Hasil Pencarian  ::  Simpan CSV :: Kembali

"Serviks atau leher rahim merupakan salah satu bagian dari sistem alat reproduksi wanita. Salah satu penyakit yang dapat menyerang serviks adalah kanker. Di dunia, kanker serviks adalah salah satu kanker yang menyebabkan kematian dan keganasan yang paling umum terjadi pada wanita. Kanker serviks merupakan penyakit yang memiliki peluang sembuh cukup besar jika terdeteksi sejak dini. Seiring dengan perkembangan teknologi dalam berbagai bidang, termasuk dalam bidang medis, maka pendeteksian dini kanker serviks dapat dilakukan dengan klasifikasi menggunakan bantuan dari metode klasifikasi machine learning. Pada penelitian ini, metode klasifikasi machine learning yang digunakan untuk mengklasifikasikan kanker serviks adalah metode Naïve Bayes (NB) dan Support Vector Machine (SVM) dengan seleksi fitur Grey Wolf Optimization (GWO). Seleksi fitur GWO merupakan seleksi fitur metode wrapper yang digunakan pada penelitian ini untuk mengeliminasi fitur-fitur tidak relevan dalam mengklasifikasikan data kanker serviks, agar NB dan SVM dapat mengklasifikasi dengan lebih akurat. Sehingga, metode ini disebut sebagai metode NB–GWO dan SVM–GWO. Data kanker serviks yang digunakan pada penelitian ini merupakan data numerik dari hasil citra MRI yang diperoleh dari Departemen Radiologi RSUPN Dr. Cipto Mangunkusumo. Berdasarkan hasil penelitian dengan seleksi fitur GWO, metode NB–GWO menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi masing-masing sebesar 96,30%, 96,08%, 97,93%, dan 96,30%, sedangkan metode SVM–GWO menghasilkan rata-rata akurasi dan f1-score tertinggi masing-masing sebesar 95,37% dan 95,36% dengan kernel Linier, rata- rata presisi tertinggi sebesar 97,56% dengan kernel Polinomial, serta rata-rata recall tertinggi sebesar 99,75% dengan kernel RBF. Kemudian, berdasarkan hasil klasifikasi tanpa seleksi fitur GWO, metode NB menghasilkan rata-rata akurasi, presisi, recall, dan f1-score tertinggi masing-masing sebesar 91,98%, 95,21%, 92,90%, 91,95%, sedangkan metode SVM menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi sebesar 92,13%, 99,24%, dan 92,19% dengan kernel RBF, serta rata-rata presisi tertinggi sebesar 93,59% dengan kernel Polinomial. Dengan demikian, metode seleksi fitur GWO dapat meningkatkan kinerja dari NB dan SVM dalam mengklasifikasikan data kanker serviks. Selanjutnya, berdasarkan hasil perbandingan kinerja dari NB–GWO dan SVM–GWO, maka secara keseluruhan metode NB–GWO menghasilkan kinerja yang lebih baik dalam mengklasifikasikan data kanker serviks dibandingkan dengan SVM–GWO.

