Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menyelidiki penerapan spektroskopi Raman pada sampel jaringan kanker kolorektal menggunakan pendekatan machine learning pada komputer klasik dan kuantum. Kanker kolorektal, salah satu penyebab utama kematian akibat kanker, memerlukan metode diagnostik yang akurat dan efisien. Studi ini menggunakan data spektroskopi Raman dari penelitian sebelumnya dan mengimplementasikan algoritma machine learning seperti XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU) pada komputer klasik. Selain itu, penelitian ini juga memperkenalkan pendekatan baru dengan mengaplikasikan Hybrid Quantum Neural Network (QNN). Hasil penelitian menunjukkan bahwa model XGBoost pada komputer klasik mencapai F1-Score tertinggi sebesar 64,311%, sedangkan model Hybrid Classical-Quantum Classifier menunjukkan F1-Score terendah, sebesar 55.263%. Meskipun model Hybrid Classical-Quantum Classifier memperoleh skor terendah, penelitian ini menunjukkan potensi penerapan komputasi kuantum dalam meningkatkan akurasi diagnosis kanker kolorektal di masa depan. Namun, keterbatasan perangkat keras komputer kuantum saat ini menjadi kendala signifikan yang perlu diatasi melalui penelitian lebih lanjut.

---

This study investigates the application of Raman spectroscopy to colorectal cancer tissue samples using classical and quantum computer machine learning approaches. Colorectal cancer, one of the leading causes of cancer deaths, requires accurate and efficient diagnostic methods. This study utilizes Raman spectroscopy data from previous research and implements machine learning algorithms such as XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU) on classical computers. In addition, this research also introduces a new approach by applying a hybrid quantum neural network (QNN). The results showed that the XGBoost model on classical computers achieved the highest F1-Score of 64.311%, while the Hybrid Classical-Quantum Classifier model showed the lowest F1-Score, at 55.263%. Despite the lowest score, this study shows the potential of applying quantum computing in improving the accuracy of colorectal cancer diagnosis in the future. However, the current hardware limitations of quantum computers are a significant obstacle that needs to be overcome through further research."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."

"Diabetes Mellitus (DM) merupakan salah satu penyakit yang paling banyak diderita oleh manusia. Salah satu tipe DM adalah diabetes tipe 1 yang disebabkan oleh rusaknya sel beta pada pankreas sehingga tubuh tidak dapat menghasilkan insulin untuk meregulasi konsentrasi glukosa dalam darah. Penderita DM tipe 1 harus melakukan terapi insulin dengan memberikan suntik insulin eksternal untuk meregulasi konsentrasi glukosa di dalam darah. Selain itu, penderita DM tipe 1 harus melakukan kontrol secara kontinu terhadap konsentrasi glukosa di dalam darahnya. Pada sebuah penelitian, terdapat sebuah alat yang dapat memantau glukosa secara berkelanjutan yang disebut dengan Continuous Glucose Monitoring (CGM). Pada penelitian ini, dilakukan simulasi dengan sebuah model matematika yang menggambarkan regulasi glukosa-insulin dalam tubuh saat makanan dicerna di dalam tubuh, yaitu model hovorka, untuk diimplementasikan ke dalam CGM. Hasil dari penelitian ini menunjukkan bahwa model dari hovorka dapat menunjukkan regulasi glukosa insulin di dalam tubuh. Namun untuk evaluasi terhadap model ini dilakukan sebuah fitting terhadap parameter model hovorka dan didapatkan hasil yang kurang baik sehingga perlu dilakukan fitting ulang dengan data yang lebih baik.

---

Diabetes Mellitus (DM) is one of the most common diseases suffered by humans. One type of DM is Type 1 diabetes caused by the destruction of beta cells in the pancreas so that the body can not produce insulin to regulate the concentration of glucose in the blood. Patients with Type 1 diabetes have to do insulin therapy by giving external insulin injections to regulate the concentration of glucose in the blood. In addition, patients with Type 1 diabetes must continuously control the concentration of glucose in their blood. In one study, there was a tool that can monitor glucose continuously called Continuous Glucose Monitoring (CGM). In this study, a simulation with a mathematical model that describes the regulation of glucose-insulin in the body when food is digested in the body, the Hovorka model, to be implemented into CGM. The results of this study show that the model from hovorka can demonstrate the regulation of insulin glucose in the body. However, for the evaluation of this model, a fitting was made to the parameters of the hovorka model and poor results were obtained so that re-fitting with better data was necessary."

