Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAdanya pengaruh pada pergerakan target akibat dari proses pernapasan maupun parameter pitch dan faktor modulasi pada pesawat tomoterapi, maka penelitian ini dilakukan untuk menginvestigasi pengaruh dari manajemen pergerakan menggunakan citra yang didapatkan dari hasil fusi antara metode pemindaian statik dan dinamik pada fantom CIRS Thoraks. Teknik pemindaian dilakukan dengan menggunakan dua teknik yakni aksial dan helikal. Variasi amplitudo yaitu 10 mm, 15 mm, dan 20 mm. Selanjutnya dilakukan planning menggunakan TPS TomoPlan dengan variasi pitch 0.25-0.5 dan MF 2 dan 3 . Evaluasi planning menggunakan parameter dosis pada target dan OAR, HI, serta nilai mean LOT. Perubahan volume organ target untuk amplitudo 10 mm, 15 mm, dan 20 mm sebesar 10.9 cc, 10.3 cc, 16.1 cc untuk teknik aksial dan 6.6 cc, 8.5 cc, 14.9 cc untuk teknik helikal dari volume target statik sebesar 3.53 cc. Didapatkan perubahan volume yang lebih besar untuk teknik pemindaian aksial dibandingkan dengan helikal. Hasil parameter optimum yang didapatkan pada planning yaitu dengan nilai pitch 0.5 dan MF 3 berdasarkan evaluasi mean LOT dan HI. Oleh karena itu perlu adanya manajemen pergerakan untuk organ target yang bergerak selama penyinaran dengan pertimbangan pada penambahan volume target akibat adanya pergerakan pernapasan agar target menerima dosis preskripsi yang cukup.

---

ABSTRACT

The influence on target motion resulted from the respiratory process, the pitch and modulation factor presented in Tomotherapy. This study was aimed to investigate the effect of motion management using CT images obtained from the fusion process between static and dynamic scanning mode on the CIRS Thorax Phantom. The images were scanned using axial and helical modes. The amplitude were varied from 10 mm, 15 mm, and 20 mm. Then, the organ structures were planned using TomoPlan TPS with variation of pitch ranging from 0.25 to 0.5, and the MF in the range 2 to 3. Furthermore, evaluation of radiotherapy planning was performed using dose parameters on target and OAR, HI, and mean LOT. Target volume for static mode was 3.53 cc, where target volume has changed to 10.9 cc, 10.3 cc, 16.1 cc for axial and 6.6 cc, 8.5 cc, 14.9 cc for helical scanning. The optimum parameters were pitch 0.5 and MF 3 based on evaluation of mean LOT and HI. Therefore, motion management was needed during irradiation for the moving target organs with consideration of the target volume increment due to the movement of the respiratory system so the target volume would precisely accept the prescription dose."

"Kanker paru adalah tumor yang ganas dan berasal dari saluran pernapasan. Pada pasien dengan kanker paru, keluhan nyeri sangat umum dilaporkan. Nyeri merupakan salah satu faktor utama untuk menurunnya angka kualitas hidup bagi para pasien dengan kanker. Pemberian intervensi terapi musik atau Self-Selected Individual Music Therapy (SeLIMuT) merupakan salah satu penerapan terapi non-farmakologi dengan pendekatan paliatif yang mudah, aman, serta efektif dalam mengurangi tingkat nyeri pada pasien dengan kanker paru. Tujuan dari penelitian adalah untuk menganalisis manfaat pemberian intervensi Self-Selected Individual Music Therapy dalam manajemen nyeri pada pasien dengan kanker paru. Penelitian ini dilakukan di Ruang Anggrek Bawah, di salah satu Rumah Sakit Rujukan Nasional Penyakit Pernapasan. Pasien terdiagnosa kanker paru T4N2M1a (pleura) stage IV diberikan intervensi terapi musik selama 6 hari dan dalam sehari dilakukan sebanyak dua kali yaitu pada siang hari dan sore hari. Terapi SeLiMut diberikan selama 15 - 20 menit dan memberikan kebebasan pasien untuk memilih musik yang disukai serta dikombinasikan dengan distraksi nafas dalam dan terapi farmakologi Dari hasil penelitian dapat disimpulkan bahwa dalam pemberian intervensi keperawatan terapi musik atau SelfSelected Individual Music Therapy (SeLIMuT) ini berpengaruh terhadap penurunan intensitas nyeri, serta tanda-tanda vital pasien kanker.

