Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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.

"

"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."

"Audit dosis diperlukan sebagai upaya proteksi radiasi untuk mengetahui kisaran dosis yang digunakan pada pasien (typical value). Bilamana typical value melebihi atau jauh di bawah Diagnostic Reference Level (DRL) nasional, maka diperlukan optimisasi. Studi ini menjabarkan proses audit dosis pada pemeriksaan radiografi lumbal proyeksi AP (anteroposterior) dan lateral di RS Sint Carolus beserta tindaklanjut optimisasinya. Dari hasil audit dosis, diperlukan optimisasi untuk mendapatkan citra terbaik dengan dosis terendah yang dapat dicapai mengikuti prinsip ALARA (as low as reasonably achievable) pada proyeksi AP. Optimisasi dilakukan dengan dua jenis fantom yang mempresentasikan anatomi lumbal AP, yaitu fantom in-house dengan penambahan polymethyl methacrylate (PMMA) setebal 20 cm, dan fantom rando man bagian lumbal. Parameter figure of merit (FOM) dikalkulasi dan digunakan sebagai parameter optimisasi utama. Interpretasi dokter radiolog menjadi parameter lanjutan dalam menilai noise citra. Pada pengukuran menggunakan fantomin-house menghasilkan nilai FOM tertinggi pada penggunaan filter tambahan 2 mm Al pada tegangan 81 kVp, 83 kVp, dan 85 kVp. Dengan tambahan informasi dari dokter spesialis radiologi, faktor eksposi 81 kVp, 28 mAs dengan filter fisik tambahan 2 mm Al dapat direkomendasikan sebagai parameter eksposi radiografi lumbal pasca optimisasi.

---

Dose audit is necessary as a radiation protection measure to determine the range of doses used in patients (typical value). If the typical value exceeds or is significantly below the national Diagnostic Reference Level (DRL), optimization is required. This study describes the dose audit process for lumbar radiography examinations in the anteroposterior (AP) and lateral projections at Sint Carolus Hospital, along with the follow-up optimization. Based on the dose audit results, optimization is needed to obtain the best image with the lowest achievable dose following the ALARA principle (as low as reasonably achievable) in the AP projection. Optimization is performed using two types of phantoms representing lumbar AP anatomy: an in-house phantom with the addition of 20 cm thick polymethyl methacrylate (PMMA), and a rando phantom for the lumbar region. The figure of merit (FOM) parameter is calculated and used as the primary optimization parameter. Radiologist interpretation serves as a secondary parameter in assessing image noise. Measurements using the in-house phantom resulted in the highest FOM values when using an additional 2 mm Al filter at voltages of 81 kVp, 83 kVp, and 85 kVp. With additional input from the radiology specialist, an exposure factor of 81 kVp, 28 mAs, with an additional 2 mm Al physical filter can be recommended as the lumbar radiography exposure parameter after optimization."

"Kanker kulit merupakan salah satu jenis kanker dengan angka kematian yang signifikan di seluruh dunia, meskipun prevalensinya bervariasi antar benua. Di Asia, termasuk Indonesia, mortalitas akibat kanker kulit masih tergolong tinggi, dengan sebagian besar kasus disebabkan oleh keterbatasan akses teknologi dan rendahnya kesadaran masyarakat. Diagnosis kanker kulit tradisional sering bergantung pada dermatoskopi dan biopsi, yang memiliki keterbatasan terkait akurasi serta memerlukan prosedur invasif. Oleh karena itu, teknologi terbaru dalam kecerdasan buatan (AI), khususnya Convolutional Neural Networks (CNN), menawarkan potensi besar untuk meningkatkan akurasi dan efisiensi deteksi kanker kulit. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan kinerja berbagai arsitektur CNN, seperti ResNet, VGG- 16, dan DenseNet, dalam membedakan kanker kulit jinak dan ganas berdasarkan gambar lesi kulit. Dengan menggunakan data gambar kulit yang diperoleh dari pasien, penelitian ini menerapkan teknik deep learning untuk menganalisis pola-pola visual yang tidak dapat dikenali secara langsung oleh dokter. Hasil dari penelitian ini menunjukkan bahwa model CNN, khususnya arsitektur ResNet, memberikan performa terbaik dalam membedakan lesi jinak dan ganas, dengan tingkat akurasi yang lebih tinggi dibandingkan metode tradisional. Penelitian ini diharapkan dapat menjadi landasan dalam pengembangan sistem deteksi otomatis yang mendukung diagnosis cepat dan akurat, khususnya di daerah dengan keterbatasan sumber daya medis, seperti Indonesia.

