Hasil Pencarian  ::  Simpan CSV :: Kembali

"Diabetes Melitus (DM) merupakan salah satu penyebab utama penyakit ginjal kronis (CKD), dengan komplikasi umum berupa penyakit ginjal diabetik (DKD). Diagnosis DKD secara tradisional mengandalkan biopsi ginjal, metode invasif yang memiliki risiko dan keterbatasan. Penelitian ini bertujuan untuk mengembangkan metode diagnostik non-invasif berbasis spektroskopi Raman dan machine learning guna membedakan DKD dari penyakit glomerular lainnya melalui analisis sampel urin. Spektroskopi Raman digunakan untuk menganalisis 320 spektra urin dari 32 pasien, yang direplikasi 10 kali per pasien. Hasil menunjukkan bahwa algoritma support vector machine mampu mengklasifikasikan DKD dengan tingkat akurasi sebesar 0,91, presisi 0,889, sensitivitas (recall) 0,889, dan spesifisitas 0,925. Selain itu, analisis spektral mengidentifikasi puncak-puncak utama seperti 898, 931, dan 1060 cm sebagai komponen yang terkait dengan karbohidrat, protein, dan urea. Penelitian ini menunjukkan bahwa metode berbasis spektroskopi Raman dan support vector machine tidak hanya meningkatkan akurasi diagnosis, tetapi juga memberikan altematif yang lebih aman dan nyaman bagi pasien sekaligus membuka peluang pengembangan alat diagnostik cepat di masa depan.

---

Diabetes Mellitus (DM) is one of the leading causes of chronic kidney disease (CKD), witha common complication being Diabetic Kidney Disease (DKD). Diagnosis of DKD has traditionally relied on kidney biopsy, an invasive method that has risks and limitations. This study aims to develop a non-invasive diagnostic method based on Raman spectroscopy and machine learning to distinguish DKD from other glomerular diseases through urine sample analysis. Raman spectroscopy was used to analyze 320 urine spectra from 32 patients, replicated 10 times per patient. Results showed that the support vector machine algorithm was able to classify DKD with an accuracy of 0.91, precision of 0.889, sensitivity (recall) of 0.889, and specificity of 0.925. In addition, spectral analysis identified major peaks such as 898, 931, and 1060 cm 1 as components related to carbohydrates, proteins, and urea. This study shows that the method based on Raman spectroscopy and support vector machine not only improves the accuracy of diagnosis, but also providesa safer and more convenient alternative for patients while opening up opportunities for the development of rapid diagnostic tools in the future."

"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."