---

Cervix is one part of the female reproductive system. One of the diseases that can attack the cervix is cancer. In the world, cervical cancer is one of the cancers that cause death and malignancy that is most common in women. Cervical cancer is a disease that has a considerable chance of recovery if detected early. Along with the development of technology in various fields, including in the medical field, the early detection of cervical cancer can be done by classification using the help of machine learning classification methods. In this study, the machine learning classification method used to classify cervical cancer was Naïve Bayes (NB) and Support Vector Machine (SVM) with Grey Wolf Optimization (GWO) feature selection. GWO feature selection is a wrapper feature selection method used in this study to eliminate irrelevant features in classifying cervical cancer data, so that NB and SVM can classify more accurately. Thus, this method is referred to as the NB–GWO and SVM–GWO. Cervical cancer data used in this study is numerical data from MRI obtained from the Department of Radiology RSUPN Dr. Cipto Mangunkusumo. Based on the results of the study with GWO feature selection, NB– GWO produced the highest average accuracy, recall, and f1-score of 96.30%, 96.08%, 97.93%, and 96.30% respectively, while SVM–GWO produced the highest average accuracy and f1-score of 95.37% and 95.36% respectively with Linear kernel, the highest precision average of 97.56% with Polynomial kernel, and the highest recall average of 99.75% with RBF kernel. Then, based on the results of classification without GWO feature selection, the NB produced the highest average accuracy, precision, recall, and f1- score of 91.98%, 95.21%, 92.90%, 91.95% respectively, while SVM produced the highest average accuracy, recall, and f1-score of 92.13%, 99.24%, and 92.19% with RBF kernel, and the highest average precision of 93.59% with Polynomial kernel. Thus, GWO feature selection method was able to improve the performance of NB and SVM in classifying cervical cancer. Furthermore, based on the results of performance comparison from NB– GWO and SVM–GWO, the overall method of NB–GWO resulted in better performance in classifying cervical cancer data compared to SVM–GWO."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, terutama untuk kanker prostat. Penyakit ini adalah jenis kanker yang paling umum untuk pria di dunia. Jumlah kematian dapat dikurangi dengan deteksi dini menggunakan machine learning. Salah satunya adalah klasifikasi data kanker prostat. Data kanker yang digunakan memiliki berbagai fitur, tetapi tidak semua fitur adalah fitur penting. Dalam penelitian ini, kami menggunakan Support Vector Machine-Recursive Feature Elimination (SVM-RFE) dan One Dimensional Naïve Bayes Classifier (1-DBC) sebagai metode seleksi fitur. Dalam kedua metode itu akan mendapatkan peringkat untuk setiap fitur. Penggunaan kedua metode ini dalam klasifikasi data kanker prostat menghasilkan tingkat evaluasi yang tinggi. Kedua metode ini dapat menghasilkan tingkat akurasi 100%, precision 100%, dan recall 100% pada metode klasifikasi Random Forest. Dan menghasilkan tingkat akurasi 95%, precision 100%, dan recall 94,11% pada metode klasifikasi SVM. Dalam evaluasi tambahan, SVM-RFE memiliki running time lebih rendah dari 1-DBC.

---

Death caused by cancer is expected to continue to increase, especially for prostate cancer. This disease is the most common type of cancer for men in the world. The number of deaths can be reduced by early detection using machine learning. One of them is the classification of prostate cancer data. Cancer data used has various features, but not all features are essential features. In this study, we use Support Vector Machine-Recursive Feature Elimination (SVM-RFE) and One Dimensional Naïve Bayes Classifier (1-DBC) as a feature selection method. In both methods, it will get a rating for each feature. The use of these two methods in the classification of prostate cancer data produces a high level of evaluation. Both of these methods can produce 100% accuracy, 100% precision, and 100% recall in the Random Forest classification method. And it produces 95% accuracy, 100% precision, and 94.11% recall in the SVM classification method. In the additional evaluation, SVM-RFE has a running time lower than 1-DBC."

"ABSTRAKKanker serviks merupakan salah satu jenis kanker yang berbahaya. Berdasarkan data dari Departemen Kesehatan Republik Indonesia Depkes RI , kanker serviks merupakan salah satu penyakit kanker dengan prevelensi tertinggi sebesar 0.8 di Indonesia. Maka dari itu diperlukan tindakan pendeteksian dini dengan menggunakan microarray dataset. Microarray dataset mempunyai jumlah fitur yang banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan. Oleh karena itu, perlu dilakukan pemilihan fitur untuk meningkatkan akurasi. Pemilihan fitur yang digunakan adalah Artificial Bee Colony ABC . Setelah dilakukan pemilihan fitur, akan dilakukan klasifikasi menggunakan metode klasifikasi Na ve Bayes. Hasilnya, didapatkan akurasi terbaik klasifikasi Na ve Bayes tanpa pemilihan fitur adalah 60 pada saat data training 90 dan untuk klasifikasi Na ve Bayes dengan menggunkan pemilihan fitur Artificial Bee Colony didapatkan akurasi tertinggi adalah 93.33333 . dengan fitur sebanyak 50 dan data training 90 .