---

Lung cancer is a malignant tumor originating from the respiratory tract. In patients with lung cancer, complaints of pain are very commonly reported. Pain is one of the main factors for decreasing the quality of life for patients with cancer. The provision of music therapy intervention or Self-Selected Individual Music Therapy (SeLIMuT) is one of the applications of non-pharmacological therapy with a palliative approach that is easy, safe, and effective in reducing pain levels in patients with lung cancer. The purpose of this study was to analyze the benefits of providing the Self-Selected Individual Music Therapy intervention in pain management in patients with lung cancer. This research was conducted in the Lower Orchid Room, in one of the National Referral Hospitals for Respiratory Diseases. Patients diagnosed with stage IV lung cancer T4N2M1a (pleura) were given music therapy intervention for 6 days and twice a day, in the afternoon and evening. SeLiMut therapy is given for 15 - 20 minutes and gives the patient freedom to choose the music they like and is combined with deep breathing distraction and pharmacological therapy. to reduce pain intensity, as well as vital signs of cancer patients."

"Penelitian ini bertujuan untuk mengetahui efek terhadap distribusi dosis akibat adanya pergerakan pada pasien di pesawat tomoterapi dengan melakukan simulasi perlakuan menggunakan fantom cheese. Penelitian dilakukan dengan melakukan variasi target kompleks bentuk C sesuai acuan AAPM TG 119 pada target statik dan bergerak searah longitudinal menggunakan amplitudo 2 mm, 4 mm, 6 mm, 8 mm dan 10 mm dengan perioda 4 s dan 6 s pada penggunaan lebar jaw 25 mm dan 50 mm. Data distribusi dosis yang dievaluasi meliputi dosis rata-rata, nilai indeks gamma, dan DVH pada struktur target dan OAR akibat pengaruh dari pergerakan target. Hasil pengukuran dosis rata-rata, indeks gamma dan evaluasi DVH struktur target menunjukkan amplitudo dan periode berpengaruh terhadap distribusi dosis perlakuan pada pesawat tomoterapi dan memiliki hasil yang lebih baik pada penggunaan lebar jaw 50 mm. Hasil evaluasi DVH pada  struktur OAR yang meliputi perbedaan dosis tertinggi di D max dan D5%, pada seluruh variasi pergerakan menunjukkan hasil yang lebih baik pada penggunaan lebar jaw 25 mm.

---

The purpose of this study was to investigate the effect on the dose distribution due to movement in patients on the helical tomoterapi machine by performing a treatment simulation using phantom cheese. The study was carried out by varying the C-shaped complex target according to the AAPM TG 119 for static and moving target in a longitudinal direction using amplitude 2 mm, 4 mm, 6 mm 8 mm, 10 mm with period 4 s and 6 s in the use selectable jaw widht of 25 mm and 50 mm. The dose distribution data evaluated included average dose, gamma index values, and DVH on targets and OAR structures due to the influence of the target movement along longitudinal direction. The results of the measurement of the average dose, gamma index and DVH evaluation of the target structure show amplitude and period affect the dose distribution treatment on tomoterapi and have better results on the use of 50 mm jaw width. The results of DVH evaluation on the OAR structure which included the highest difference in Dmax and D5% in all movement variations showed better results in the use of 25 mm jaw width."

