Hasil Pencarian  ::  Simpan CSV :: Kembali

"Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094).

---

Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094)."

"Perencanaan 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.

"

"Distribusi dosis yang optimal dalam treatment planning system (TPS) sangat penting sebelum diterapkan pada pasien radioterapi. Namun, TPS masih menggunakan metode optimisasi yang memakan waktu dan bergantung pada pengguna. Tujuan dari penelitian ini adalah untuk mengevaluasi model estimasi dosis otomatis, support vector regression (SVR), dan membandingkannya dengan dosis pasien kanker paru hasil perencanaan klinik. Enam puluh pasien yang terapi dengan teknik intensity modulated radiation therapy (IMRT) digunakan dalam penelitian ini. Distribusi dosis target dievaluasi berdasarkan nilai conformity index (CI), homogenitas dosis dievaluasi dengan homogeneity index (HI), sedangkan dosis rata-rata dan dosis maximum digunakan untuk mengevaluasi organ at risk (paru kanan, paru kiri, jantung, dan spinal cord). Analisis statistik dilakukan dengan menggunakan uji Wilcoxon. Nilai p < 0,05 menunjukkan adanya perbedaan signifikan antara kedua dataset. Rata-rata CI model SVR dan klinik masing-masing adalah dan Rata-rata HI untuk SVR dan klinik adalah dan . Uji Wilcoxon menunjukkan tidak ada perbedaan signifikan secara statistik antara kedua hasil. Dosis maximum paru kanan menunjukkan perbedaan signifikan secara statistik (p=0,032), sedangkan dosis rata-rata dan dosis maximum OAR lain tidak menunjukkan perbedaan signifikan secara statistik. Berdasarkan hasil penelitian menunjukkan bahwa tidak ada perbedaan yang signifikan antara kedua strategi tersebut, kecuali pada dosis maximum paru kanan. Model tersebut dapat diimplementasikan secara klinik untuk menghasilkan distribusi dosis yang dapat digunakan sebagai acuan untuk memastikan rencana idealis yang digunakan

---

Optimal dose distribution in the treatment planning system (TPS) is crucial before being applied to radiotherapy patients. However, TPS still uses optimization methods that are time-consuming and user-dependent. This study aimed to evaluate the automatic dose estimation model, support vector regression (SVR), and compare it with the clinically planned dose of lung cancer patients. Sixty patients treated with intensity-modulated radiation therapy (IMRT) were used as the objects in this study. The target dose distribution was evaluated based on the conformity index (CI), and dose homogeneity was evaluated with the homogeneity index (HI), while the mean and maximum doses were used to evaluate organs at risk (right lung, left lung, heart, and spinal cord). Statistical analysis was performed using the Wilcoxon test. A p-value of <0,05 indicates a significant difference between the two datasets. The mean CI of the SVR and clinical are and The mean HI for SVR and clinical was adalah and 0,083±0,030. the Wilcoxon test showed no statistically significant difference between the two results. The maximum right lung dose showed a statistically significant difference (p=0,032), while the mean dose and maximum dose of other OARs did not show a statistically significant difference. The results of the study showed no significant difference between the two strategies, except for the maximum right lung dose. The model can be implemented clinically to produce a dose distribution that can be used as a reference to ensure the idealistic plan."

"Optimasi dosis radiasi pada perencanaan klinis menggunakan Treatment Planning System (TPS) untuk pasien radioterapi sangat penting untuk mencapai keseimbangan antara efektivitas terapi dan keselamatan pasien. Namun, proses ini memakan waktu dan sangat bergantung pada keahlian fisikawan medis. Pada penelitian ini dilakukan prediksi dosis menggunakan machine learning pada Planning Target Volume (PTV) dan Organ at Risk (OAR) untuk kasus kanker otak dengan teknik perencanaan Volumetric Modulated Arc Therapy (VMAT). Data DICOM perencanaan di ekstraksi menggunakan 3D slicer untuk mendapatkan nilai radiomic dan dosiomic yang akan digunakan pada penelitian ini dengan menggunakan model algoritma random forest. Hasil evaluasi model menunjukkan bahwa peforma model random forest dalam memprediksi dosis memiliki nilai Mean Square Error (MSE) sebesar 0,018. Nilai Homogeneity Index (HI) dan Conformity Index (CI) untuk data klinis adalah 0,136±0,134 dan 0,939±0,131 secara berturut-turut, sementara hasil prediksinya adalah 0,136±0,039 dan 0,949±0,006, dengan nilai p-value untuk fitur PTV dan OAR > 0,05. Dengan demikian, dapat disimpulkan bahwa model random forest efektif dalam memprediksi dosis untuk PTV kanker otak dan OAR, dan dapat digunakan sebagai referensi dalam proses perencanaan.