---

Skin cancer is one of the cancer types with significant mortality rates worldwide, despite its prevalence varying across continents. In Asia, including Indonesia, skin cancer mortality remains relatively high, primarily due to limited access to technology and low public awareness. Traditional skin cancer diagnosis often relies on dermatoscopy and biopsy, which have limitations in accuracy and require invasive procedures. Therefore, recent advancements in artificial intelligence (AI), particularly Convolutional Neural Networks (CNN), offer significant potential for improving the accuracy and efficiency of skin cancer detection. This study aims to explore and compare the performance of various CNN architectures, such as ResNet, VGG-16, and DenseNet, in distinguishing between benign and malignant skin cancer based on lesion images. Using skin image data collected from patients, this research applies deep learning techniques to analyze visual patterns that cannot be directly recognized by clinicians. The findings demonstrate that CNN models, particularly the ResNet architecture, achieve the best performance in differentiating benign and malignant lesions, with significantly higher accuracy compared to traditional methods. This study is expected to serve as a foundation for developing automated detection systems that support rapid and accurate diagnoses, especially in regions with limited medical resources, such as Indonesia. "

"Parkinson’s Disease (PD) adalah gangguan neurodegeneratif progresif yang memengaruhi lebih dari enam juta orang di seluruh dunia, dengan prevalensinya meningkat lebih dari dua kali lipat dalam beberapa dekade terakhir akibat tren penuaan global. Meskipun kesadaran semakin meningkat, tetap ada tantangan diagnosis klinis PD, terutama karena ketergantungan pada penilaian subjektif terhadap gejala motorik, seperti bradikinesia dan tremor, oleh ahli saraf. Ketergantungan pada manifestasi gejala dan interpretasi klinis ini sering kali mengakibatkan keterlambatan atau ketidakakuratan diagnosis, terutama selama tahap prodromal. Oleh karena itu, pengembangan biomarker yang objektif dan dapat diandalkan sangat penting untuk mendeteksi PD secara dini dan akurat. Kemajuan terbaru telah memposisikan magnetic resonance imaging (MRI) sebagai alat yang menjanjikan dalam mencari biomarker berbasis pencitraan. Secara khusus, perubahan struktural di daerah-daerah seperti substantia nigra (SN) dan basal ganglia semakin dikenali melalui MRI. Namun, menganalisis volume MRI 3D resolusi tinggi menimbulkan tantangan komputasi dan interpretasi yang cukup besar, terutama ketika mempertimbangkan variabilitas anatomi antar individu dan kehalusan perubahan struktural tahap awal. Skripsi ini mengeksplorasi pendekatan deep learning berdasarkan deteksi kelainan berdasarkan irisan dari irisan MRI aksial 2D untuk mengklasifikasikan individu PD dan kontrol yang sehat (HC). Langkah-langkah prapemrosesan meliputi skullstripping, penyelarasan otak, zero-padding, dan normalisasi. Model transfer learning menggunakan arsitektur VGG19 dan ResNet50 dilatih dan dievaluasi per irisan untuk mengidentifikasi bagian anatomi mana yang menghasilkan utilitas diagnostik tertinggi. Model VGG19 mencapai performa terbaiknya pada irisan aksial 91 yang mencapai F1-score 76,40% dan akurasi validasi 74.39%, sedangkan ResNet50 berkinerja terbaik pada irisan 86 yang mencapai F1-score 73.91% dan akurasi validasi 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) yang diterapkan pada irisan ini dan irisan-irisan lainnya menunjukkan daerah aktivasi yang konsisten di daerah otak tengah, terutama SN dan basal ganglia yang berdekatan, yang mengkonfirmasi relevansi biomarker mereka. Temuan ini menunjukkan bahwa deep learning berdasarkan irisan ini membantu dalam melokalisasi daerah otak yang relevan dengan PD. Metode ini menyajikan alternatif yang lebih mudah ditafsirkan dan efisien untuk model 3D volume penuh, dengan potensi untuk mendukung diagnosis PD dini melalui identifikasi biomarker pencitraan yang ditargetkan.