"Penelitian ini berupaya untuk membuat Contrast Detail Structured Phantom yang dapat digunakan untuk menguji kualitas citra pada modalitas mamografi. Material latar yang digunakan adalah minyak kelapa dan minyak kelapa sawit sebagai cairan yang mirip dengan Adiposa. Penelitian ini juga menggunkan timah sebagai target yang merepresentasikan adanya sel kanker. Tujuan utama penelitian ini adalah meningkatkan kemampuan Contrast Detail Structured Phantom dalam menghasilkan citra yang lebih akurat dan responsif terhadap variasi dosis, sekaligus mengatasi permasalahan variabilitas yang tinggi pada struktur latar. Penelitian ini dibagi menjadi 4 tahap, yaitu; persiapan bahan, pembuatan fantom, pengujian fantom, dan evaluasi hasil uji fantom. Tahap persiapan meliputi persiapan desain dan pembuatan fantom serta persiapan material isian latar. Tahap pembuatan fantom meliputi memasukan material isian kedalam fantom. Tahap pengujian fantom meliputi tahap validasi dan uji kualitas citra. Pada tahap validasi, faktor eksposur dan nilai piksel rata-rata citra fantom dibandingkan dengan mamogram pasien. Tahap uji kualitas citra menggunakan parameter uji full width half maximum (FWHM) untuk menilai ketajaman citra serta signal difference-to-noise ratio (SDNR) untuk menilai kontras pada 3 level dosis (0,5 AEC, AEC, dam 2 AEC). Faktor eksposur arus waktu tabung fantom memiliki kesamaan 93,7% (fantom 1) dan 89,4% (fantom 2) dengan faktor eksposur arus waktu tabung pasien, fantom cukup sensitif terhadap dosis dilihat dari tren nilai SDNR yang meningkat mengikuti meningkatnya dosis, FWHM mengindikasikan modalitas mamografi menghasilkan citra yang cukup tajam, sedangkan untuk nilai variabilitas masih cukup tinggi. Fantom dapat digunakan untuk menggantikan organ payudara juga dapat dimanfaatkan untuk menguji kualitas citra modalitas mamografi.

---

This research strives to create a Contrast Detail Structured Phantom that can be used to test image quality in mammography modalities. The background material used is coconut oil and palm oil as a liquid similar to Adipose. This research also uses lead as a target that represents the presence of cancer cells. The main objective of this research is to improve the ability of the Contrast Detail Structured Phantom to produce images that are more accurate and responsive to dose variations, while also overcoming the problem of high variability in background structures. This research is divided into 4 stages, namely; preparation of materials, making phantoms, testing phantoms, and evaluating phantom test results. The preparation stage includes preparing the design and making the phantom as well as preparing the background filling material. The phantom manufacturing stage includes inserting the filling material into the phantom. The phantom testing stage includes the validation stage and image quality testing. In the validation stage, the exposure factor and average pixel value of the phantom image are compared with the patient's mammogram. The image quality test stage uses full width half maximum (FWHM) test parameters to assess image sharpness and signal difference-to-noise ratio (SDNR) to assess contrast at 3 dose levels (0.5 AEC, AEC, and 2 AEC). The time current exposure factor of the phantom tube is similar to 93.7% (phantom 1) and 89.4% (phantom 2) with the patient tube time current exposure factor, the phantom is quite sensitive to dose seen from the trend of SDNR values which increase following increasing dose, FWHM indicates that the mammography modality produces quite sharp images, while the variability values are still quite high. The phantom can be used to replace the breast organ and can also be used to test the image quality of mammography modalities."