"Estimasi dosimetri ginjal yang akurat sangat penting dalam terapi [177Lu]Lu-PSMA-617 pada pasien kanker prostat. Oleh karena itu, Penelitian ini bertujuan untuk mengembangkan model farmakokinetika populasi berbasis Non-Linear Mixed-Effect Modeling (NLMEM) serta mengevaluasi akurasi estimasi dosimetri berbasis pengukuran biokinetik tunggal, atau dapat disebut juga Single-Time-Point (STP), menggunakan metode Generalized Additive Model (GAM), NLMEM, Machine Learning (ML), dan gabungan NLMEM + ML. Data aktivitas ginjal dikumpulkan dari 101 pasien pada lima time point (TP) pasca injeksi. Enam fungsi sum-of-exponentials (SOE) dengan parameterisasi berbeda diujikan menggunakan pendekatan Population-Based Model Selection (PBMS) NLMEM, dan fungsi terbaik dipilih berdasarkan evaluasi goodness-of-fit dan bobot Akaike. Fungsi SOE terpilih digunakan untuk menghitung Time-Integrated Activity Coefficient (TIAC) referensi. Empat metode dosimetri STP dibandingkan: (1) STP berbasis metode GAM (STPGAM), (2) STP berbasis NLMEM dengan fungsi SOE optimal (STPNLMEM), (3) STP berbasis metode ML dengan Support Vector Regression (SVR) (STPML), dan (4) metode hibrida yang menggabungkan metode NLMEM dan ML (STPNLMEM+ML). Untuk metode berbasis ML, variabel covariate pasien, serta hyperparameter model ML diseleksi secara sistematis. Evaluasi akurasi dilakukan dengan menghitung persentase Relative Deviation (%RD), persentase Root-Mean-Square Error (%RMSE) dan Mean Absolute Percentage Error (MAPE) terhadap TIAC referensi. Hasil menunjukkan bahwa fungsi SOE dengan tujuh parameter memberikan kecocokan terbaik dalam pendekatan PBMS NLMEM. Metode STPGM memiliki performa terendah di seluruh time point. Selanjutnya, STPNLMEM dan STPML memiliki peforma yang setara dan lebih baik dari STPGM. Sementara itu, metode gabungan STPNLMEM+ML menunjukkan kinerja terbaik secara konsisten, dengan nilai %RMSE (MAPE) yang paling rendah, yakni 21,72% (15,54%), 12,56% (9,08%), 12,88% (9,00%), 13,72% (10,23%), dan 17,80% (13,56%) dari TP1 hingga TP5. Kesimpulannya, kombinasi model farmakokinetika populasi berbasis NLMEM dan pendekatan ML terbukti mampu meningkatkan akurasi estimasi dosis ginjal hanya dengan pengukuran biokinetik tunggal. Metode gabungan STPNLMEM+ML menunjukkan akurasi tertinggi secara konsisten di semua time point, menjadikannya solusi yang efisien dan dapat diandalkan untuk penerapan dosimetri STP dalam praktik klinis terapi radionuklida.

---

Accurate renal dosimetry estimation is essential in [177Lu]Lu-PSMA-617 therapy for prostate cancer patients. Therefore, this study aims to develop a population pharmacokinetic model based on Non-Linear Mixed-Effect Modeling (NLMEM) and to evaluate the accuracy of Single-Time-Point (STP) dosimetry using various approaches: Generalized Additive Model (GAM), NLMEM, Machine Learning (ML), and a hybrid method combining NLMEM and ML. Renal activity data were collected from 101 patients at five post-injection time points: TP1 (1.94 ± 0.75 h), TP2 (18.90 ± 1.02 h), TP3 (43.12 ± 1.53 h), TP4 (66.41 ± 1.43 h), and TP5 (165.79 ± 24.68 h). Six different parameterizations of sum-of-exponentials (SOE) functions were evaluated using a Population-Based Model Selection (PBMS) approach within NLMEM, and the best-performing function was selected based on goodness-of-fit and Akaike weights. The selected SOE function was then used to calculate reference Time-Integrated Activity Coefficient (TIAC). Four STP dosimetry methods were compared: (1) GAM-based STP (STPGAM), (2) NLMEM-based STP using the optimal SOE function (STPNLMEM), (3) ML-based STP using Support Vector Regression (STPML), and (4) a hybrid method combining NLMEM and ML (STPNLMEM+ML). For ML-based methods, patient-specific covariates and ML hyperparameters were systematically selected. Accuracy evaluation was performed by calculating the percentage of Relative Deviation (%RD), Root-Mean-Square Error (%RMSE), and Mean Absolute Percentage Error (MAPE) against the reference TIAC. The results showed that the seven-parameter SOE function provided the best fit under the PBMS-NLMEM approach. STPGM demonstrated the lowest performance across all time points, while NLMEM and ML performed similarly and better than STPGM. The hybrid STPNLMEM+ML method consistently outperformed all other methods, achieving the lowest %RMSE (MAPE) values of 21.72% (15.54%), 12.56% (9.08%), 12.88% (9.00%), 13.72% (10.23%), and 17.80% (13.56%) from TP1 to TP5, respectively. In conclusion, combining NLMEM-based population pharmacokinetic modeling with machine learning approaches significantly improves the accuracy of renal dose estimation using a single biokinetic measurement. The hybrid STPNLMEM+ML method demonstrated consistently superior accuracy across all time points, making it an efficient and reliable solution for clinical implementation of STP dosimetry in radionuclide therapy."