"Dalam melakukan diagnosa terhadap gejala penyakit paru-paru para dokter biasanya menggunakan stetoskop sebagai alat bantu dalam melakukan proses auskultasi. Namun proses auskultasi yang dihasilkan oleh dokter sering berbedabeda hal ini dikarenakan adanya perbedaan kepekaan telinga dan pengalaman dokter yang bersangkutan. Dengan perancangan system instrumentasi untuk identifikasi dan analisis suara paru-paru menggunakan dsp tms320c6416t ini diharapkan akan membantu dalam menganalisa suara paru-paru terutama fokus pada suara normal dan suara adventitious. Interpretasi grafik dalam bentuk spectrogram dan scalogram akan mempermudah analisa suara paru-paru sekaligus mengatasi masalah keterbatasan pendengaran dalam proses auskultasi. Metode yang digunakan dalam analisa suara paru-paru meliputi transformasi fourier yang kemudian berkembang menjadi short time fourier transform (STFT) hingga tingkat lanjut seperti Wavelet transform digunakan sebagai tool untuk analaisa suara paru-paru. Upaya filtering dengan filter digital agar dapat memperoleh suara paru-paru yang sebenarnya terletak pada frekuensi antara 100-2000 Hz.

---

In diagnosed the symptoms of lung disease, doctors usually use a stethoscope as an aid in the process of auscultation. However, the interpretation of auscultation process by a doctor is not usually same with another doctor. The reason has based on the differences in the sensitivity of the ear and the experience. Using tms320c6416t dsp as instrumentation system for identification and analysis of lung sound is expected to assist in analyzing lung sound that focus on normal and adventitious sounds. Interpretation of graphs in the form of the spectrogram and scalogram will simplify the analysis of lung sounds as well as minimize or avoid the limitations of hearing problems in the process of auscultation. The method used in lung sound analysis include Fourier transformation that developed into a short-time Fourier transform (STFT) till the next stage such as the wavelet transform that used as a tool for lung sounds analysis. Digital filter is used on the instrumentation system to distinguish lung sound signal from noise signal that have frequency between 100 and 2000 Hz."

"Klasifikasi data kanker menggunakan microarray data menjadi salah satu cara untuk mendapatkan pengobatan yang lebih tepat. Kendala yang terdapat adalah karakteristik dari microarray yang memiliki fitur yang sangat banyak. Seringkali fitur tersebut tidak begitu informatif bagi pengklasifikasian sehingga perlu adanya suatu cara untuk memilih fitur-fitur yang mengandung informasi yang penting. Salah satu cara tersebut adalah dengan pemilihan fitur. Pada penelitian ini, metode pemilihan fitur yang digunakan berdasarkan clustering dengan fungsi kernel. Fitur-fitur yang sudah terpilih kemudian diklasifikasikan menggunakan metode Support Vector Machine.Evaluasi dari klasifikasi pada penelitian ini melibatkan K-Fold Cross Validation, metode tersebut akan membagi data secara acak, tetapi merata sehingga akurasi yang didapat juga merata. Hasil akurasi tersebut dilakukan dengan berbagai uji terhadap parameter yang berkaitan seperti K partisi, nilai dan fitur-fitur yang digunakan. Pada proses klasifikasi tanpa pemilihan fitur tingkat akurasinya mencapai 89.68 dengan k partisi sebanyak 6 sementara dengan 5 fitur akurasinya menjadi 95.87 pada partisi sebanyak 10.

---

Classification of cancer using microarray data is one way to get a more precise treatment. The obstacle on classification data is the characteristics of microarray data that is having many features. These features are often not so informative for classification, so it needs a way to select the features that contain important information. One way is by selection feature. In this research, the method of selection features that are used based on clustering with kernel function. Features that are already selected then classified using Support Vector Machine.

Evaluation of classification in this research involves a K Fold Cross Validation, that methods split data randomly but uniformly so that it can reach all of accuracy. The results of accuracy data was done with different test against related parameters such as K partition, the value of and the features that are used. On the classification process without selection features rate of accuracy reached on 89.68 with k partition number 6 while with the 5 features obtained 95.87 on partition number 10."

