Hasil Pencarian  ::  Simpan CSV :: Kembali

"Magnetic Resonance Spectroscopy (MRS) membantu ahli radiologi untuk mengetahui tingkat keganasan dari kanker otak (astrocytoma). Dalam tugas akhir ini akan dibahas proses klasifikasi terhadap data hasil MRS untuk mengetahui tingkat keganasan dari astrocytoma yang terdiri dari Tingkat rendah (Low Grade), Tingkat tinggi (High Grade), dan Normal. Data yang digunakan dalam tugas akhir ini berasal dari RSU Pusat Nasional Dr. Cipto Mangunkusumo, Jakarta. Metode yang digunakan untuk klasifikasi adalah metode Independent Component Analysis dan metode Possibilistic C-Means. Hasil percobaan yang dilakukan menunjukkan bahwa metode Independent Component Analysis mempunyai nilai akurasi 96,67% sementara nilai akurasi dari metode Possibilistic C-Means mencapai 90,91%. Dalam tugas akhir ini, akan dibuat sebuah perangkat lunak untuk pendukung keputusan yang membantu memberikan informasi mengenai tingkat keganasan dari astrocytoma.

---

Magnetic Resonance Spectroscopy (MRS) helps radiologists to determine the level of malignancy of brain cancer (astrocytoma). In this final project, we will discuss the classification process of MRS data to determine the level of malignancy of astrocytoma consisting of low grade, high grade, and normal. The data used in this final project comes from the National Central Hospital Dr. Cipto Mangunkusumo, Jakarta. The methods used for classification are the Independent Component Analysis method and the Possibilistic C-Means method.

The experimental results show that the Independent Component Analysis method has an accuracy value of 96.67% while the accuracy value of the Possibilistic C-Means method reaches 90.91%. In this final project, a decision support software will be made to help provide information about the level of malignancy of astrocytoma."

"Penelitian ini bertujuan untuk memprediksi dosis radiasi pada kanker otak menggunakan model Support Vector Regression (SVR) dan membandingkan hasilnya dengan dosis radiasi klinis, kemudian menghitung perbedaan dari kedua nilai tersebut. Data yang digunakan merupakan 178 data perencanaan radioterapi yang meliputi file DICOM yang berisi citra CT simulator dan citra kontur CT simulator. Data diekstraksi menggunakan 3D Slicer yang memberikan informasi mengenai data radiomik dan dosiomik pada setiap OAR (mata, saraf optik, lensa mata, dan batang otak) dan PTV. Data dosiomik dinormalisasi terhadap volume PTV dan dosis preskripsi dari masing-masing pasien. Data radiomik dan dosiomik yang telah dinormalisasi akan menjadi input data untuk model SVR. Pada model SVR digunakan kernel radial basis function (RBF) dengan 2 parameter yaitu epsilon dan C. Dalam penelitian ini didapatkan nilai parameter yang optimal dengan menggunakan gridsearch yaitu epsilon = 0,01 dan C = 1, dengan k-fold validasi bernilai 5. Hasil yang didapatkan pada PTV D98% dan HI menunjukkan nilai p value < 0,05 yang artinya terdapat perbedaan yang signifikan antara nilai klinis dengan nilai prediksi SVR. Sedangkan pada nilai CI, OAR, PTV D2%, dan PTV D50% didapatkan nilai p value > 0,05 yang artinya tidak terdapat perbedaan nilai yang signifikan.

---

This study aims to predict the radiation dose for brain cancer using the SVR model and compare it with the clinical radiation dose, then calculate the difference between the two values. The data used consists of 178 radiotherapy planning datasets, including DICOM files containing CT simulator images and CT simulator contour images. The data is extracted using 3D Slicer, which provides information on radiomic and dosiomic data for each OAR (eyes, optic nerves, lenses, and brainstem) and PTV. The dosiomic data is normalized against the PTV volume and each patient's prescription dose. The normalized radiomic and dosiomic data will serve as input data for the SVR model. The SVR model uses a radial basis function (RBF) kernel with two parameters, epsilon and C. The study found the optimal parameter values using gridsearch, which are epsilon = 0.01 and C = 1, with a k-fold validation value of 5. The results for PTV D98% and HI showed a p value < 0.05, indicating a significant difference between the clinical values and the SVR model predictions. For CI, OAR, PTV D2%, and PTV D50%, the p value was > 0.05, indicating no significant difference between the values."