"Diagnosis dini penyakit Parkinson mempengaruhi lebih dari 10 juta individu di seluruh dunia pada tahun 2020. Penyakit Parkinson sering kali bergantung pada gejala motorik, seperti bradikinesia, tremor saat istirahat, kekakuan, dan gangguan postural. Namun, pendekatan diagnosis klinis penyakit Parkinson memiliki keterbatasan dalam mengidentifikasi perubahan struktural otak pada tahap awal karena bergantung pada penilaian subyektif gejala motorik. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma deep learning berbasis Convolutional Neural Network (CNN) dalam membedakan citra MRI otak pasien Parkinson dan pasien normal (control), dengan fokus pada area substantia nigra dengan orientasi sagital. Dataset diperoleh pada penelitian ini bersumber dari PPMI dan terdiri atas citra MRI dari pasien Parkinson dan kontrol sehat, yang diambil menggunakan fabrikasi Siemens AG. Proses pra-pemrosesan meliputi skull-stripping secara manual menggunakan perangkat lunak 3D Slicer dan pembagian data secara patient-wise ke dalam set pelatihan dan pengujian. Transfer learning diterapkan dengan menggunakan dua model arsitektur yaitu VGG-19 dan ResNet-50. Hasil menunjukkan bahwa kedua model mencapai akurasi validasi sebesar 67,07%, dengan irisan terbaik berbeda untuk masing-masing model (irisan 105 untuk VGG-19 dan irisan 36 untuk ResNet-50). Hasil akurasi pelatihan mendekati 100%, yang mengindikasikan overfitting akibat keterbatasan jumlah data. Visualisasi menggunakan metode Gradient-weighted Class Activation Mapping (Grad-CAM) diterapkan pada setiap irisan terbaik beserta lima irisan sebelum dan sesudahnya, yang menunjukkan pola aktivasi konsisten di area otak tengah, khususnya di sekitar substantia nigra. Temuan ini mengkonfirmasi relevansi biomarker struktural dan menunjukkan potensi pendekatan CNN dan Grad-CAM dalam membedakan karakteristik otak pasien penyakit Parkinson. Penelitian ini memperlihatkan bahwa algoritma deep learning per irisan meningkatkan akurasi klasifikasi, membantu dalam identifikasi area otak yang relevan dengan penyakit Parkinson, dan berpotensi mendukung identifikasi biomarker percitraan medis.

---

Early diagnosis of Parkinson’s disease affected more than 10 million individuals worldwide in 2020. Parkinson’s disease is often identified based on motor symptoms, such as bradykinesia, resting tremor, rigidity, and postural instability. However, clinical diagnostic approaches have limitations in detecting early structural changes in the brain due to their reliance on the subjective assessment of motor symptoms. This study aims to evaluate the effectiveness of deep learning algorithms based on Convolutional Neural Networks (CNNs) in distinguishing brain MRI images of Parkinson’s patients and healthy controls, with a focus on the substantia nigra area in sagittal orientation. The dataset used in this study was obtained from PPMI and consists of MRI images from Parkinson’s patients and healthy controls, acquired using Siemens AG equipment. The pre-processing stage included manual skull-stripping using 3D Slicer software and patient-wise data splitting into training and testing sets. Transfer learning was applied using two architectural models: VGG-19 and ResNet-50. The results showed that both models achieved a validation accuracy of 67.07%, with different best slice for each model (slice 105 for VGG-19 and slice 36 for ResNet-50). The training accuracy approached 100%, indicating overfitting due to the limited data size. Visualization using the Gradient-weighted Class Activation Mapping (Grad-CAM) method was applied to each best slice along with five slices before and after, showing consistent activation patterns in the midbrain area, particularly around the substantia nigra. These findings confirm the relevance of structural biomarkers and highlight the potential of CNN and Grad-CAM approaches in differentiating brain characteristics in Parkinson’s disease. This study demonstrates that per-slice deep learning algorithms improve classification accuracy, assist in identifying brain regions relevant to Parkinson’s disease, and have the potential to support imaging-based biomarker discovery in medical diagnostics. "