"Penelitian ini membahas mengenai tingkat keberhasilan verifikasi kasus kanker serviks dengan kanker nasofaring. Dalam penelitian ini telah dievaluasi data film verifikasi penyinaran pasien radioterapi untuk jenis kanker serviks dan nasofaring. Jumlah pasien untuk jenis kanker serviks berjumlah 45 pasien dan untuk jenis kanker nasofaring 45 pasien. Peneliti tidak melakukan verifikasi secara langsung dan tidak berhubungan dengan pasien, Data diperoleh dari status pasien yang tersedia di Rumah Sakit Cipto Mangunkusumo . Hasil penelitian ini menunjukkan bahwa tingkat keberhasilan verifikasi kasus kanker nasofaring lebih tinggi dibandingkan dengan kasus kanker serviks.

---

My research study is focused on evaluating the verification success rates of cervical cancer and nasopharyngeal cancer survivors. 45 patients underwent radiotherapy procedures to identify specific types of the two mentioned cancers followed by data recording, for a total of 90 patients. The experimenter conducted no direct verification and had no direct contact with the patients since the data samples were obtained from Cipto Mangunkusumo Hospital. Research findings proved that the success rates of nasopharyngeal cancer verification were higher than the cervical cancer verification."

"Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru.

---

This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients."

"Penjaminan mutu dalam radioterapi adalah proses yang penting agar penggunaan radiasi memberikan manfaat yang maksimal. Saat ini sedang berkembang implementasi machine learning (ML) dalam proses penjaminan mutu treatment planning. Pada penelitian ini, 34 treatment plan intensity-modulated radiation therapy (IMRT) optimal dan 10 treatment plan IMRT suboptimal dari Rumah Sakit Siloam MRCCC Semanggi digunakan dalam pemelajaran model ML berjenis autoencoder untuk pendeteksian anomali yang dikembangkan menggunakan PyTorch. Terdapat empat tahap dalam penelitian ini yaitu tahap persiapan, tahap pengembangan, tahap validasi, dan tahap evaluasi. Pada tahap pengembangan, data mentah disiapkan agar siap digunakan untuk pemelajaran model. Pada tahap pengembangan, model dibuat menggunakan PyTorch dan dilakukan optimisasi hyperparameter. Akurasi hasil pemelajaran model akan dianalisis pada tahap validasi. Terakhir, pada tahap evaluasi, kemampuan model dievaluasi dengan melakukan uji statistik Mann-Whitney U test pada parameter dose-volume histogram (DVH), fitur radiomics, dan metrik DVH (conformity index dan homogeneity index). Model menggunakan 161 fitur radiomics dengan konfigurasi paling optimal adalah epochs sebanyak 1.250 iterasi, konfigurasi hidden layers 150-50-17, dan learning rate sebesar 0,2. Hasilnya menunjukkan akurasi sebesar 30% dengan 7% fitur radiomics, 50% parameter DVH, dan homogeneity index berbeda secara signifikan. Setelah dilakukan pembersihan yaitu membuang data dengan nilai conformity index di bawah satu, didapat akurasi sebesar 17% dengan 12% fitur radiomics, 45% parameter DVH, dan kedua metrik DVH berbeda secara signifikan. Jika hanya digunakan fitur radiomics yang berbeda secara signifikan, didapat akurasi naik menjadi 90%. Dari hasil ini, disimpulkan bahwa fitur radiomics kurang mampu mengkarakterisasi kualitas treatment plan. Selain itu, segmentasi planning target volume (PTV) beserta kelompok fitur radiomics firstorder adalah pembeda utama antara treatment plan optimal dengan suboptimal.