---

ABSTRACTCervical cancer is one of the most dangerous cancer. Based on data from Departemen Kesehatan Republik Indonesia Depkes RI , cervical cancer is one of the diseases with the highest prevalence of 0.8 in Indonesia. Therefore, early detection action is needed with using microarray dataset. Microarray datasets have a large number of features but not all features are relevant to the data is used. Therefore, feature selection is needed to improve the accuracy. The feature selection that used is Artificial Bee Colony ABC . After feature selection process is done, Naive Bayes classification method will be implemented for classification process. As a result, the best accuracy of Na ve Bayes classification without feature selection is 60 with 90 training data and for Na ve Bayes classification using Artificial Bee Colony feature selection is 93.33333 with using 50 features selection and 90 training data."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Kanker serviks menjadi salah satu penyebab kematian perempuan di dunia, dimana insiden kanker serviks dilaporkan meningkat dari tahun ke tahun. Proses pengobatan kanker serviks adalah rangkaian yang panjang, sehingga sering menyebabkan klien menjadi stres, depresi, yang akan memengaruhi kualitas hidup pasien. Proses perawatan pada lima kasus kanker serviks telah diterapkan menggunakan integrasi teori adaptasi Roy dengan konsep dukungan sosial. Model adaptasi Roy merupakan model keperawatan yang mencakup aspek biologis, psikologis, sosial, kultural dan spiritual, bertujuan untuk memaksimalkan kemampuan adaptasi pasien terhadap krisis yang dihadapi dengan peran dukungan sosial keluarga di dalamnya. Tujuan dari laporan ini adalah memberikan gambaran tentang pelaksanaan praktik residensi ners spesialis dalam pengelolaan kasus klien dengan kanker serviks dengan pendekatan studi kasus yang menerapkan teori adaptasi Roy dan konsep dukungan sosial.

---

Cervical cancer is one of the causes of death of women in the world, where the incidence of cervical cancer is reported to increase from year to year. The treatment therapy for women diagnosed with cervical cancer is a long series, so it often causes clients to become stressed, depressed, greatly affects the quality of life of patients. The treatment therapy in five cases of cervical cancer has been applied using the integration of Roy's theory of adaptation with the concept of social support. Roy's adaptation model is a nursing model, includes biological, psychological, social, cultural and spiritual aspects, aimed at maximizing the patient's adaptive ability to the crisis faced with the role of family social support. The purpose of this report is to provide an overview of specialist nurses residency practices in managing client with cervical cancer cases. The case study approach applies Roys adaptation theory and the concept of social support.

"

"Kanker serviks merupakan kanker kedua yang umum terjadi pada wanita yang da- pat menjadi ganas. Keganasan dapat disebabkan oleh deregulasi jalur sinyal Wnt/β- katenin. Inhibisi TNKS2 dengan ligan inhibitor dapat menjadi salah satu cara un- tuk menghentikan deregulasi ini. Ligan-ligan inhibitor yang berhasil terbentuk dari fragmen-fragmen akan ditapiskan secara in silico untuk mendapatkan ligan kandi- dat obat terbaik yang lebih baik dari ligan inhibitor standar. Ligan dengan kode 1-69 merupakan ligan inhibitor yang lebih baik jika dilihat dari energi pengikatan, kelarutan, total polar surface area.

---

Cervical cancer is the second most common cancer in women which can be ma- lignant. Malignancy can be caused by deregulation oleh Wnt/β-catenin signaling pathway. Inhibition of TNKS2 with ligand inhibitor can be an alternative way to stop this deregulation. All of the inhibitors which assembled from fragments were screened in silico to get the best hit which is better than standard inhibitor. Ligand with codename 1-69 is a better inhibitor than the standard in the term of binding energy, solubility and total polar surface area."

"Tujuan penelitian ini untuk memperoleh gambaran secara mendalam tentang makna pengalaman suami dengan istri yang mengalami kanker serviks. Pengambilan data dilakukan dengan cara wawancara mendalam. Pada penelitian ini ditemukan 9 tema yaitu : 1). Respon awal suami terhadap diagnosa kanker servik, 2). Pemahaman suami terhadap kanker serviks 3). Memberi dukungan kepada istri. 4). Memperoleh dukungan keluarga atau kerabat. 5). Bentuk penyesuaian suami terhadap istri dengan kanker serviks. 6). Pelajaran atau hikmah yang diperoleh setelah istri sakit. 7). Koping suami. 8). Harapan suami terhadap pengobatan istri. 9). Harapan suami terhadap pelayanan keperawatan. Peran perawat sangat dibutuhkan untuk dapat memberikan konseling pada pasangan.