"Kanker payudara merupakan salah satu jenis kanker dengan kasus terbanyak di dunia pada tahun 2022. Sebagai salah satu sistem deteksi awal, ultrasound digunakan sebagai pendamping mammografi untuk mendiagnosis kanker atau lesi pada payudara. Salah satu bagian dari diagnosis adalah segmentasi lesi pada citra. Pada penelitian ini, dilakukan implementasi model U-Net termodifikasi untuk melakukan segmentasi lesi secara otomatis pada citra ultrasound payudara. Penelitian ini menggunakan dua model U-Net termodifikasi, yaitu UNET++ dan UResNet-34 yang dievaluasi dengan metrik Jaccard Similarity Index (JSI) dan Dice Similarity Coefficient (DSC). Pada penelitian ini, performa U-Net termodifikasi dalam melakukan segmentasi pada data latihan yang digambarkan dengan nilai JSI secara berturut-turut pada model UNET++ variasi 1, UNET++ variasi 2, UResNet-34 variasi 1, dan UResNet-34 variasi 2 adalah 96,09%, 96,05%, 91,22%, dan 89,87%, sedangkan pada data pengujian, secara berturut-turut adalah 76,07%, 74,14%, 73,11%, dan 78,54% menggunakan metode pertama dan 79,23%, 78,91%, 80,72%, dan 79,70% menggunakan metode kedua. Model U-Net termodifikasi mampu melakukan segmentasi lebih baik daripada model U-Net biasa, baik dengan lapisan batch normalization, maupun tanpa lapisan batch normalization.

---

Breast cancer is one of the types of cancer that requires an early detection system. Ultrasound imaging is commonly used to diagnose cancer or lesions in the breast. In this study, a modified U-Net model was implemented to perform lesion segmentation on breast ultrasound images. Two modified U-Net models were utilized, namely UNET++ and UResNet-34, and evaluated using the Jaccard Similarity Index (JSI) and Dice Similarity Coefficient (DSC) metrics. In this study, the performance of the modified U-Net models on the training data, as indicated by JSI scores, were 96.09%, 96.05%, 91.22%, and 89.87% for UNET++ variation 1, UNET++ variation 2, UResNet-34 variation 1, and UResNet-34 variation 2, respectively. On the test data, the scores were 76.07%, 74.14%, 73.11%, and 78.54% using the first method, and 79.23%, 78.91%, 80.72%, and 79.70% using the second method. The modified U-Net models demonstrated better segmentation performance compared to the standard U-Net model. "

"Cacat atau cedera tulang merupakan sebuah kejadian yang biasa terjadi. Terdapat 2 macam metode untuk memperbaiki kerusakan tulang. Salah satunya adalah cangkok tulang sintetis. Hidroksiapatit (Ca10 (PO4)6 (OH)2) merupakan komponen utama dalam tulang manusia yang digunakan sebagai material cangkok sintetis. Selain hidroksiapatit, alginat juga digunkan sebagai parameter porositas tulang dan kitosan sebagai pengganti kolagen dalam tulang. Penelitian ini bertujuan untuk menentukan komposisi hidroksiapatit-alginat-kitosan yang terbaik sebagai cangkok sintetis melalui hasil uji karakteristik. Metode yang digunakan dalam penelitian ini adalah metode ex-situ, yang berarti bahwa material hidroksiapatit, alginat, dan kitosan dikerjakan secara terpisah terlebih dahulu. Hidroksiapatit disintesis melalui iradiasi gelombang mikro tanpa variasi daya dan waktu, kemudian dilarutkan ke dalam larutan alginat yang bervariasi dan larutan kitosan. Selanjutnya, hasil akhir sampel diaging dan dikeringkan menggunakan oven pada suhu 80℃ selama 3,5 jam. Komposit tersebut kemudian dianalisis dengan beberapa uji karakteristik. XRD (X-ray Diffractometer) dilakukan untuk menganalisa dan mempelajari fase kristal sampel, uji FTIR (Fourier Transform Infrared Spectroscopy) untuk menganalisa gugus fungsi sampel, dan uji SEM (Scanning Electron Microscopy), dan EDX (Electron Dispersive X-ray) dilakukan untuk mempelajari morfologi sampel yang diteliti.