---

Parkinson`s Disease (PD) is a progressive neurodegenerative disorder affecting over six million individuals worldwide, with its prevalence having more than doubled in recent decades due to global aging trends. Despite increasing awareness, clinical diagnosis of PD remains challenging, primarily because it relies heavily on subjective assessments of motor symptoms, such as bradykinesia and resting tremor, by neurologists. This dependency on symptom manifestation and clinical interpretation often results in delayed or inaccurate diagnosis, particularly during the prodromal stages. As such, the development of objective, reliable biomarkers is essential for early and accurate detection of PD. Recent advancements have positioned brain magnetic resonance imaging (MRI) as a promising tool in the search for imaging-based biomarkers. Specifically, structural alterations in regions such as the substantia nigra (SN) and basal ganglia are increasingly recognized through MRI. However, analyzing high-resolution 3D MRI volumes poses considerable computational and interpretational challenges, especially when considering inter-individual anatomical variability and the subtlety of early-stage structural changes. This thesis explores a deep learning approach based on slice-wise abnormalities detection from 2D axial MRI slices to classify PD and healthy control (HC) individuals. Preprocessing steps included skull stripping, brain alignment, zero-padding, and normalization. Transfer learning models using VGG19 and ResNet50 architectures were trained and evaluated per slice to identify which anatomical sections yield the highest diagnostic utility. The VGG19 model achieved its best performance on axial slice 91 achieving F1-score of 76.40% and validation accuracy of 74.39%, while ResNet50 performed best on slice 86 achieving F1-score of 73.91% and validation accuracy of 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) applied to these slices and their neighboring ones revealed consistent activation in the midbrain region, particularly the SN and adjacent basal ganglia, confirming their biomarker relevance. The findings demonstrate that slice-wise deep learning aids in localizing disease-relevant brain regions. This method presents a more interpretable and efficient alternative to full-volume 3D models, with the potential to support early PD diagnosis through targeted imaging biomarker identification."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."

"Kanker payudara merupakan salah satu jenis kanker dengan kasus terbanyak di dunia pada tahun 2022. Sebagai salah satu sistem deteksi awal, ultrasound digunakan sebagai pendamping mammografi untuk mendiagnosis kanker atau lesi pada payudara. Salah satu bagian dari diagnosis adalah segmentasi lesi pada citra. Pada penelitian ini, dilakukan implementasi model U-Net termodifikasi untuk melakukan segmentasi lesi secara otomatis pada citra ultrasound payudara. Penelitian ini menggunakan dua model U-Net termodifikasi, yaitu UNET++ dan UResNet-34 yang dievaluasi dengan metrik Jaccard Similarity Index (JSI) dan Dice Similarity Coefficient (DSC). Pada penelitian ini, performa U-Net termodifikasi dalam melakukan segmentasi pada data latihan yang digambarkan dengan nilai JSI secara berturut-turut pada model UNET++ variasi 1, UNET++ variasi 2, UResNet-34 variasi 1, dan UResNet-34 variasi 2 adalah 96,09%, 96,05%, 91,22%, dan 89,87%, sedangkan pada data pengujian, secara berturut-turut adalah 76,07%, 74,14%, 73,11%, dan 78,54% menggunakan metode pertama dan 79,23%, 78,91%, 80,72%, dan 79,70% menggunakan metode kedua. Model U-Net termodifikasi mampu melakukan segmentasi lebih baik daripada model U-Net biasa, baik dengan lapisan batch normalization, maupun tanpa lapisan batch normalization.