---

Quality assurance in radiotherapy is an important process so that the use of radiation provides maximum benefits. Currently, the implementation of machine learning in the quality assurance of treatment planning is growing. In this study, 34 optimal intensity- modulated radiation therapy (IMRT) treatment plans and 10 suboptimal IMRT treatment plans obtained from Siloam MRCCC Semanggi Hospital were used to train a machine

learning model called autoencoder for anomaly detection developed using PyTorch. There were four stages in this study, namely the preparation stage, development stage, validation stage, and evaluation stage. At the development stage, the raw data was

prepared so that it is ready to be used for training. At the development stage, the model was developed and a hyperparameter optimization was performed. The accuracy of the

model was analyzed at the validation stage. Finally, at the evaluation stage, the model performance was evaluated by performing Mann-Whitney U test on dose volume histogram (DVH) parameters, radiomics features, and DVH metrics (conformity index and homogeneity index). The model used 161 radiomics features with an epochs of 1,250 iterations, 150-50-17 hidden layers configuration, and a learning rate of 0.2 being the most optimal configuration. The results showed an accuracy of 30% with 7% of radiomics

features, 50% of DVH parameters, and the homogeneity index being different

significantly. After refinement, that is removing data with conformity index below one, the accuracy became 17% with 12% of radiomics features, 45% of DVH parameters, and both DVH metrics being different significantly. If the radiomics features used are those

that were significantly different, the accuracy increased to 90%. From these results, it can be concluded that the radiomics features are unable to characterize the quality of the

treatment plan. In addition, planning target volume (PTV) segment along with the firstorder radiomics feature group is the main differentiator between optimal and suboptimal treatment plans. "

"Menurut penelitian dan paper-paper kesehatan penyakit paru-paru merupakan penyakit yang meren gut banyak korban jiwa saat ini. Penyakit ini bisa di atasi lebih dini dengan memperhatikan gejalanya. Gejalanya yaitu berupa suara paru-paru abnormal dan suara paru-pam adventitious. Proses untuk mendengarkan suara paru-paru dengan stetoskop dinamakan auskultasi. Proses auskultasi yang dihasilkan oleh dokter kesehatan sering berbeda-beda beda karena perbedaan kemampuan mendenagar dan pengalaman diagnosa. Dengan sistem instrumentasi untuk identikasi dan analisa suara paru-paru diharapkan akan membantu untuk menganalisa suara paru-paru fokus pada suara normal dan adventitious. lnterpretasi gambar dalam bentuk spectrogram maupun scalogram akan mempermudah analisis suara paru-paru sekaligus mengatasi masalah kemampuan pendengaran dalam auskultasi. Metode fourier transform yang berkembang menjadi Short Time Fourier Transform (STPT) hingga tingkat lanjut seperti Wavelet di gunakan sebagai tools untuk analisa. Upaya filtering dengan rangkaian filter analog dan filter digital diupayakan agar dapat memperoleh suara-paru yang sebenamya terletak pada frekuensi yang cukup kecil sekitar 2000 HZ.

---

In many research and health organization paper, lung diseases had snatched many victims at early year. This disease can be prevented vvith pay attention to the indications. One of indications is sound of abnormal and adventitious sound. Hearing lung sounds with stethoscope is called auscultation process. But is usually health servicer presents different interpretation of auscultation. Hearing abilities and personal diagnoses experience causes these problems. Instrumentation system for lung sound identification and analysis helps to solve this main problem of hearing abilities. Lung sound result of auscultation process focus at normal lung sound and adventitious lung sounds. Image interpreted in spectrogram and scalogram let us easily to analyze and identify lung sound. At the first Fourier transfonn method that is developed into next level Short Time Transfer Fourier and Wavelet (STFT) in advance level is the tool that is used to analyze sound signal. Analog filter and digital filter efforts to get better signal vvhich lung sound lovver than ZOO() HZ."