"Pada tahun 2018, kanker prostat merupakan penyakit ganas kedua terbanyak pada pria secara global setelah kanker paru-paru. IDC-P merupakan varian agresif dari kanker prostat yang sering sering disalahinterpretasikan dengan proliferasi intraduktal seperti HGPIN yang dapat mempengaruhi perawatan pasien laki-laki pengidap kanker prostat. Teknik analisis spektroskopi Raman merupakan teknik molekuler berprospek untuk menganalisa jaringan biologis yang telah banyak digunakan dalam mencoba untuk mengidentifikasi berbagai macam jenis kanker. Sayangnya, spektroskopi Raman menghasilkan sinyal yang lemah dan mudah dipengaruhi oleh noise dan latar belakang floresens. Penelitian ini bertujuan untuk mengembangkan pipeline yang mencakup tahapan prapengolahan dan klasifikasi terhadap spektra Raman dari spesies IDC-P dan HGPIN untuk mendapatkan hasil metrik evaluasi yang optimal. Tujuan ini dicapai dengan menemukan nilai parameter optimal pada tahapan prapengolahan (smoothing, baseline correction, normalisasi), dan klasifikasi untuk menghasilkan hasil klasifikasi yang terbaik. Dihasilkan sebuah pipeline yang mencakup tahapan prapengolahan dan klasifikasi dengan kemampuan untuk meng- hasilkan hasil evaluasi metrik yang tinggi untuk metrik evaluasi F1 Test, accuracy, dan AUC-ROC masing-masing bernilai : 98.8%, 97.9%, dan 98.8%. Berdasarkan hasil anali- sis ANOVA, ditemukan bahwa perbedaan pada parameter window length dan polynomial order pada tahapan Savitzky-Golay smoothing tidak memiliki signifikansi terhadap hasil evaluasi metrik (p > 0.05). Sebaliknya, metode baseline correction beserta nilai polynomial degree yang berbeda cenderung memberikan signifikansi ke hasil evaluasi metrik (p < 0.05).

---

In 2018, prostate cancer was the second most common malignant disease in men globally, following lung cancer. IDC-P is an aggressive variant of prostate cancer often misinterpreted as intraductal proliferation like HGPIN, which can impact the treatment of male patients with prostate cancer. Raman spectroscopy analysis is a promising molecular technique for analyzing biological tissues and has been extensively used in attempts to identify various types of cancer. Unfortunately, Raman spectroscopy produces weak signals that are easily influenced by noise and fluorescent backgrounds. This research aims to develop a pipeline that includes preprocessing and classification stages for Raman spectra of IDC-P and HGPIN species to achieve optimal evaluation metric results. This goal is achieved by finding the optimal parameter values in preprocessing stages (smoothing, baseline correction, normalization) and classification to produce the best classification results. A pipeline was created that includes preprocessing and classification stages capable of producing high evaluation metric results for the F1 Test, accuracy, and AUC-ROC metrics, respectively valued at 98.8%, 97.9%, and 98.8%. Based on ANOVA analysis, it was found that differences in the ’window length’ and ’polynomial order’ parameters in the Savitzky-Golay smoothing stage do not significantly affect the evaluation metric results (p > 0.05). Conversely, the baseline correction method and different ’polynomial degree’ values tend to significantly impact the evaluation metric results (p < 0.05)."

"Dalam konteks estimasi usia gigisebagai metode non-invasif untuk determinasi usia kronologis pasien, teknik orthopantomography (OPG) telah luas diaplikasikan meski menghadapi kendala seperti biaya tinggi dan eksposur radiasi. Merespons limitasi pendekatan konvensional, paradigma machine learning dan deep learning kini dioptimalkan untuk mengidentifikasi pola intrinsik pada data pencitraan medis kompleks. Penelitian ini bertujuan mengembangkan algoritma YOLOv8 untuk meningkatkan akurasi estimasi usia gigi, menggunakan dataset dari RSGMP Universitas Airlangga dengan subjek pediatrik 5—15 tahun. Dataset dimodifikasi menjadi tiga variasi: tanpa augmentasi, augmentasi tiga kali per sampel, dan augmentasi lima kali per sampel. Hasil optimal dicapai oleh variasi ketiga dengan augmentasi lima kali per sampel, mendemonstrasikan akurasi 60% dan F1-Score 61,05%, mengindikasikan potensi signifikan teknik augmentasi data dalam meningkatkan kinerja algoritma deep learning untuk estimasi usia gigi.

