Hasil Pencarian  ::  Simpan CSV :: Kembali

"Breast cancer can be detected using digital mammograms. In this research study, a system is designed to classify digital mammograms into two classes, namely normal and abnormal, using the k-Nearest Neighbor (kNN) method. Prior to classification, the region of interest (ROI) of a mammogram is cropped, and the feature is extracted using the wavelet transformation method. Energy, mean, and standard deviation from wavelet decomposition coefficients are used as input for the classification. Optimal accuracy is obtained when wavelet decomposition level 3 is used with the feature combination of mean and standard deviation. The highest accuracy, sensitivity, and specificity of this method are 96.8%, 100%, and 95%, respectively."

"ABSTRACTDewasa ini, sudah banyak rumah sakit modern yang dilengkapi dengan peralatan monitoring yang lengkap, yang menyebabkan makin banyaknya data medis yang tersimpan. Data medis ini memiliki karakteristik khusus, dan biasanya metode statistika biasa tidak dapat diterapkan begitu saja. Dari sinilah kemudian muncul gagasan mengenai Medical Data Mining (MDM) yang sudah terbukti cocok untuk diterapkan dalam analisis data medis. Naive Bayes Classifier (NBC) merupakan salah satu implementasi dari MDM. Kendati terbukti memiliki hasil yang akurat dan memuaskan dalam proses diagnosis medis, metode-metode dalam MDM belum sepenuhnya diterima dalam praktek medis untuk diterapkan. Alasan utama mengapa metode ini belum dapat diterima adalah karena terdapatnya resistansi dari tenaga medis terhadap metode diagnosis yang baru. Tujuan dari penelitian ini adalah untuk menerapkan dan mengevaluasi performa NBC  pada data rekam medis pasien kanker payudara di salah satu rumah sakit di Jakarta dalam masalah klasifikasi subtipe molekular kanker payudara, serta membandingkan hasil klasifikasi NBC dengan metode MDM lain, yaitu Decision Tree (DT). Hasil analisis menunjukkan bahwa NBC mengungguli DT dengan tingkat akurasi sebesar 92,8%. Selain itu, dapat juga ditunjukkan secara empiris bahwa NBC mampu menangani missing value dengan cukup baik dan tidak membutuhkan data dalam jumlah banyak untuk tetap dapat mengklasifikasikan sebagian besar pasien dengan benar.

---

ABSTRACTNowadays, modern hospitals are well equipped with data monitoring devices, which resulted in an abundant amount of medical data. These medical data possess specific characteristics and usually, statistical methods could not be applied directly. This is what started the notion of Medical Data Mining (MDM), which has proven to be effective in analysing medical data. Naive Bayes Classifier (NBC) is an implementation of MDM. Even though MDM methods produce a sufficiently accurate and satisfying results in diagnosis problems, these methods are still not well accepted in the medical practice. One of the main reasons is because there is a resistance of physicians to a new diagnosis method. The main goal of this study is to apply and evaluate the performance of NBC in classifying breast cancer patients in a private hospital in Indonesia into five classes of molecular subtypes and compare its performance with another popular MDM method, Decision Tree (DT). Results showed that NBC outperformed DT by reaching an accuracy rate of 92.8%. This study could also show empirically that NBC does not need a big dataset to be able to achieve a high accuracy rate and that NBC could handle the problem of missing values just fine."