"Durasi yang lama dan prediksi dosis distribusi yang kurang optimal sering menjadi permasalahan utama dalam treatment planning kanker paru-paru secara manual. Model machine learning berbasis Gradient-Boosted Trees dapat dimanfaatkan untuk mempercepat proses dan menstandarisasi distribusi dosis treatment planning. Penelitian ini memanfaatkan 60 set data treatment planning kanker paru-paru yang diamati dan dikumpulkan oleh MRCCC Siloam Hospitals Semanggi yang dijadikan sebagai set data klinis. Set data yang telah diperoleh dibagi ke dalam 2 kelompok yaitu, 42 set data sebagai data training model machine learning dan 18 set data sebagai data testing model machine learning. Dalam penelitian ini, proses treatment planning memprediksi distribusi dosis yang telah dinormalisasi untuk organ PTV dan OAR. Organ PTV memiliki fitur dosis D2, D50, dan D98. Sementara itu, OAR terdiri atas paru-paru kanan, paru-paru kiri, jantung, dan sumsum tulang belakang. Setiap OAR memiliki fitur dosis yang terdiri atas dosis rata-rata (Dmean) dan dosis maksimum (Dmax). Data prediksi treatment planning menggunakan machine learning kemudian dibandingkan dengan data treatment planning klinis. Perbandingan hasil treatment planning tersebut ditampilkan menggunakan diagram boxplot nilai dosis distribusi PTV dan OAR yang telah dinormalisasi. Kemampuan Gradient-Boosted Trees dalam memprediksi dosis distribusi untuk PTV dan OAR dilihat dari nilai kesalahan mutlak rata-rata terhadap data klinis. Prediksi dosis distribusi PTV memiliki nilai kesalahan mutlak rata-rata sebesar 0,015 (D2), 0,017 (D50), dan 0,022 (D98). Setiap OAR memiliki nilai kesalahan mutlak rata-rata untuk masing-masing fitur dosis rata-rata dan maksimumnya, yaitu sebesar 0,153 (Dmean) dan 0,254 (Dmax) untuk paru-paru kanan, 0,167 (Dmean) dan 0,294 (Dmax) untuk paru-paru kiri, 0,1 (Dmean) dan 0,252 (Dmax) untuk jantung, serta 0,044 (Dmean) dan 0,136 (Dmax) untuk sumsum tulang belakang. Oleh karena itu, prediksi model Gradient-Boosted Trees bekerja lebih baik untuk PTV karena memiliki nilai kesalahan mutlak rata-rata yang lebih kecil dibandingkan dengan OAR.

---

Timeconsuming duration and suboptimal distribution dose prediction become the frequently-happened problems during the manual treatment planning for lung cancer. Gradient-Boosting model can be used for easing treatment planning’s process and standardising its distribution dose. This research uses 60 clinical datasets of lung cancer’s treatment planning that has been collected and processed by Semanggi Siloam Hospitals’ MRCCC. Those datasets are divided into two groups, the training data with 42 datasets and the testing data with 18 datasets. In this research, treatment planning predicts the distribution doses that have been normalised for each PTV’s and OARs’ features. The PTV dose features consist of D2, D50 and D98. Meanwhile, OARs consist of right lung, left lung, heart and spinal cord. Each OAR has mean dose (Dmean) and maximum dose (Dmax) as its dose features. The comparison is shown using boxplot diagrams with normalised dose as its value. The results of the treatment planning prediction using Gradient-Boosting model are then compared to the clinical data. The ability of the Gradient-Boosting model in predicting the distribution dose is calculated based on every Mean Absolute Error (MAE) of the PTV’s and OARs’ dose features. The PTV has 0,015 (D2), 0,017 (D50) and 0,022 (D98) as its MAEs. The OARs’ MAEs consist of 0,153 (Dmean) and 0,254 (Dmax) for right lung, 0,167 (Dmean) and 0,294 (Dmax) for left lung, 0,1 (Dmean) and 0,252 (Dmax) for heart, also 0,044 (Dmean) and 0,136 (Dmax) for spinal cord. In conclusion, Gradient-Boosting model works better for predicting PTV’s distribution dose than the OARs since MAEs for PTV dose features are much smaller compared to the OAR."