---

A bone defect or injury is a common occurrence in the world. There are 2 types method of repairment the bone defect. One of them is performed a synthetic bone graft. Hydroxyapatite (Ca10(PO4)6(OH)2) is a major component in human bones, which is used as a synthetic graft material. Besides hydroxyapatite, alginate is also used as a parameter of bone porosity and chitosan as a substitute for collagen in bone. This study aims to determine the best composition of hydroxyapatite-alginate-chitosan as synthetic graft through the results of characteristic tests. The method used in this research is the ex-situ method, which means that the hydroxyapatite, alginate, and chitosan materials are done separately first. Hydroxyapatite is synthesized through microwave irradiation without variations in power and time, then dissolved into various alginate solutions and chitosan solutions. Furthermore, the final sample was broiled and dried in an oven at 80 ℃ for 3.5 hours. The composite then analyzed with several physical characteristic tests. XRD (X-ray Diffractometer)is carried outto analyze and study the crystal phase of the sample, thenFTIR (Fourier Transform Infrared Spectroscopy) analyzesthe sample functional groups, and thenSEM (Scanning Electron Microscopy) and EDX(Electron Dispersive X-ray) arecarried out to study the morphology of the samples studied."

"Latar belakang penelitian ini didasari oleh tingginya kasus kanker tiroid di Indonesia dan secara global, serta pentingnya penentuan aktivitas yang akurat dalam terapi molekuler untuk meningkatkan efektivitas pengobatan dan meminimalkan risiko toksisitas. Penelitian ini bertujuan untuk menganalisis pengaruh ketidakpastian nilai Recovery Coefficient (RC) dalam kuantifikasi nilai aktivitas pada terapi molekuler menggunakan radionuklida Iodin-131. Metode yang digunakan dalam penelitian ini adalah analisis dosimetri internal dengan mempertimbangkan ketidakpastian nilai RC, yang merupakan rasio antara konsentrasi aktivitas dari perhitungan dengan konsentrasi aktivitas yang sebenarnya. Data diperoleh dari citra SPECT pasien terapi tiroid pasca ablasi di salah satu rumah sakit di Jakarta Selatan. Hasil penelitian memperoleh aktivitas sebesar (2,076±0,312) MBq, (7,860±1,081) MBq, (69,879±10,243) MBq, (8,046±1,290) MBq, (812,197±2,183) MBq, pada Tiroid untuk 5 pasien. Ketidakpastian dalam nilai RC mempengaruhi akurasi nilai aktivitas, yang berdampak pada efektivitas terapi. Penelitian ini memberikan kontribusi penting dalam pengembangan strategi untuk meningkatkan akurasi dosimetri pada terapi, khususnya dengan menggunakan Iodin-131, sehingga dapat meningkatkan keefektifan pengobatan bagi pasien kanker tiroid.

---

The background of this study is based on the high number of thyroid cancer cases in Indonesia and globally, as well as the importance of accurate activity determination in molecular therapy to improve treatment effectiveness and minimize the risk of toxicity. This study aims to analyze the effect of uncertainty in the Recovery Coefficient (RC) value in quantifying activity values in molecular therapy using Iodine-131 radionuclide. The method used in this study is an internal dosimetry analysis by considering the uncertainty of the RC value, which is the ratio between the activity concentration from the calculation and the actual activity concentration. Data were obtained from SPECT images of post-ablation thyroid therapy patients in one of the hospitals in South Jakarta. The results obtained activities of (2,076±0,312) MBq, (7,860±1,081) MBq, (69,879±10,243) MBq, (8,046±1,290) MBq, (812,197±2,183) MBq, in thyroid for 5 patients. The uncertainty in RC values affects the accuracy of activity values, which impacts the effectiveness of therapy. This study makes an important contribution to the development of strategies to improve the accuracy of dosimetry in therapy, especially using Iodine-131, so as to improve the effectiveness of treatment for thyroid cancer patients."