---

Based on the study's purpose discriptive phenomenology was selected as appropriate design to discovery the essence of the experience. Results nine theme: 1). Experience during diagnosis period. 2). Husband's knowledge abaout cervical cancer. 3). Give social support for wive.4). Received social support from family and significant others. 5). Husband Adjustment with cervical cancer wive's. 6). Finding meaning in disease. 7). Husband cope. 8) Hoping wive-treatment. 9). Hoping with nursing care practice.Nurses roles needed for husbands and his partners to given counseling. And given about cervical cancer to increase husbands knowledged."

"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."

"Planning Target Volume (PTV) merupakan area treatment radioterapi yang diperoleh dengan melakukan penambahan margin pada Clinical Target Volume (CTV). Margin tersebut merupakan kompensasi dari ketidakpastian geometri yang terjadi pada saat treatment. Nilai margin diperoleh dari data online On-Board Imaging (OBI) match result 26 pasien kanker serviks yang mendapatkan penanganan dengan mesin linac Halcyon di RSUPN Dr. Cipto Mangunkusumo. Data OBI dalam arah vertikal (anterior-posterior), longitudinal (cranial-caudal), dan lateral (left-right) digunakan untuk menghitung kesalahan pengaturan, yakni berupa kesalahan sistematik dan acak sebagai variabel dari formulasi Stroom dan Van Herk. Berdasarkan formula Stroom, diperoleh nilai margin sebesar 1 cm untuk arah vertikal dan longitudinal, serta 1,6 cm untuk arah lateral. Sedangkan formula Van Herk, yaitu 1,2 cm untuk arah vertikal, 1,1 cm untuk arah longitudinal, dan 1,9 cm untuk arah lateral. Hasil tersebut menunjukkan nilai yang jauh lebih besar dibandingkan dengan margin yang digunakan pada approved treatment plan yaitu 0,7 cm untuk segala arah. Evaluasi dilakukan dengan cara pengonturan ulang PTV dan planning ulang pada 4 kasus pasien. Hasil penelitian ini menunjukkan bahwa dosis yang diterima target pada approved treatment plan lebih baik dibandingkan target yang menggunakan margin Stroom dan Van Herk. Hal ini dikarenakan nilai margin yang lebih besar berisiko mengenai organ lebih banyak, sehingga optimasi yang dilakukan harus lebih optimal agar organ at risk (OAR) menerima dosis serendah mungkin sesuai dengan constraint guidelines menurut QUANTEC.

---

Planning Target Volume (PTV) is a radiotherapy volume concepts that obtained by adding margin to the Clinical Target Volume (CTV). The margin is a compensation for geometric uncertainty that occurs during treatment. PTV margin was obtained from online data on On-Board Imaging (OBI) match results of 26 cervical cancer patients treated with the Halcyon Linac machine in RSUPN. Dr. Cipto Mangunkusumo. OBI data in the vertical (anterior-posterior), longitudinal (cranial-caudal), and lateral (left-right) axis used to count setup errors, namely systematic and random errors, variables from the Stroom and Van Herk formulations. Based on the Stroom formula, the margin values ​​are 1 cm for the vertical and longitudinal axis, and 1.6 cm for the lateral axis. On the other hand, the margin from Van Herk formula was 1.2 cm for the vertical axis, 1.1 cm for the longitudinal axis, and 1.9 cm for the lateral axis. These results are larger than the margin in approved treatment plan, which is 0.7 cm for all axis. We evaluated the dosimetric difference by re-contouring PTV and replanning 4 cases of the treated patients. This study indicate that the dose received by the target in the approved treatment plan is better than the target using Stroom and Van Herk margins. That cause a large margin has a bigger risk of affecting more normal tissue area. Therefore, optimization must be more optimal to reduce organ at risk (OAR) dose as low as possible according to QUANTEC constraint guidelines."