700 Entri Tambahan Nama OrangPrawito Prajitno, supervisor; Siregar, Syahril, supervisor; Dwi Seno Kuncoro Sihono, examiner; Deni Hardiansyah, examiner
001 Hak Akses (open/membership)membership
336 Content Typetext (rdacontent)
710 Entri Tambahan Badan KorporasiUniversitas Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam
264b Nama PenerbitFakultas Matematika dan Ilmu Pengetahuan Alam
852 LokasiPerpustakaan UI
504 Catatan Bibliografipages 50-59
049 No. Barkod14-25-91279351
338 Carrier Typeonline resource (rdacarrier)
590 Cat. Sumber Pengadaan KoleksiDeposit
903 Stock Opname
534 Catatan Versi Asli
Tahun Buka Akses2025
053 No. Induk14-25-91279351
653 Kata Kunciprostate cancer; benign; malignant; raman micro-spectroscopy (R?S); SVM; and XGBoost
040 Sumber PengataloganLibUI ind rda
245 Judul UtamaPemanfaatan Machine Learning untuk Diagnosis Kanker Prostat dari Spektrum Raman pada Sampel Jaringan Biopsi = Utilization of Machine Learning for Prostate Cancer Diagnosis from Raman Spectrum on Biopsy Tissue Samples
650 Subyek TopikMachine learning; Prostate--Cancer
264c Tahun Terbit2024
850 Lembaga PemilikUniversitas Indonesia
904b Pemeriksa Lembar KerjaSugiarti-Mei-2025
520 Ringkasan/Abstrak/IntisariKanker prostat merupakan masalah kesehatan yang umum terjadi pada pria di seluruh dunia. Diagnosis dini dan akurat sangat penting untuk pengobatan yang efektif. Spektroskopi Raman (R?S) menawarkan teknik yang menjanjikan untuk menganalisis sampel jaringan dan berpotensi membedakan antara jaringan prostat jinak dan ganas. Studi ini menyelidiki kemanjuran algoritma Machine Learning dalam mengklasifikasikan kanker prostat menggunakan data RS dari spesimen biopsi. Data Spektrum Raman yang digunakan berasal dari penelitian di Kanada yang dikumpulkan dari tiga kelompok Cohort yakni Centre Hospitalier de l?Universit´e de Montr´eal (CHUM) sebagai Cohort training, serta University Health Network (UHN) dan Centre Hospitalier de l?Universite de Montreal (CHUQc-UL) sebagai Cohort testing. Spektrum ini, yang mewakili komposisi kimia jaringan (Raw Spectra), digunakan untuk training dan model evaluation Machine Learning. Untuk membantu menganalisis komposisi kimia data R?S yang akurat, diperlukan algoritma Machine Learning dalam mengklasifikasikan BPH dan PC. Dua algoritma yang digunakan adalah Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost). Data R?S dilakukan training dan testing menggunakan data yang berbeda yang menghasilkan nilai metrik klasifikasi dari dua algoritma yang dibandingkan dalam mengklasifikasikan sampel BPH atau PC. Ternyata, algoritma XGBoost memiliki kemampuan klasifikasi yang kurang unggul daripada SVM, hal ini dibuktikan dengan SVM memiliki rata-rata Akurasi sebesar 83,3%, Sensitivitas sebesar 96.,7%, Spesifisitas sebesar 46,4%, F1-Score sebesar 98,1%, dan ROC-AUC sebesar 87,7%. Sementara, XGBoost menunjukkan Akurasi sebesar 78%, Sensitivitas sebesar 80%, Spesifisitas sebesar 75%, F1-Score sebesar 78%, dan ROC-AUC sebesar 85%.Selain itu kedua algoritma juga bisa menentukan titik Feature Importance pada grafik Spektra Raman, yang ditunjukkan dengan beberapa fitur vibrasi molekul untuk BPH dan PC berdasarkan algoritma SVM dan XGBoost, yakni 720 cm?1, 828 cm?1, dan 931 cm?1 sebagai karakteristik jaringan BPH, dan 1.431 cm?1 dan 1.470 cm?1 sebagai jaringan PC. ......Prostate cancer is a common health problem in men worldwide. Early and accurate diagnosis is essential for effective treatment. Raman spectroscopy (R?S) offers a promising technique to analyze tissue samples and potentially differentiate between benign and malignant prostate tissue. This study investigated the efficacy of a Machine Learning algorithm in classifying prostate cancer using RS data from biopsy specimens. The Raman Spectrum data used were from a Canadian study collected from three cohort groups, namely the Centre Hospitalier de l?Universit´e de Montr´eal (CHUM) as the training Cohort, and the University Health Network (UHN) and Centre Hospitalier de l?Universit´e de Montreal (CHUQc-UL) as the testing Cohort. This spectrum, which represents the chemical composition of the tissue (Raw Spectra), is used for training and model evaluation Machine Learning. To help analyze the chemical composition of accurate R?S data, a Machine Learning algorithm is needed to classify BPH and PC. The two algorithms used are Support Vector Machine (SVM) and Extreme Gradient Boosting (XGBoost). The R?S data is trained and tested using different data that produces classification metric values from the two algorithms that are compared in classifying BPH or PC samples. It turns out that the XGBoost algorithm has a classification capability that is less superior than SVM, this is evidenced by SVM having an average Accuracy of 83.3%, Sensitivity of 96.7%, Specificity of 46.4%, F1-Score of 98.1%, and ROC-AUC of 87.7%. Meanwhile, XGBoost showed Accuracy of 78%, Sensitivity of 80%, Specificity of 75%, F1-Score of 78%, and ROC-AUC of 85%. In addition, both algorithms can also determine the Feature Importance point on the Raman Spectra graph, which is indicated by several molecular vibration features for BPH and PC based on the SVM and XGBoost algorithms, namely 720 cm?1, 828 cm?1, and 931 cm?1 as characteristics of BPH tissue, and 1.431 cm?1 and 1.470 cm?1 as PC tissue.
090 No. Panggil SetempatS-pdf
d-Entri Utama Nama Orang
500 Catatan UmumDapat diakses di UIANA (lib.ui.ac.id) saja.
337 Media Typecomputer (rdamedia)
d-Entri Tambahan Nama Orang
526 Catatan Informasi Program StudiFisika
100 Entri Utama Nama OrangAryo Haris Wirakusuma, author
264a Kota TerbitDepok
300 Deskripsi Fisikxvi, 59 pages
904a Pengisi Lembar KerjaSugiarti-Mei-2025
Akses Naskah Ringkas
856 Akses dan Lokasi Elektronik
502 Catatan Jenis KaryaSkripsi
041 Kode Bahasaind