"Saat ini, salah satu prosedur yang paling umum digunakan dalam radiologi untuk mendiagnosa suatu penyakit adalah sinar-X diagnostik. Prosedur ini sering kali diterapkan dalam berbagai pemeriksaan medis, seperti medical checkup, deteksi dini kanker, dan pendarahan otak. Oleh karena itu, penting untuk menentukan jumlah radiasi hambur yang dihasilkan selama prosedur ini guna mengevaluasi dosis radiasi yang diterima oleh pasien, staf medis, dan masyarakat umum. Penelitian ini bertujuan mengevaluasi radiasi hambur terhadap variasi sudut hambur dan tegangan tabung dengan metode Monte Carlo, serta distribusi radiasi hambur yang dihamburkan oleh pasien dalam prosedur Trout dan Kelly dan radiografi toraks posisi supine AP. Penelitian ini menggunakan pendekatan simulasi Monte Carlo menggunakan software PHITS untuk memodelkan radiasi hambur terhadap variasi posisi dan tegangan tabung. Variabel kontrol mencakup arus tabung (5 mAs), luas lapangan (20×20 cm² untuk prosedur Trout dan Kelly, 35×43 cm² untuk radiografi toraks supine AP), jarak fokus ke detektor (100 cm untuk Trout dan Kelly, 180 cm untuk radiografi toraks supine AP), dan dimensi fantom. Fantom yang digunakan berupa slab (balok air) berdensitas setara jaringan, balok masonit, dan ellipsoid air. Variabel yang diubah adalah sudut hambur (30° - 135°) dan tegangan tabung (70 kV - 100 kV). Variabel yang diamati adalah kerma primer dan kerma hambur, diukur pada jarak 1 m dari titik fokus dan pusat fantom. Kurva fraksi hambur dari simulasi dibandingkan dengan data literatur dan pengukuran untuk verifikasi hasil. Hasil simulasi menunjukkan bahwa sudut 30° mengalami peningkatan radiasi hambur terbesar hingga faktor 2,71, sedangkan sudut 135° menunjukkan peningkatan terendah, yaitu faktor 1,21. Kurva fraksi hambur simulasi memiliki pola yang menyerupai kurva fraksi hambur data literatur dan pengukuran, dengan sudut 80° paling mendekati literatur referensi dan 90° untuk verifikasi pengukuran. Dibandingkan prosedur Trout dan Kelly, prosedur radiografi toraks posisi supine AP menghasilkan fraksi hambur lebih besar hingga faktor 4,27. Perhitungan shielding radiasi sekunder perlu ditingkatkan dengan mengubah jarak fokus ke detektor menjadi 180 cm dan luas lapangan menjadi 35×43 cm².

