonesia. Xanthone compounds derived from extracts of the skin of the mangosteen fruit (Garcinia mangostana l.) Is used as an anti-cancer compound because it has a high flavonoid content. Selection of ethyl acetate as a solvent is used to obtain the optimal content of flavonoid yield on mangosteen peel extract. Order of the flavonoid on xanthones are not degraded by stomach out before it gets to the intestines where in this study were colon cancer, we need a method for delivering compounds xanthone. Preparation of chitosan microspheres using tripolyphosphate (TPP) as a cross linker compound is used because it can increase the mechanical strength of chitosan particles and safe to eat. Microspheres release profile test conducted on synthetic fluid solutions that are tailored to the conditions of the digestive system of pH 1.2, 6.8; 7.4 (Simulated Gastric Fluid, Simulated colonic Fluid, Simulated Intestinal Fluid). In this study the results obtained chitosan microspheres release flavonoid fraction of ethyl acetate xanthones more detached at high pH than low pH with encapsulation efficiency of 97%. Thus controlled release microspheres of ethyl acetate fraction xanthones have potential in the treatment of colorectal cancer (colon cancer)."

"ABSTRACTKanker telah dikenal sebagai penyakit yang terdiri dari beberapa jenis berbeda. Kanker adalah penyakit yang mengancam jiwa di dunia saat ini. Ada begitu banyak jenis kanker di dunia, salah satunya adalah kanker usus besar, di mana kanker ini adalah salah satu pembunuh nomor satu di dunia. Banyak pembelajaran mesin telah diterapkan dalam klasifikasi kanker. Penulis membandingkan model Naïve Bayes Classifier dan Support Vector Machine (SVM) dalam klasifikasi kanker usus besar. Naïve Bayes Classifier adalah teknik prediksi berbasis probabilitas sederhana berdasarkan pada penerapan teorema Bayes (atau aturan Bayes) dengan asumsi kemandirian yang kuat. Sedangkan konsep dasar metode SVM adalah membentuk bidang atau hyperplane optimal yang memisahkan data menjadi bidang-bidang yang memisahkan data ke dalam setiap kelas. Kedua metode menghasilkan akurasi tinggi hingga 95,24% untuk Naïve Bayes Classifier dan 94,05% untuk SVM dengan kernel linier.

---

ABSTRACTCancer has been known as a disease that consists of several different types. Cancer is a life-threatening disease in the world today. There are so many types of cancer in the world, one of which is colon cancer, where this cancer is one of the number one killers in the world. Much machine learning has been applied in the classification of cancer. The author compares the Naïve Bayes Classifier and Support Vector Machine (SVM) models in the classification of colon cancer. Naïve Bayes Classifier is a simple probability-based prediction technique based on the application of the Bayes theorem (or Bayes rule) with a strong assumption of independence. While the basic concept of the SVM method is to form an optimal plane or hyperplane that separates data into fields that separate data into each class. Both methods produce high accuracy up to 95.24% for Naïve Bayes Classifier and 94.05% for SVM with linear kernels."

"

Kanker adalah penyakit yang disebabkan akibat pertumbuhan (pembelahan) tidak normal dari sel jaringan tubuh. Kanker dapat menyebar ke jaringan lain yang terdekatnya. Menurut World Health Organization (WHO), tercatat pada tahun 2018 ada sebanyak 9,6 juta jiwa yang meninggal pada tahun 2018. Biasanya untuk dapat mengetahui sesorang terjangkit kanker atau tidak, ahli medis akan melakukan biopsi apabila disarankan oleh dokter. Namun, sekarang terknologi semakin berkembang, para saintis menggunakan metode komputasi dalam pendekatan pengolahan citra untuk meningkatkan penilaian histopatologis. Penelitian – penelitian sebelumnya telah menunjukan bagaimana machine learning dapat membantu pendeteksian kanker salah satunya mengguakan metode data scaling. Penelitian ini membahas algoritma data scaling membantu meningkatkan akurasi dalam proses klasifikasi kanker usus besar menggunakan Support Vector Machine. Hasil dari penelitian ini, algoritma data scaling memiliki nilai akurasi yang lebih tinggi dibandingkan dengan yang tidak menggunakannya.

 

---

Cancer is a disease caused by abnormal growth (division) of body tissue cells. Cancer can spread to other tissues closest to it. According to the World Health Organization (WHO), it was noted that in 2018 there were 9.6 million people who dies in 2018. Usually to be able to find out if someone has contracted cancer, a medical expert will do a biopsy if advised by a doctor. However, now that technology is growing, scientists use computational methods in image processing approaches to improve histopathological assessment. Previous studies have shown how machine learning can help detect cancer, one of which uses the method of data scaling. This study discusses the data scaling algorithm help to improve accuracy in the process of classification of colon cancer using Support Vector Machine. The result of this study, the data scaling algorithm has a higher accuracy than those who did not use it.

"