---

Optimizing radiation doses in clinical planning using a Treatment Planning System (TPS) for radiotherapy patients is crucial to achieving a balance between therapeutic effectiveness and patient safety. However, this process is timeconsuming and highly dependent on the expertise of medical physicists. In this study, dose prediction using machine learning for the Planning Target Volume (PTV) and Organ at Risk (OAR) in brain cancer cases was performed using the Volumetric Modulated Arc Therapy (VMAT) planning technique. DICOM planning data was extracted using 3D Slicer to obtain radiomic and dosiomic values, which were then used in this study with a random forest algorithm model. Model evaluation results showed that the random forest model's performance in predicting doses had a Mean Square Error (MSE) of 0.018. The Homogeneity Index (HI) and Conformity Index (CI) values for clinical data were 0.136±0.134 and 0.939±0.131, respectively, while the predicted results were 0.136±0.039 and 0.949±0.006, with p-values for PTV and OAR features > 0.05. Therefore, it can be concluded that the random forest model is effective in predicting doses for brain cancer PTV and OAR and can be used as a reference in the planning process."

"Radioterapi sebagai salah satu teknik untuk treatment kanker memiliki berbagai macam teknik seperti IMRT dan VMAT. Sebagai modalitas yang menggunakan sinar radiasi, dibutuhkan sebuah proses untuk memastikan bahwa jumlah dosis radiasi yang sebenarnya sesuai dengan yang telah direncanakan. Proses ini dapat disebut dengan PSQA. PSQA dapat menggunakan berbagai macam dosimeter seperti EPID dan 2D Array Ion Chamber. Analisis indeks gamma dapat digunakan sebagai alat untuk mendeteksi perbandingan dosis radiasi sebenarnya dan dosis perencanaan. Dengan DD/DTA sebagai kriteria penentu kelolosan. Dari penelitian diketahui bahwa hasil rata-rata passing rate secara keseluruhan adalah EPID-IMRT = 98.32%, EPID-VMAT = 90.84%, MatriXX-IMRT = 99.85%, MatriXX-VMAT = 93.84% dengan variasi kriteria 3%/3mm, 3%/2mm, 2%/3mm, dan 2%/2mm, dengan threshold sebesar 10%. Hal ini menunjukan bahwa MatriXX memiliki passing rate yang lebih baik dibandingkan EPID, baik pada teknik IMRT maupun VMAT.

---

Radiotherapy as one of the techniques for cancer treatment has various techniques such as IMRT and VMAT. As a modality that uses radiation beams, a process is needed to ensure that the actual amount of radiation dose is as planned. This process can be called PSQA. PSQA can use a variety of dosimeters such as EPID and 2D Array Ion Chamber. Gamma index analysis can be used as a tool to detect the comparison of actual radiation dose and planning dose. With DD/DTA as the determining criteria for passing. From the research it is known that the overall average passing rate results are EPID-IMRT = 98.32%, EPID-VMAT = 90.84%, MatriXX-IMRT = 99.85%, MatriXX-VMAT = 93.84% with variations in criteria of 3%/3mm, 3%/2mm, 2%/3mm, and 2%/2mm, with a threshold of 10%. This shows that MatriXX has a better passing rate than EPID in both techniques, IMRT and VMAT."