---

Currently, one of the most used procedures in radiology for diagnosing diseases is diagnostic X-ray. This procedure is often applied in various medical examinations, such as medical check-ups, early cancer detection, and brain hemorrhage detection. Therefore, it is important to determine the amount of scattered radiation produced during this procedure to evaluate the radiation dose received by patients, personnel, and the members of the public. This study aims to evaluate how scattered radiation changes with scatter angle and tube voltage using the Monte Carlo method. This study also evaluates the scattered radiation distribution from patients during Trout and Kelly procedures and supine AP chest radiography. The study uses the Monte Carlo simulation using PHITS software to model scattered radiations with variations of position and tube voltage. The controlled variables are tube current (5 mAs), field size (20×20 𝑐𝑚2 for Trout and Kelly procedures, 35×43 𝑐𝑚2 for supine AP chest radiography), focus-to-detector distance (100 cm for Trout and Kelly, 180 cm for supine AP chest radiography), and phantom dimensions. The phantoms used are water blocks with tissue-equivalent density, masonite blocks, and water ellipsoids. The independent variables are scatter angle (30° to 135°) and tube voltage (70 kV to 100 kV). The dependent variables are primary kerma and scatter kerma, measured at 1 m from the focal point and the center of the phantom. Scatter fraction curves from the simulation are compared with literature data and measurements for result verification. Study results show that the 30° angle shows the highest increase in scattered radiation, up to a factor of 2.71, while the 135° angle shows the lowest increase, at a factor of 1.21. The simulated scatter fraction curves have a pattern similar to those from literature data and measurements, with the 80° angle most closely matching the reference literature and the 90° angle for measurement verification. Compared to the Trout and Kelly procedures, the supine AP chest radiography procedure produces a greater scatter fraction, up to a factor of 4.27. Secondary radiation shielding calculations need to be improved by changing the focus-to-detector distance to 180 cm and the field size to 35×43 𝑐𝑚2.

"

"Pemantauan dosis pada pekerja radiasi diperlukan untuk memastikan dosis yang diterima tidak melebihi batas aman yang telah ditetapkan oleh BAPETEN. Dosimeter Termoluminesensi (TLD) seringkali digunakan untuk pemantauan dosis pekerja radiasi. Sebelum digunakan, TLD perlu dikalibrasi dengan suatu sumber radiasi untuk memastikan TLD dapat memberikan hasil pengukuran yang akurat. Salah satu faktor yang mempengaruhi akurasi pengukuran TLD adalah energi. Ketergantungan respons TLD terhadap energi menyebabkan pemilihan sumber radiasi yang tepat untuk kalibrasi TLD perlu diperhatikan. Penelitian ini mengevaluasi respons TLD LiF:Mg,Ti terkalibrasi sumber 137Cs yang digunakan pada rentang energi sinar-X diagnostik menggunakan simulasi Monte Carlo. Evaluasi respons TLD terhadap energi dilakukan menggunakan perhitungan spektrum energi dengan variasi tegangan tabung 60 kV sampai 100 kV, dengan interval 10 kV, dan arus tabung 20 mAs. Hasil penelitian menunjukkan bahwa perhitungan spektrum energi dengan simulasi Monte Carlo dapat digunakan untuk mengestimasi nilai dosis serap dan mengevaluasi respons TLD terhadap energi dengan hasil respons relatif terhadap sumber 137Cs yang diperoleh pada penelitian ini berada pada rentang 1,33 sampai 1,37. Hasil ini menunjukkan bahwa penggunaan sumber 137Cs untuk kalibrasi TLD merupakan pilihan yang kurang tepat dan diperlukan penggunaan sumber radiasi lain untuk mengkalibrasi TLD yang digunakan pada rentang energi sinar-X diagnostik.

---

Dose monitoring for radiation workers is essential to ensure that the received dose does not exceed the safety limits set by BAPETEN. Thermoluminescent Dosimeters (TLDs) are commonly used for personal dose monitoring. Before use, TLD must be calibrated with a radiation source to guarantee accurate measurement results. Accurate measurements using TLD are essential for dose monitoring. The energy of the radiation is one of the factors affecting the accuracy of TLD measurement. Because TLD response depends on energy, choosing the correct radiation source for calibration is important. This study evaluates the response of LiF:Mg,Ti TLD calibrated with 137Cs source used in the diagnostic X-ray energies using Monte Carlo simulations. The evaluation of TLD response was determined using energy spectrum calculations at tube voltage variations from 60 kV to 100 kV, in 10 kV increments, and a tube current of 20 mAs. The results indicate that energy spectrum calculations can be used to estimate absorbed dose and evaluate TLD response to energy. The relative response to the 137Cs source obtained in this study was between 1.33 and 1.37. These results show that using 137Cs source for calibration is not the optimal choice, and an alternative radiation source is needed for calibrating TLD used in the diagnostic X-ray energy range."