"Dari pemeriksaan MRI, diperoleh gambar jaringan otak, yang akan digunakan oleh proton MRS untuk menentukan konsentrasi metabolit otak pada jaringan yang didiagnosa astrocytoma, seperti metabolit NAA, choline, creatine, Lipid, Lactate, Myoinositol, dan Glutamine-glutamate. Dari hasil MRS ini, astrocytoma dapat diklasifikasi berdasarkan derajat keganasannya (grade), yaitu high grade dan low grade. Proses klasifikasi astrocytoma, biasa dilakukan secara manual oleh ahli patologi atau secara statistik. Dalam skripsi ini, akan dibahas proses klasifikasi astrocytoma menjadi tiga kelas derajat keganasan dengan menggunakan metode Principal Component Analysis (PCA) dan Spherical K-Means terhadap data MRS. Algoritma Spherical K-Means merupakan algoritma K- Means dengan cosine similarity. Sedangkan PCA merupakan teknik yang digunakan untuk mencari vektor-vektor basis subruang tiap kelas (grade). Vektor-vektor basis ini akan membangun Principal Component yang akan digunakan dalam pengidentifikasian grade suatu data MRS. Data yang digunakan dalam skripsi ini adalah data yang berasal dari laboratorium radiologi Rumah Sakit Cipto Mangunkusumo (RSCM), Jakarta. Hasil penelitian yang dilakukan pada skripsi ini, diketahui bahwa PCA dapat mengklasifikasi astrocytoma dengan akurasi tertinggi, yaitu 85%. Selain itu, dari penelitian ini dihasilkan perangkat lunak yang dapat digunakan untuk membantu pengambilan keputusan yang terkait dengan klasifikasi astrocytoma menjadi high grade, low grade, dan normal.

---

MRI gives information in form of brain tissue image, which will be used by MRS proton to determine the concentration of brain metabolites on the astrocytoma diagnosed tissue, such as NAA, choline (Cho), creatine (Cr), Lipid (Lip), Lactate (Lac), Myoinositol (MI), and Glutamine-glutamate (Glx). From that result, astrocytoma could be classified to high grade and low grade. This classifying could be processed manually by pathologist, or be processed statistically. On this essay, astrocytoma would be classified into three class of astrocytoma grades with the Principal Component Analysis (PCA) and Spherical K-Means of the MRS data. Spherical K-Means algorithm is a K-Means algorithm with cosine similarity. At the same time, PCA is a technique which used to find the basis vectors of each class (grade) subspace. These basis vectors would build Principal Component which would be used in identifying a grade of a MRS data. The data used in this essay is resourced from radiology laboratory of Rumah Sakit Cipto Mangunkusumo (RSCM), Jakarta. From this research, note that PCA can classify astrocytoma with the highest accuracy, ie 85%. In addition, this research produce software that can be used to assist decision making related to the classification of astrocytoma to high grade, low grade, and normal"

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"ABSTRAKKanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Secara khusus, kanker otak adalah kanker yang terjadi pada sistem saraf pusat. Salah satu hal yang dapat dilakukan untuk penelitian kanker otak menggunakan machine learning adalah melakukan pendeteksian jenis kanker otak dengan memanfaatkan microarray data. Permasalahan tersebut merupakan masalah klasifikasi multikelas. Dengan menggunakan pendekatan one versus one, akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Karena data kanker otak memiliki fitur yang sangat banyak, perlu dilakukan seleksi fitur. Pada penelitian ini, akan diimplementasikan metode Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM-RFE sebagai metode seleksi fitur, dan Twin Support Vector Machine TWSVM sebagai metode klasifikasi. Pada metode MMSVM-RFE dilakukan pelatihan SVM-RFE pada setiap masalah dua kelas, sehingga setiap masalah dua kelas memiliki pengurutan fitur masing-masing. Sebagai metode klasifikasi, TWSVM memiliki tujuan untuk mencari hyperplane masing ndash; masing kelas sedemikian sehingga data kelas satu sedekat mungkin terhadap suatu hyperplane namun sejauh mungkin dengan hyperplane lainnya. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel linear pada TWSVM adalah 95,33 dengan menggunakan 200 fitur. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel RBF pada TWSVM adalah 87 dengan 70 fitur. Sedangkan apabila proses validasi juga dilakukan pada seleksi fitur, rata-rata akurasi tertinggi yang diperoleh adalah 90,67 dengan menggunakan 90 fitur.

---

ABSTRACTCancer is one of main causes of death worldwide. Brain cancer is a type of cancer which occurs at central nervous system. Taking advantage from microarray data, machine learning methods can be applied to help brain cancer prediction according to its types. This problem can be referred as a multiclass classification problem. Using one versus one approach, the multiclass problem with k classes can be transformed into k k 1 2 binary class problems. The huge amount of features makes it necessary to use feature selection. In this research, Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM RFE method is implemented as the feature selection method, and Twin Support Vector Machine TWSVM method is implemented as the classification method. The main concept of MMSVM RFE is to train SVM RFE at each binary problem so that each binary problem will have their own arrangements of feature. As a classification method, TWSVM is trained to find two hyperplanes, each representative of its own class. The data of one class must be as near as possible from its representative hyperplane while also must be as far as possible from the other hyperplane. In the simulation which uses linear kernel on MMSVM RFE and linear kernel on TWSVM, the highest average accuracy is 95,33 , using 200 features. In the simulation which uses linear kernel on MMSVM RFE and RBF kernel on TWSVM, the highest average accuracy is 87 , using 70 features. In the case where the feature selection process is included in doing validation, the highest average accuracy is 90,67 , using 90 features."