"ABSTRAKRSUPN. Dr. CiptoMangunkusumo Jakarta adalahrumahsakitpemerintah yangmenjadipusatrujukannasionalGedung A merupakansalahsatu unit kerja yang adadiRSUPN. Dr. CiptoMangunkusumo Jakarta, melayanipasienrawatinap.Dalammelaksanakanpelayanankesehatan, obatmenyerapdanalebihkurangsekitar 36milyardalamkurunwaktuhanya 6 bulanyaitubulanJulisampaiDesember2010Pengelolaan perbekalanfarmasimemegangperanan yangpentingdalampelayanandirumahsakitGedung A RSUPN. Dr. CiptoMangunkusumoJakarta sudahmelaksanakansistemdistribusiobatrawatinapdenganunit dose dispensingsystemsejaktahun 2008. Tujuanpenelitianiniuntukmemperolehgambaranpenerapanunitdose dispensing systemdigedungA.Metodepenelitian yangdilakukansecaradeskriptifkualitatifdengan data primer, data sekunder,pengamatandanwawancaramendalamHasilpenelitianmenunjukkanbahwapengelolaanperbekalanfarmasisecarakeseluruhan ,khususnyadalampenerapanunit dose dispensingsystemdapatmenghematbiayaobatrawatinapdandisarankan agar unit dose dispensingsystemdapatditeruskansebagaikebijaksanaanmanajemen RSUPN. Dr.CiptoMangunkusumo Jakarta di unit kerja yang lain. Disarankanjuga agardilakukanpenelitianlanjutanuntukmengetahuidarisisimanajemenrumahsakit

---

ABSTRACTBuilding A is one unit that is in RSUPN. Dr. CiptoMangunkusumo Jakarta, servinginpatients. In implementing health services, drug absorbs funds from approximately36 billion within a period of only six months from July to December2010Management of pharmaceuticals play an important role in service at thehospitalBuilding A RSUPN. Dr. CiptoMangunkusumo Jakarta has implementedinpatient drug distribution system with a unit dose dispensing system since 2008.Thepurpose of this study to obtain a picture of the implementation of unit dose dispensingsystem in building A.Research methods to be descriptive qualitative primary data,secondary data, observation and in-depth interviewsThe results showed that theoverall management of pharmaceuticals, particularly in the implementation of unitdose dispensing system can save the cost of inpatient drug and recommended that theunit dose dispensing system can be forwarded as RSUPN management policy. Dr.CiptoMangunkusumo Jakarta in other work units. Also recommended that furtherresearch to find out from the side of the hospital management"

"Fase kuning lampu lalu lintas menimbulkan zona dilema yang mempengaruhi reaksi pengemudi dalam menentukan sikap untuk berhenti atau meneruskan perjalanan. Kendaraan yang berada dalam zona dilema dapat terlibat melakukan pelanggaran lampu lalu lintas karena terlambat merespon fase kuning lampu lalu lintas. Penelitian ini mengembangkan algoritma IBR dalam sistem pelacakan nirkabel diskrit (DWT system) untuk pemantau pergerakan kendaraan di persimpangan yang dilengkapi lampu lalu-lintas. Algoritma IBR dipergunakan untuk memprediksi pelanggaran lampu lalu-lintas. Prediksi dilakukan berdasar waktu pindai oleh tiga sensor pencacah kendaraan untuk mendapatkan besaran parameter kecepatan, percepatan. Parameter kecepatan dan percepatan dipergunakan untuk mendapatkan batas-batas zona dilema. Hasil simulasi menunjukkan bahwa algoritma IBR dapat meningkatkan keberhasilan prediksi pelanggaran lampu lalu lintas pada sisa nyala lampu kuning antara 1 sampai 4 detik. Diperoleh peningkatan ketepatan prediksi pelanggaran lampu lalu lintas mencapai 6,87% lebih tinggi dibanding dengan hasil penelitian sejenis yang dilakukan oleh peneliti terdahulu.

---

Yellow phase of traffic lights cause a dilemma zone that affects the driver reaction to determine attitude to stop or to go on. The vehicles that are in a dilemma zone able to engage red light running since late response to the yellow phase of traffic light. This research develop a IBR algorithms on the discrete wireless tracking system (the DWT system) to monitor the movement of vehicles at intersections.

The IBR algorithm is used to predict the red light runnings. Predictions made based on detection time of the three vehicle counter sensors to obstain the magnitudes of speed and acceleration parameters. Velocity and acceleration parameters used to obtain the dilemma zone boundaries.

Simulation results show that the IBR algorithm improves the success of violation prediction during the period of the yellow light between 1 to 4 seconds. The experiments also exhibits that the accuracy of the red light running prediction increases up to 6.87% is higher than previous research works that have been studied during this work."