"Kanker payudara adalah sekelompok penyakit di mana sel-sel di jaringan payudara berubah dan membelah secara tidak terkendali, yang biasanya menghasilkan benjolan atau massa. World Health Organization (WHO) telah merilis data dari Global Burden of Cancer (GLOBOCAN) yang menyebutkan bahwa jumlah kasus dan kematian akibat kanker payudara diperkirakan terus meningkat hingga lebih dari 13,1 juta pada tahun 2030. Salah satu metode yang menjadi gold standard dalam mendiagnosis kanker payudara adalah melalui pemeriksaan histopatologi, yang melibatkan pengambilan jaringan utuh melalui operasi, biopsi atau kerokan untuk menentukan jenis tumor payudara baik ganas ataupun jinak. Pemeriksaan ini berfungsi untuk melihat perubahan morfologi sel dari jaringan dengan metode paraffin. Metode machine learning dan deep learning berperan penting dalam klasifikasi kanker payudara. Belakangan ini, metode deep learning telah mengalami kemajuan yang besar dan kinerja yang baik dalam visi computer dan pemrosesan gambar yang diterapkan dalam metode klasifikasi pada citra gambar histopatologi. Dalam penelitian ini, penulis mengklasifikasi dua kelas pada kanker payudara menggunakan metode Xtreme of Inception (Xception) pada data citra histopatologi menjadi dua kelas, yaitu kelas jinak dan kelas ganas, yang terbagi menjadi dua kasus, dimana kasus 1 memiliki rasio pemisah data dimana data training : validation : testing sebesar 8:1:1 dan kasus kedua memiliki rasio 7:2:1. Dari hasil simulasi yang telah dilakukan, diperoleh hasil evaluasi dari kedua kasus penelitian bahwa pada evaluasi training model, kasus 1 memiliki hasil terbaik dimana pemisah data memiliki rasio 8:1:1 yang memiliki rata-rata accuracy 98,11%, validation 98,45% serta running time 663027.5772 ms. Seperti halnya pada evaluasi training model, pada evaluasi testing model kasus 1 dengan rasio pemisah data 8:1:1 memiliki hasil terbaik yaitu precision 96,56%, recall 99,55%, accuracy 99,55% serta running time 607,6727 ms.

---

Breast cancer is a group of diseases in which cells in the breast tissue change and divide uncontrollably, which usually results in a lump or mass. The World Health Organization (WHO) has released data from the Global Burden of Cancer (GLOBOCAN) which states that the number of cases and deaths from breast cancer is expected to continue to increase to more than 13.1 million in 2030. One of the methods that has become the gold standard in diagnosing Breast cancer is through histopathological examination, which involves taking intact tissue through surgery, biopsy or scraping to determine the type of breast tumor whether malignant or benign. This examination serves to see changes in cell morphology of tissues with the paraffin method. Machine learning and deep learning methods play an important role in breast cancer classification. Recently, deep learning methods have experienced great progress and good performance in computer vision and image processing applied in classification methods on histopathological images. In this study, the authors classified two classes of breast cancer using the Xtreme of Inception (Xception) method on histopathological image data into two classes, namely the benign class and the malignant class, which were divided into two cases, where case 1 had a data separator ratio where the training data : validation : testing is 8:1:1 and the second case has a ratio of 7:2:1. From the simulation results that have been carried out, the evaluation results of the two research cases show that in the training model evaluation, case 1 has the best results where the data separator has a ratio of 8:1:1 which has an average accuracy of 98.11%, validation of 98.45 % and running time 663027.5772 ms. As with the evaluation of the training model, the evaluation of testing model case 1 with a data separation ratio of 8:1:1 has the best results, namely 96.56% precision, 99.55% recall, 99.55% accuracy and 607.6727 ms running time."

"Peresepan antibiotik yang tinggi disertai kurangnya evaluasi penggunaan antibiotik di fasilitas pelayanan kesehatan primer berpotensi terhadap penggunaan antibiotik yang tidak tepat. Evaluasi antibiotik dapat dilakukan dengan melihat pola konsumsi antibiotik di fasilitas pelayanan kesehatan tersebut. WHO telah menetapkan target minimal 60% konsumsi antibiotik berasal dari kelompok access. Tujuan penelitian adalah untuk menganalisis konsumsi antibiotik di puskesmas di Provinsi DKI Jakarta berdasarkan klasifikasi antibiotik AWaRe (Access, Watch, dan Reserve) WHO. Penelitian ini merupakan penelitian non eksperimental dengan pendekatan kuantitatif dan kualitatif. Penelitian dilakukan terhadap 44 puskesmas di Provinsi DKI Jakarta. Hasil penelitian menujukkan terjadi peningkatan nilai konsumsi antibiotik di tahun 2022 dibandingkatn tahun 2019. Total konsumsi antibiotik tahun 2022 adalah 1,827 DDD per 1.000 pasien per hari, dengan proporsi sebesar 76,91% berasal dari kelompok access; 10,14% kelompok watch; tidak ada kelompok reserve, dan 12,95% merupakan antibiotik yang tidak diklasifikasikan dalam WHO AwaRe (unclassified). Semua jenis SDM kesehatan puskesmas memiliki peran dalam penggunaan antibiotik, namun belum semuanya mengetahui tentang klasifikasi antibiotik AWaRe WHO. Dukungan pelayanan laboratorium klinik, pelayanan informasi obat diperlukan dalam peresepan antibiotik di puskesmas. Selain itu, pelaksanaan manajemen logistik obat serta pemantauan dan evaluasi juga berperan dalam penggunaan antibiotik di puskesmas. Sementara itu, pengetahuan pasien juga dapat memengaruhi penggunaan antibiotik. Hasil penelitian ini merekomendasikan adanya upaya peningkatan penggunaan antiobiotik yang rasional melalui peningkatan pemahaman SDM kesehatan dan pasien serta pelaksanaan pemantauan dan evaluasi penggunaan antibiotik yang lebih menyeluruh di puskesmas disertai umpan balik.

