700 Entri Tambahan Nama OrangDwi Seno Kuncoro Sihono, supervisor; Supriyanto, examiner; Akbar Azzi, 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
504 Catatan Bibliografipages 38-42
852 LokasiPerpustakaan UI
049 No. Barkod14-25-98007897
338 Carrier Typeonline resource (rdacarrier)
590 Cat. Sumber Pengadaan KoleksiDeposit
903 Stock Opname
534 Catatan Versi Asli
Tahun Buka Akses2025
053 No. Induk14-25-98007897
653 Kata Kunciradioterapi; treatment plan; random forest; PTV; OAR; HI; CI
040 Sumber PengataloganLibUI ind rda
245 Judul UtamaPrediksi Distribusi Dosis Radioterapi dengan Model Random Forest untuk Teknik Perencanaan Intensity-Modulated Radiation Therapy (IMRT) pada Kasus Kanker Paru = Prediction of Radiotherapy Dose Distribution with Random Forest Model for Intensity-Modulated Radiation Therapy (IMRT) Planning Technique in Lung Cancer Cases
650 Subyek TopikLung cancer; Lung Diseases; Lung Diseases--therapy
264c Tahun Terbit2024
850 Lembaga PemilikUniversitas Indonesia
904b Pemeriksa Lembar KerjaSugiarti-Mei-2025
520 Ringkasan/Abstrak/IntisariPerencanaan klinis untuk pengobatan radioterapi memainkan peran krusial dalam memaksimalkan manfaat pemberian radiasi terapi dan menjamin keselamatan pasien. Pada penelitian ini 60 data treatment planning intensity-modulated radiation therapy (IMRT) dari Rumah Sakit MRCCC Siloam Hospital digunakan dalam model pembelajaran machine learning dengan menggunakan algoritma random forest. Data perencanaan radioterapi berupa radiomic dan dosiomic yang telah dinormalisasi diteliti dengan model algorimta random forest. Hasil evaluasi penelitian menunjukkan model random forest dapat memprediksi distribusi dosis pada kasus kanker paru dengan Mean Squared Error (MSE) sebesar 0,0214. Nilai Homogeneity Index (HI) dan Conformity Index (CI) pada hasil prediksi model random forest adalah 0,087±0,004 dan 0,983±0,003 secara berturut-turut, sementara dari perencanaan klinik diperoleh 0,082±0,025 dan 0,978±0,037 dengan nilai p-value pada PTV and OAR > 0,05 yang menunjukkan bahwa model random forest efektif dan mimiliki performa yang baik dalam memprediksi dosis pada PTV dan OAR pada kasus kanker paru. ......Clinical planning for radiotherapy treatment plays a crucial role in maximizing the benefits of radiation therapy and ensuring patient safety. In this study, 60 intensity-modulated radiation therapy (IMRT) treatment planning data from MRCCC Siloam Hospital were used in a machine learning model using the random forest algorithm. Radioteraphy treatment plan data, radiomic and dosiomic, are normalized and to be learned by random forest model algorithm. Model evaluation results showed that dose distribution predicted by random forest model had a Mean Squared Error (MSE) of 0.0214. Homogeneity Index (HI) and Conformity Index (CI) values for predicted results were 0.087±0.004 and 0.983±0.003, respectively, while the clinical data were 0,082±0,025 and 0,978±0,037, with p-values for PTV and OAR > 0.05, which concludes that random forest model had a good performance and were effective in lung cancer PTV and OAR dose prediction.
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 OrangTanjung, Teguh Syahrizal, author
264a Kota TerbitDepok
300 Deskripsi Fisikxiii, 42 pages : illustration + appendix
904a Pengisi Lembar KerjaSugiarti-Mei-2025
Akses Naskah Ringkas
856 Akses dan Lokasi Elektronik
502 Catatan Jenis KaryaSkripsi
041 Kode Bahasaind