---

Breast cancer is one of the types of cancer that requires an early detection system. Ultrasound imaging is commonly used to diagnose cancer or lesions in the breast. In this study, a modified U-Net model was implemented to perform lesion segmentation on breast ultrasound images. Two modified U-Net models were utilized, namely UNET++ and UResNet-34, and evaluated using the Jaccard Similarity Index (JSI) and Dice Similarity Coefficient (DSC) metrics. In this study, the performance of the modified U-Net models on the training data, as indicated by JSI scores, were 96.09%, 96.05%, 91.22%, and 89.87% for UNET++ variation 1, UNET++ variation 2, UResNet-34 variation 1, and UResNet-34 variation 2, respectively. On the test data, the scores were 76.07%, 74.14%, 73.11%, and 78.54% using the first method, and 79.23%, 78.91%, 80.72%, and 79.70% using the second method. The modified U-Net models demonstrated better segmentation performance compared to the standard U-Net model. "

"Penelitian ini bertujuan untuk mengevaluasi kombinasi lilin dan karbon sebagai material ekuivalen jaringan yang dapat merepresentasikan jaringan tubuh manusia. Parameter atomik yang umum digunakan untuk merepresentasikan adalah densitas elektron dan nomor atom efektif. Penelitian ini menggunakan metode dual-energy CT (DECT) dengan menggunakan formulasi alpha blending (Möhler, 2017) dan DEEDZ (Saito, 2017). Sampel yang dievaluasi yaitu fantom sampel jaringan lemak (80% parafin, 10% cecek, dan 10% karbon), otot (80% gondorukem, 10% cecek, dan 10% karbon), white matter brain (68% gondorukem, 16% cecek, dan 16% karbon), dan grey matter brain (60% gondorukem, 20% cecek, dan 20% karbon). Berdasarkan hasil uji, fantom sampel lemak, otot, grey matter brain, dan white matter brain memiliki kesalahan relatif densitas elektron sebesar masing-masing 4.6%, 2.6%, 4.4%, dan 4.8%, serta kesalahan relatif nomor atom efektif masing-masing sebesar 11.9%, 19.7%, 19.5%, dan 19.4%. Selain itu, pada penelitian ini dilakukan pula verifikasi fantom sampel hati, air, dan PMMA dengan kombinasi penelitian sebelumnya. Fantom sampel hati, air, dan PMMA memiliki kesalahan relatif densitas elektron sebesar masing-masing 7.0%, 1.5%, dan 0.5%, serta kesalahan relatif nomor atom efektif masing-masing sebesar 16.7%, 22.6%, dan 2.1%.

---

This study aims to evaluate the combination of wax and carbon as tissue-equivalent material which can represent human body tissue. The atomic parameters used to represent it are electron density and effective atomic number. This study used dual-energy CT (DECT) method using alpha blending formulation (Möhler, 2017) and DEEDZ formulation (Saito, 2017). The samples evaluated in this study were phantom sample of fat (80% paraffin, 10% cecek, and 10% carbon), muscle (80% gondorukem, 10% cecek, and 10% carbon), white matter brain (68% gondorukem, 16% cecek, and 16% carbon), and gray matter brain (60% gondorukem, 20% cecek, and 20% carbon). Based on the test results, phantom samples of fat, muscle, grey matter brain, and white matter brain have a relative deviation of electron density of 4.6%, 2.6%, 4.4%, and 4.8%, and relative errors of effective atomic number of 11.9%, 19.7%, 19.5%, and 19.4%, respectively. This study also verified phantom samples of liver, water, and PMMA with a combination of previous studies. Phantom samples of liver, water, and PMMA have a relative deviation of electron density of 7.0%, 1.5%, and 0.5%, and relative errors of effective atomic numbers of 16.7%, 22.6%, and 2.1%, respectively."