---

In the context of dental age estimation as a non-invasive method for determining patients' chronological age, orthopantomography (OPG) techniques have been widely applied despite facing challenges such as high costs and radiation exposure. Responding to the limitations of conventional approaches, machine learning and deep learning paradigms are now being optimized to identify intrinsic patterns in complex medical imaging data. This research aims to develop the YOLOv8 algorithm to improve the accuracy of dental age estimation, using a dataset from the Dental and Oral Hospital of Airlangga University with pediatric subjects aged 5-15 years. The dataset was modified into three variations: without augmentation, triplet augmentation, and quintuplet augmentation per sample. Optimal results were achieved by the third variation with quintuplet augmentation, demonstrating 60% accuracy and 61.05% F1-Score, indicating significant potential for data augmentation techniques in enhancing the performance of deep learning algorithms for dental age estimation."

"Dataset yang digunakan pada penelitian ini didapat dari paper yang berjudul “Attenuated total reflection FTIR dataset for identification of type 2 diabetes using saliva” yang ditulis oleh Sanchez-Brito et al. pada tahun 2022. Dataset tersebut berhubungan dengan spektrum ATR-FTIR dari 1040 saliva pasien. Dataset ini kemudian digunakan pada penelitian ini untuk melatih suatu model Machine Learning menggunakan algoritma SVM dan XGBoost. Sebelum dijadikan dataset acuan untuk keperluan pelatihan model, data terlebih dahulu melalui proses pre-processing yang meliputi proses pemotongan data agar terfokus pada region Biological Fingerprint, normalisasi protein amida I, dan penurunan orde satu. Untuk keperluan cross validation, dataset terlebih dahulu dipisah menjadi data train dan data test, kemudian data train akan kembali dipisah menjadi subset train untuk tiap fold dan subset validation yang dilatih sambil melewati stratified cross validation sebanyak 10 fold. Performa model akan didapat dari hasil prediksi model terhadap subset validation yang dihasilkan di semua 10 fold, serta hasil prediksi model terhadap data test yang menunjukkan performa keseluruhan model. Didapat bahwa performa model XGBoost melampaui performa model SVM dengan nilai accuracy sebesar 91,8%; sensitivity sebesar 93,6%; dan specificity sebesar 89,9%. Performa ini berhasil mendekati performa metode diagnosis diabetes tipe 2 yang masih bersifat invasif, yaitu tes HbA1c.

---

The dataset used in this study was obtained from the paper titled “Attenuated Total Reflection FTIR Dataset for Identification of Type 2 Diabetes Using Saliva” written by Sanchez-Brito et al. in 2022. This dataset pertains to the ATR-FTIR spectrum of saliva from 1040 patients. It was used in this research to train a machine learning model using the SVM and XGBoost algorithms. Before being used as a reference dataset for model training, the data underwent preprocessing, which included data trimming to focus on the Biological Fingerprint region, protein amide I normalization, and first-order derivative processing. For cross-validation purposes, the dataset was first split into training and testing data. The training data was further divided into train and validation subsets for each fold and trained using 10-fold stratified cross-validation. The model's performance was evaluated based on predictions on the validation subsets from all 10 folds, as well as predictions on the test data, reflecting the overall model performance. It was found that the XGBoost model outperformed the SVM model with an accuracy of 91.8%, sensitivity of 93.6%, and specificity of 89.9%. This performance approaches that of the invasive HbA1c test used for diagnosing type 2 diabetes."

"Radiografi umum merupakan pelayanan diagnostik yang menggunakan paparan sinar-X, terutama untuk mendeteksi patah tulang, tumor, dan masalah organ internal tubuh. Paparan sinar-X dapat menciptakan citra, memerlukan perlindungan agar area penggunaan radiasi tetap amanbagi pekerja radiasi dan lingkungan. Timbal menjadi pilihan utama saat ini dalam pemilihan material untuk perisai radiasi karena dapat menyerap paparan radiasi sinar-X dengan efektif tetapi kurang efektif dari segi biaya produksi.  Berbeda dengan timbal, beton tidak memiliki kemampuan yang sama dalam menyerap radiasi secara efektif. Namun, produksinya relatif mudah dan biaya produksinya lebih rendah. Salah satu massalah utama terkait dengan penggunaan beton adalah variasi massa jenisnya yang signifikan di berbagai lokasi yang akan diukur terlebih dahulu, disebabkan oleh perbedaan dalam pemilihan material dasarnya. Sehingga pada penelitian ini bertujuan untuk menentukan bentuk kurva antara faktor transmisi dan ketebalan dinding dalam milimeter yang sesuai dengan material beton yang ada di Indonesia hingga membuat perangkat lunak berbasis website untuk mempermudah kalkulasi ketebalan beton yang dibutuhkan. Penelitian ini menggunakan pesawat sinar-X sebagai pemancar radiasi dan beton lokal sebagai perisai radiasi, dilakukan dengan dua percobaan yakni percobaan perisai primer dan percobaan perisai sekunder. Setelah mendapatkan data hasil pengukuran dilakukan pembuatan kurva antara transmisi radiasi dan ketebalan beton,telah didapatkan perbedaan yang cukup besar antara kurva beton lokal dan kurva pada NCRP 147 pada perisai primer maupun perisai sekunder.