"AIS sebagai alat yang diwajibkan digunakan kapal menurut SOLAS sebagai pencegah tabrakan antar kapal memiliki potensi yang lebih besar dalam penerapan ruang lingkup data analytics. Data posisi kapal dapat membantu menggambarkan perilaku kapal di lautan. Aplikasi data AIS bisa membantu mengoptimalkan operasional kapal. Penelitian ini akan menjelaskan tentang sebuah metode penerapan data AIS untuk menghasilkan prediksi waktu tunggu kapal. Algoritma Extreme Gradient Boosting (Xgboost) akan digunakan sebagai pendekatan melakukan prediksi dari data historis. Dengan xgboost, prediksi yang dihasilkan mendapatkan nilai RMSE sebesar 268.47 dan R2 sekitar 0.3 setelah dioptimalkan dengan hyperparameter tuning. Hasil prediksi ini dapat digunakan sebagai pertimbangan penerapan green steaming ataupun bahan evaluasi pelabuhan untuk mengembangkan pelayanannya.

---

AIS as a tool, according to SOLAS, used as a prevention of collisions between ships has more significant potential in the application of the scope of data analytics. Ship position data can help describe ship behavior at sea. AIS data applications can help optimize ship operations. This research will describe a method of applying AIS data to generate predictions of ship waiting times. The Extreme Gradient Boosting (Xgboost) algorithm will be used to make predictions from historical data. With xgboost, the resulting prediction gets an RMSE value of 268.47 and an R2 of about 0.3 after being optimized with hyperparameter tuning. The results of this prediction can be used as consideration for implementing green steaming or evaluating port evaluation materials to develop their services."

"Pengukuran tinggi badan dilakukan untuk memantau status gizi dan pertumbuhan anak, namun kadang-kadang tidak dapat dilakukan secara langsung pada kondisi tertentu. Tujuan dari penelitian ini adalah mengembangkan model prediksi tinggi badan pada anak usia 6-9 tahun berdasarkan tinggi lutut dan panjang depa. Penelitian dilaksanakan di SD Negeri 03 Pondok Cina pada bulan Maret-Mei tahun 2015 dengan jumlah responden sebanyak 61 anak laki-laki dan 82 anak perempuan. Desain studi yang digunakan adalah cross-sectional dengan mengukur variabel bebas berupa tinggi lutut, panjang depa, usia dan jenis kelamin, serta variabel terikat berupa tinggi badan.Hasil penelitian menunjukkan bahwa terdapat korelasi yang kuat antara usia dengan tinggi badan (r = 0,622), dan korelasi yang sangat kuat/sempurna antara tinggi lutut dengan tinggi badan (r = 0,949), panjang depa dengan tinggi badan (r = 0,884). Model prediksi tinggi badan yang didapatkan dalam penelitian ini adalah tinggi badan (cm) = 31,354 + [2,417 x tinggi lutut (cm)] dan tinggi badan (cm) = 26,2 + [0,695 x panjang depa (cm)] + [0,123 x usia (bulan)]. Tinggi lutut dan panjang depa merupakan prediktor tinggi badan yang baik, namun model prediksi berdasarkan tinggi lutut memiliki akurasi yang lebih baik dan mudah digunakan jika dibandingkan dengan model prediksi berdasarkan panjang depa.

---

Measuring stature was usually carried out to monitor nutrition and growth in children, but sometimes can?t be done directly on certain conditions. The purpose of this study was to develop prediction models of children stature aged 6-9 years based on knee height and arm span. This study was held in Pondok Cina 03 Public Elementary School in March until May 2015 with total respondents 61 boys and 82 girls. The design of this study was cross-sectional with independent variabel: knee height, arm span, age, and gender, and stature as the dependent variabel.The result of this study showed that there were a strong correlation between age and stature (r = 0.622), and a perfect correlation between knee height and stature (r = 0.949), and arm span with stature (r = 0.884). Prediction models of stature which obtained in this study was: Stature (cm) = 31.354 + [2.417 x knee height (cm)] and Stature (cm) = 26.2 + [0.695 x arm span (cm)] + [0.123 x age (month)]. Knee height and arm span are good predictors, however the prediction model based on knee height is more accurate and easier to use than prediction model based on arm span."