---

High antibiotic prescribing combined with a lack of evaluation of antibiotic use in primary healthcare facilities has the potential to lead to inappropriate use of antibiotics. The WHO sets a target of at least 60% antibiotic consumption from the access group in primary healthcare facilities for antibiotic evaluation. This study aimed to analyze antibiotic consumption in community health centers in DKI Jakarta province based on the WHO AWaRe (Access, Watch, and Reserve) classification. The study is non-experimental research with a quantitative and qualitative approach. The study was conducted at 44 community health centers in DKI Jakarta province. The findings indicate that antibiotic consumption will increase in 2022 compared to 2019. Total antibiotic consumption in 2022 is 1,827 DDD per 1,000 patients per day, with a proportion of 76.91% from access group, 10.14% from watch group, no antibiotic in reserve; and 12.95% from antibiotics not classified in WHO AwaRe (unclassified). Every healthcare worker at community health centers has a responsibility regarding the use of antibiotics; however, not all of them are up-to-date on the WHO's AWaRe classification of antibiotics. Community health centers require support in the form of clinical laboratory testing and drug information services to prescribe antibiotics effectively. Furthermore, the effective execution of drug logistics management, as well as the process of monitoring and evaluation, contributes to the use of antibiotics in community health centers. Moreover, the level of understanding possessed by patients may have an impact on the use of antibiotics. The study's findings indicate that improving the comprehension of healthcare worker and patients can lead to a more judicious use of antibiotics. Furthermore, it is imperative to establish a more extensive system for monitoring and evaluating the utilization of antibiotics in community health centers, along with providing feedback."

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

ABSTRACTBreast cancer is the most common cancer in women worldwide and the second mostcommon cancer in Indonesia. Metastasis is the medical term for cancer that spreadsto a different part of the body from where it started. Information from the lymphnode biopsy can help doctor that treatment decisions depend on stage of metastases.Normaly pathologist makes a diagnosis of the prepared sample slide from samplebiopsy with manual visual inspection. Manual diagnosis has the possibility to misssome section not checked, classification errors and subjectivity result. Theclassification process with AI will help the pathologist check faster, reduce the errorlevel and eliminate the subjectivity. The proposed Method using adaptivethresholding method in whole slide image is to determine the area to be processed.And Convolution Neural Network (CNN) for image classification. Adaptivethresholding have ability to separating the blank slide area and tissue area. CNN issuperior in image classification . Classification data for this thesis using 6classification, five class normal cell and one tumor. Adaptive thresholding methodin whole slide image can separate empty tissue and tissue with cell area. The resultCNN Method for overall accuracy 86% and accuracy for tumor cell is 93%.Classification and staging result can be improved by improving dataset for trainingand developing, change the configuration of CNN architecture or adding newmethod."

"