"Dosimeter termoluminesensi (TLD) merupakan dosimetri relatif berupa padatan berbahan fosfor yang digunakan untuk mengukur dosis. TLD telah banyak digunakan dalam aplikasi medis baik radiodiagnostik, radioterapi, dan kedokteran nuklir. TLD berbahan fosfor kalsium sulfat (CaSO4) memiliki sifat termoluminesensi dengan sensitivitas tinggi dan pemudaran TL yang rendah. Pendadah P banyak ditambahkan sebagai kodoping pada TLD CaSO4:Dy dan dilaporkan dapat meningkatkan sensitivitas TL tanpa terjadi pergeseran suhu puncak pada TLD. Penelitian ini bertujuan untuk mempelajari sifat termoluminesensi dari penambahan pendadah P (fosforus) pada TLD CaSO4:P hasil sintesis dengan variasi pendadah P yaitu 0,1; 0,5; 1; dan 1,5 mol%. Hasil karakterisasi XRD menunjukkan bahwa CaSO4:P memiliki bentuk kristal ortorombik dan memiliki kemiripan dengan CaSO4 anhidrat (COD 96-500-0041). Selain itu, ukuran rata-rata kristal (D) juga cenderung mengecil seiring bertambahnya konsentrasi pendadah P. Berdasarkan hasil karakterisasi XRF menunjukkan bahwa penambahan pendadah P akan mengalami saturasi pada 0,1 molar. Sementara, hasil karakterisasi SEM menunjukkan bahwa penambahan pendadah P pada kristal CaSO4 menyebabkan perubahan pada morfologi kristal CaSO4 dan menghasilkan ukuran partikel yang semakin mengecil seiring bertambahnya konsentrasi pendadah P. Hasil uji respon TLD CaSO4:P hasil sintesis menunjukkan sensitivitas yang paling baik pada konsentrasi pendadah P 0,1 mol% dengan hasil respon bacaannya sebesar 22,34 ± 11,99 nC, 51,26 ± 24,01 nC, 53,05 ± 10,45 nC dan 63,56 ± 13,23 nC untuk energi 70 kVp, 90 kVp, 6 MV, dan 10 MV. Penambahan pendadah P di atas 0,1 mol% menghasilkan perangkap elektron yang terlalu banyak sehingga elektron sulit tereksitasi dari pita valensi ke pita konduksi dan menyebabkan banyak perangkap elektron yang kosong. TLD CaSO4:P hasil sintesis memiliki respon yang meningkat hingga energi 10 MV dengan suhu puncak kurva pancar di atas 300°C. Berdasarkan perbandingan hasil respon bacaan antara TLD CaSO4:P hasil sintesis dan TLD komersil LiF:Mg,Ti menunjukkan hasil yang cukup sensitif pada energi rendah dengan sensitivitas maksimum pada energi 90 kVp dan perbandingan hasil respon bacaan yang didapatkan yaitu 51,26 ± 24,01 nC untuk TLD CaSO4:P hasil sintesis serta 76,50 ± 26,04 untuk TLD komersil LiF:Mg,Ti.

---

Thermoluminescence dosimeter (TLD) is a relative dosimetry device made of solid phosphor material used to measure radiation dose. TLD has been widely used in medical applications, including radiodiagnostics, radiotherapy, and nuclear medicine. TLD based on phosphor calcium sulfate (CaSO4) exhibits thermoluminescent properties with high sensitivity and low TL fading. Phosphorus (P) dopant is often added as a co-dopant in TLD CaSO4:Dy and reported to enhance TL sensitivity without shifting the TL peak temperature. This study aims to investigate the thermoluminescent properties of TLD CaSO4:P synthesized with varying concentrations of P dopant, namely 0.1; 0.5; 1; and 1.5 mol%. XRD characterization results show that CaSO4:P has an orthorhombic crystal structure and is similar to anhydrous CaSO4 (COD 96-500-0041). Additionally, the average crystal size (D) tends to decrease with increasing P dopant concentration. Based on XRF characterization, the addition of P dopant reaches saturation at a concentration of 0.1 mol%. SEM characterization results show that the addition of P dopant to CaSO4 crystals alters the crystal morphology and leads to smaller particle sizes with increasing P dopant concentration. The synthesized TLD CaSO4:P shows the best sensitivity at a P dopant concentration of 0.1 mol%, with response readings of 22.34 ± 11.99 nC, 51.26 ± 24.01 nC, 53.05 ± 10.45 nC, and 63.56 ± 13.23 nC for energies of 70 kVp, 90 kVp, 6 MV, and 10 MV, respectively. Adding P dopant above 0.1 mol% results in an excessive number of electron traps, making it difficult for electrons to be excited from the valence band to the conduction band and causing many empty electron traps. The synthesized TLD CaSO4:P exhibits an increased response up to 10 MV energy with the peak temperature of the glow curve above 300°C. By comparing the response readings between synthesized TLD CaSO4:P and commercial TLD LiF:Mg,Ti, a sufficiently high sensitivity is observed at low energies, with the maximum sensitivity occurring at 90 kVp energy. The obtained response readings are 51.26 ± 24.01 nC for synthesized TLD CaSO4:P and 76.50 ± 26.04 nC for commercial TLD LiF:Mg,Ti."