---

General radiography is a diagnostic service that uses X-ray exposure, primarily to detect fractures, tumors, and internal organ issues. X-ray exposure can create images, requiring protection to ensure the radiation usage area remains safe for radiation workers and the environment. Lead is currently the primary choice for radiation shield material because it can effectively absorb X-ray radiation exposure, though it is less cost-effective to produce. Unlike lead, concrete does not have the same capability to absorb radiation effectively. However, its production is relatively easy and cheaper. One major issue with using concrete is the significant variation in its density across different locations, which must be measured beforehand due to differences in basic material selection. Therefore, this research aims to determine the curve form between the transmission factor and wall thickness in millimeters corresponding to the concrete material available in Indonesia and to develop web-based software to facilitate the calculation of the required concrete thickness. This research uses an X-ray machine as the radiation emitter and local concrete as the radiation shield, conducted through two experiments: primary shield experiment and secondary shield experiment. After obtaining the measurement data, curves were created between radiation transmission and concrete thickness, showing a significant difference between the local concrete curve and the NCRP 147 curve for both primary and secondary shields."

"Penelitian ini mengembangkan metode perhitungan dosis radiasi dalam pemeriksaan radiografi umum dengan model regresi linear, kuadratik, dan kubik untuk menghitung Incident Air Kerma (IAK) dan Dose Area Product (DAP), serta estimasi faktor hamburan balik paparan (BSF) yang berpengaruh terhadap besar Entrance Surface Dose (ESD) menggunakan model regresi linear multivariabel. Model dibuat menggunakan data latih kerma udara dan BSF terhadap kVp dan luas lapangan. Hasil menunjukkan hubungan linear antara kVp dan kerma udara, dengan model kubik memberikan akurasi terbaik (R² = 1,000). BSF meningkat dengan kenaikan kVp dan ukuran lapangan yang lebih besar. Kalkulasi dosis menunjukkan bahwa IAK dan DAP meningkat seiring dengan peningkatan mAs dan luas lapangan. Evaluasi menunjukkan bahwa model regresi linear memberikan kesalahan rata-rata terendah untuk IAK dan DAP (2,33%), sementara model kubik lebih akurat untuk ESD. Selain itu, dengan regresi kubik, penggunaan BSF interpolasi menghasilkan kesalahan yang lebih kecil dibandingkan dengan BSF konstan (4,38%). Penelitian ini memberikan solusi untuk optimisasi dosis radiasi dalam radiografi umum dan dapat meningkatkan keamanan serta akurasi prosedur radiografi.

---

This study develops a method for calculating radiation dose in general radiography examinations using linear, quadratic, and cubic regression models to calculate Incident Air Kerma (IAK) and Dose Area Product (DAP), as well as an estimation of the Backscatter Factor (BSF) affecting the Entrance Surface Dose (ESD) using a multivariable linear regression model. The models were created using training data on air kerma and BSF against kVp and field size. The results show a linear relationship between kVp and air kerma, with the cubic model providing the best accuracy (R² = 1,000). BSF increases with higher kVp and larger field sizes. Dose calculations indicate that IAK and DAP increase with higher mAs and field size. Evaluation shows that the linear regression model provides the lowest average error for IAK and DAP (2,33%), while the cubic model is more accurate for ESD. Additionally, using cubic regression, the interpolation BSF yields smaller errors compared to a constant BSF (4,38%). This study offers a solution for optimizing radiation doses in general radiography and can enhance the safety and accuracy of radiography procedures."