Kanker payudara adalah suatu jenis tumor ganas yang berkembang pada sel-sel payudara. Pada penelitian ini digunakan model Adaptive Neuro Fuzzy Inference System (ANFIS) dengan Selecting Feature. Neuro Fuzzy (NF) menghibridisasi keunggulan dari Artificial Neural Network (ANN) dan Fuzzy Logic (FL) untuk mengatasi masalah input informasi yang tidak pasti dan tidak tepat. Penelitian model ANFIS dengan selecting feature dilakukan dengan 4 tahap. Pada tahap pertama dilakukan preprocessing data, di mana terlebih dahulu dilakukan cleaning dataset untuk menghilangkan 16 missing value, kemudian data dinormalisasi dalam interval [0,1], selanjutnya dipilih fitur mana yang mewakili dataset menggunakan algoritma relief, correlation plot, dan ilmu di bidang kesehatannya. Tahap kedua yaitu pembagian dataset menjadi 4 label. Hal ini bertujuan untuk melihat pembagian data antara data training dan data testing mana yang proporsional untuk diuji. Tahap ketiga merupakan pengujian model ANFIS dengan eppoch= 50, 100, 150 pada 4 label dataset. Tahap ini menghasilkan nilai RMSE untuk melihat seberapa kecil tingkat kesalahan dari model ANFIS. Pada tahap akhir, dilakukan uji performance data untuk melihat akurasi pada data testing. Berdasarkan hasil uji dalam 4 label dataset, diperoleh rata-rata untuk akurasi 96,35%. Dari hasil penelitian disimpulkan bahwa model Adaptive Neuro Fuzzy Inference System dengan Selecting Feature cukup baik untuk memprediksi kanker payudara.

---

Breast cancer is a type of tumor that develops in breast cells. In this study, the Adaptive Neuro Fuzzy Inference System (ANFIS) model was used with the Selecting Feature. Neuro Fuzzy (NF) hybridizes the advantages of Artificial Neural Network (ANN) and Fuzzy Logic (FL) to solve the problem of uncertain and imprecise information input. The ANFIS research model with feature selection was carried out in 4 stages. In the first stage, data preprocessing is carried out, where first cleaning the dataset to eliminate 16 missing values, then the data is normalized in intervals [0,1], then selected which features represent the dataset using relief algorithms, correlation plots, and science in the field. his health. The second stage is dividing the dataset into 4 labels. This aims to see the distribution of data between training data and testing data which is proportional to be tested. The third stage is the ANFIS testing model with eppoch = 50, 100, 150 on 4 dataset labels. This stage generates the RMSE value to see the slightest error rate of the ANFIS model. In the final stage, a data performance test is carried out to see the accuracy of the data testing. Based on the test results in 4 dataset labels, an average of 96.35% accuracy is obtained. From the research, it was concluded that the Adaptive Neuro Fuzzy Inference System model with the Selecting Feature was good enough to predict breast cancer.

"

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Penelitian ini membahas kanker payudara yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia, khususnya bagi wanita. Berdasarkan patologisnya, ada beberapa jenis kanker payudara yang dikelompokkan menjadi dua kategori utama, yaitu invasif dan non-invasif. Penelitian ini menggunakan dataset MRI payudara penderita kanker payudara dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Dataset berupa citra MRI akan diimplementasikan pada algoritma yang telah dikonstruksikan. Pada tahap awal, metode Convolutional Neural Network akan digunakan untuk bagian konvolusi. Berikutnya, pada bagian klasifikasi, metode yang akan diterapkan sebagai metode klasifikasi adalah Support Vector Machine. Dengan mengevaluasi hasil kinerja metode pembaharuan yang digunakan (Convolutional Neural Network–Support Vector Machine) dari dataset yang dimiliki, kita akan mengetahui apakah metode Convolutional Neural Network–Support Vector Machine lebih akurat dibandingkan dengan metode Convolutional Neural Network dalam membantu klasifikasi dataset MRI penderita kanker payudara yang dimiliki. 

---

In the world of health, medical personnel are required to deal with various types of diseases with various symptoms. Therefore, a technology is needed to help them solve it well. This research supports them by using machine learning as a problem solver. This research discusses breast cancer, which is one of the diseases with the highest mortality rate in the world, especially for women. Based on the pathology, there are several types of breast cancer which are grouped into two main categories, namely invasive and non-invasive. This study used the breast MRI dataset of breast cancer patients from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The dataset in the form of an MRI image will be implemented in the algorithm that has been constructed. In the early stages, the Convolutional Neural Network method will be used for the convolution section. Next, in the classification section, the method that will be applied as a classification method is the Support Vector Machine. By evaluating the performance results of the renewal method used (Convolutional Neural Network–Support Vector Machine) from our dataset, we will find out whether the Convolutional Neural Network–Support Vector Machine method is more accurate than the Convolutional Neural Network method in helping to classify the MRI dataset for breast cancer patients which are owned."